%0 Thesis
%A Palacios Almendros, Pedro
%T Implementation of the LCMV algorithm for target detection and classification in hyperspectral images using reconfigurable hardware
%D 2023
%U https://hdl.handle.net/20.500.14352/87728
%X Hyperspectral imaging makes it possible to detect and classify targets beyond the visible electromagnetic spectrum, with a wide range of applications in medicine, environmental sciences, defense, etc.The large computational requirements to deal with the vast amount of information contained in hyperspectral images make reconfigurable hardware an attractive option in terms of performance, power consumption and price. In this work, a fully hardware implementation of the LCMV (Linearly Constrained Minimum Variance) target classification algorithm is developed, including different submodules that perform numerical algorithms such as computing the correlation matrix or solving a system of linear equations using LDL decomposition. This implementation outperforms alternative software implementations through the exten sive use of parallelization and segmentation, as well as taking advantage of the streaming nature of hyperspectral sensors. In addition, an embedded system with a microcontroller has been created to interface with the hardware module and to have an integrated test platform.We conclude that it is possible to realize a reconfigurable hardware implementation that meets real time constraints, improving the performance of other existing implementations.
%X Las imágenes hiperespectrales permiten detectar y clasificar objetivos más allá del espectro electromagnético visible, con aplicaciones en medicina, ciencias del medio ambiente, defensa, etc. Los grandes requisitos computacionales para tratar la vasta cantidad de información con tenidas en las imágenes hiperespectrales en tiempo real hacen del hardware reconfigurable una opción atractiva en términos de rendimiento, consumo de energía y precio.En este trabajo se desarrolla una implementación completamente hardware del algoritmo de clasificación de objetivos LCMV (Linearly Constrained Minimum Variance), incluyendo distintos submódulos que realizan algoritmos numéricos como la computación de la matriz de correlación o la resolución de un sistema de ecuaciones lineales mediante la descomposición LDL.Esta implementación mejora las implementaciones alternativas software mediante el amplio uso de paralelización y segmentación, además de aprovechar la naturaleza de transmisión en flujo de los sensores hiperespectrales. Además, se ha creado un sistema empotrado con un microcontrolador para poder interactuar con el módulo hardware y tener una plataforma de pruebas de integración.Llegamos a la conclusión de que es posible realizar una implementación en hardware recon figurable que trabaje en tiempo real, mejorando el rendimiento de otras implementaciones existentes.
%~