UNIVERSIDAD NACIONAL DE CORDOBA FACULTAD DE MATEMATICA, ASTRONOMA Y FSICA I I

SERIE B

TRABAJOS DE MATEMATICA

No 50/06

INTRODUCCION AL PROCESAMIENTO DE IMAGENES DIGITALES Oscar Bustos, Adriana Mallea, Myriam Herrera

Editores: Jorge R. Lauret - Elvio A. Pilotta

CIUDAD UNIVERSITARIA 5000 CORDOBA REPUBLICA ARGENTINA

Introduccin al Procesamiento de Imgenes o a Digitales

Oscar Bustos Adriana Mallea Myriam Herrera

2006

 Indice General
1 Introduccin o 1.1 Representacin y modelacin de imgenes . . . o o a 1.2 Mejoramiento de Imgenes . . . . . . . . . . . . a 1.3 Restauracin de Imgenes . . . . . . . . . . . . o a 1.4 Anlisis de Imgenes . . . . . . . . . . . . . . . a a 1.5 Reconstruccin de imagen desde las proyecciones o 1.6 Compresin de los Datos de una Imagen . . . . o 2 Anlisis de Imgenes y Visin a a o 3 Extraccin de Caracter o sticas Espaciales 3.1 Caracter sticas de los Rangos de Variacin o 3.2 Caracter sticas de Histograma . . . . . . . 3.3 Transformacin para extraer caracter o sticas 3.4 Deteccin de Bordes . . . . . . . . . . . . o . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 5 5 6 6 6 7 7 8 8 8 9 10 13 17 17 18 21 21 22 22 23 23 24 25 26 26 27 32 33 35

4 Representacin de Imgenes por Modelos Estocsticos o a a 5 Modelos de Covarianza 6 Modelos Causales Unidimensionales 6.1 Modelos Autorregresivos (AR) . . . . . . . . . . . . . . . . . . . . . . 6.2 Representaciones en Promedios Mviles (MA) . . . . . . . . . . . . . o 6.3 Representaciones Autorregresivas de Promedios Mviles (ARMA) . . o 7 Prediccin Lineal en dos dimensiones o 7.1 Prediccin Causal . . . . . . . . . . . . . . . . . . . . o 7.2 Prediccin Semicausal . . . . . . . . . . . . . . . . . o 7.3 Prediccin No Causal . . . . . . . . . . . . . . . . . . o 7.4 Prediccin de M o nima Varianza . . . . . . . . . . . . 7.5 Representacin estocstica de Campos . . . . . . . . o a 7.6 Representaciones de M nima Varianza de orden nito . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

8 Principios de Informacin de Imgenes SAR o a 8.1 Geometr de imgenes de radar . . . . . . . . . . . . . . . . . . . . . a a 8.2 Parmetros del sistema SAR . . . . . . . . . . . . . . . . . . . . . . . a 8.3 La naturaleza de la informacin en imgenes SAR . . . . . . . . . . . o a 9 Tipos de Imagen de un unico canal 2

10 Estimacin del RCS en datos multilook o 10.1 El Modelo de Ruido Multiplicativo para el RCS . . . . . . . . . . . . 11 Modelos para los datos 11.1 Introduccin . . . . . . . . . . . o 11.2 El modelo producto . . . . . . . 11.3 El modelo RCS . . . . . . . . . 11.3.1 La FDP de la Intensidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

39 40 42 42 42 43 44 44 45 45 46 47 48 50

12 Clasicacin de RCS y segmentacin o o 12.1 Clasicacin de RCS . . . . . . . . . o 12.2 El Modelo Cartoon y Segmentacin . o 12.3 Deteccin de Bordes . . . . . . . . . o 12.4 Fusin de Regiones . . . . . . . . . . o 12.5 Teor sobre fusin/divisin . . . . . a o o 13 Referencias

Introduccin al Procesamiento de Imgenes o a Digitales

Oscar Bustos(1) -Adriana Mallea(2) - Myriam Herrera(2) Universidad Nacional de Crdoba(1) - Universidad Nacional de San Juan(2) o

Resumen Este trabajo consiste en una introduccin a las tcnicas de procesamieno e to de imgenes y de su representacin por modelos estocsticos. Tambin se a o a e proporciona una introduccin a las tcnicas de clasicacin y segmentacin de o e o o imgenes. a

PALABRAS CLAVES: Procesos- Estocsticos- Clasicacin- Segmentacin. a o o

Introduccin o

El Procesamiento de Imgenes Digitales generalmente se reere al procesamiena to de ciertas matrices hechas por un computador. El mismo tiene un extenso campo de aplicacin en sensores remotos v satlite o naves espaciales, transo a e misin de imgenes y almacenaje para aplicaciones de negocios o procesamieno a tos mdicos. e Las imgenes adquiridas por satlites son utiles para relevar recursos del a e suelo, en confeccin de mapas, prediccin en cosechas agr o o colas, crecimientos urbanos y otras aplicaciones. Podemos considerar los siguientes problemas que se abordan con el procesamiento de imgenes: a Representacin y modelacin de imgenes o o a Mejoramiento de imgenes a Restauracin de imgenes o a Anlisis de imgenes a a

Reconstruccin de imgenes o a

Compresin de los datos dados por la imagen o

1.1

Representacin y modelacin de imgenes o o a

La representacin de una imagen tiene que ver con caracterizaciones de la cano tidad que cada p xel representa. Una imagen puede representar la luminosidad (radiacin de la luz) de objetos en escena, la seccin transversal de radar o o del blanco (imagen de radar), imgenes infrarrojo o el campo gravitacional en a imgenes geof a sicas. En general cualquier funcin de dos dimensiones que lleva informacin puede o o ser considerada una imagen. La modelacin de una imagen proporciona una o descripcin lgica o cuantitativa de las propiedades de esta funcin. Una imo o o portante consideracin a tener en cuenta en la representacin de imgenes es o o a el criterio de delidad para medir la calidad de una imagen o la perfomance de una tcnica de procesamiento. e El requerimiento fundamental para el procesamiento de una imagen es que ella debe ser muestreada y cuanticada. La razn de muestreo, nmero de o u p xeles por unidad de rea, tiene que preservar la utilidad de la informacin en a o la imagen. Un mtodo clsico de representacin de seales es la expansin de series e a o n o ortogonales, tales como la serie de Fourier. Para imgenes, una representacin a o anloga es posible v funciones ortogonales dos dimensionales llamada imagen a a base. Luego cualquier imagen puede ser expresada por una suma ponderada de imgenes base. Varias caracter a sticas de las imgenes pueden ser estudiadas a por tal expansin. o Modelos estad sticos describen una imagen como un elemento de un ensamble, frecuentemente caracterizado por su media y covarianza. Esto permite el desarrollo de algoritmos que son usados por una clase entera o ensamble de imgenes ms que por una unica imagen. Frecuentemente el ensamble se supone a a estacionario, lo que facilita la estimacin de su media y covarianza. Para caraco terizar propiedades locales de los p xeles, una alternativa puede ser caracterizar un p por su relacin con p xel o xeles vecinos. Por ejemplo en un modelo causal, un p xel est caracterizado por p a xeles del pasado, en un modelo no causal por p xeles del pasado y futuro.

1.2

Mejoramiento de Imgenes a

La idea del mejoramiento de imagen es acentuar ciertas caracter sticas para un anlisis posterior. Se usa para la extraccin de caracter a o sticas, anlisis de imaa gen e informacin visual. Este proceso no aumenta la informacin contenida o o en los datos, sino que enfatiza ciertas caracter sticas. Un ejemplo de tcnica e usada es el mtodo de equalizacin de histograma, donde los niveles de gris e o son transformados tal que el nivel de gris de salida tiene distribucin uniforme. o Este es un mtodo potente para mejorar los contrastes bajos de imagen. e

1.3

Restauracin de Imgenes o a

La restauracin de imgenes se reere a suprimir o minimizar degradaciones o a conocidas de una imagen. Incluye la supresin del borroneo de imgenes o a degradadas por las limitaciones del sensor, ltrado del ruido y la distorsin o por correccin geomtrica y radiomtrica. La imagen de un punto original es o e e borroneada y degradada debido a la atmsfera, ruido trmico de componentes o e del sensor, proceso de formacin de imgenes, etc. Si suponemos un modelo o a lineal, la imagen de un objeto puede ser expresada como g(x, y) =

h(x, y; , )f (, )dd + (x, y),

donde (x, y) es el ruido aditivo, f (, ) es el objeto, g(x, y) es la imagen y h(x, y; , ) es llamada la funcin de propagacin (spread) puntual PSF. El o o problema de restauracin es la estimacin de la funcin f (, ) dada PSF, la o o o imagen con ruido y las propiedades estad sticas del ruido. Un resultado fundamental en la teor de ltro, usado para la restauracin a o de imgenes, es el llamado ltro de Wiener. Este ltro da la mejor estimacin a o lineal de cuadrados medios de un objeto a partir de las observaciones.

1.4

Anlisis de Imgenes a a

El anlisis de imgenes considera medidas cuantitativas de una imagen para a a producir una descripcin de ella, produciendo informacin cuantitativa y se o o usa para tomar decisiones. Las tcnicas de anlisis de imagen requieren la extraccin de ciertas caractee a o r sticas que ayudan a la identicacin del objeto. Las tcnicas de segmentacin o e o son usadas para aislar el objeto deseado de la escena. Las medidas cuantitativas de las caracter sticas permiten la clasicacin y descripcin de la imagen. o o

1.5

Reconstruccin de imagen desde las proyecciones o

La reconstruccin de imagen desde las proyecciones es una clase especial de o los problemas de restauracin de imgenes donde un objeto de dimensin dos o a o o mayor es reconstruido con proyecciones unidimensionales. Tales tcnicas e son importantes en imgenes mdicas, astronom imgenes de radar y exa e a, a ploraciones geolgicas. o Matemticamente los problemas de reconstruccin de imgenes se basan en a o a la teor de transformaciones aleatorias. a

1.6

Compresin de los Datos de una Imagen o

La cantidad de datos asociada con la informacin visual es grande, requiere o una enorme capacidad de almacenaje. Las tcnicas de compresin de datos de e o imagen permiten una reduccin del nmero de bits que se requieren para almao u cenar o transmitir imgenes sin prdida de informacin. Entre la transmisin a e o o de imgenes tenemos las mostradas por televisin; sensores remotos v satlite, a o a e avin, radar, sonar; teleconferencias. El almacenaje de imgenes es requerido o a comnmente en documentos de educacin, negocios, imgenes mdicas usadas u o a e en pacientes con sistemas monitoreados. Por la gran variedad de aplicaciones la compresin de datos es de gran inters en el procesamiento de imgenes o e a digitales.

Anlisis de Imgenes y Visin a a o

Computacional
El objetivo esencial en un gran nmero de aplicaciones del procesamiento de u imgenes es extraer caractersticas importantes de los datos de la imagen, a para lo cual la computadora puede ayudarnos a hacer una descripcin, ino terpretacin, o comprensin de la escena. Por ejemplo, un sistema de visin o o o puede distinguir partes sobre una l nea de ensamble y listar sus caracter sticas, tales como el nmero y tamao de agujeros. Sistemas de visin ms sosticados u n o a son capaces de interpretar los resultados del anlisis y describir varios objetos a y sus relaciones en la escena. El anlisis de imgenes involucra bsicamente el estudio de extraccin de a a a o caractersticas, segmentacin y tcnicas de clasicacin. o e o En los sistemas de visin computacional, la imagen de entrada es primero o preprocesada, lo cual puede involucrar restauracin, aumento o representacin o o apropiada de los datos. Entonces se extraen ciertas caracter sticas para la segmentacin de la imagen en sus componentes, por ejemplo separacin de dio o ferentes objetos por extraccin de sus bordes. La imagen segmentada es llevada o a un clasicador o un sistema de compresin de la imagen. La clasicacin de o o imgenes transforma diferentes regiones o segmentos (imagen satelital) en uno a de varios objetos, cada uno identicado por una etiqueta (mapa temtico). a Los sistemas de comprensin de imgenes determinan la relacin entre los o a o diferentes objetos de la escena para dar una descripcin adecuada. Por ejemplo o un sistema de comprensin de imgenes puede dar el siguiente reporte: o a la vista del campo contiene un camino de barro rodeado de hierba. Tales sistemas pueden permitir la clasicacin de diferentes texturas tales como o arena, hierba o grano, usando conocimientos a priori y reglas predenidas para generar una descripcin. o

Extraccin de Caracter o sticas Espaciales

Las caracter sticas espaciales de un objeto pueden ser caracterizadas por sus niveles de gris (niveles digitales), sus distribuciones de probabilidad conjunta, distribucin espacial y otras estad o sticas.

3.1

Caracter sticas de los Rangos de Variacin o

Las caracter sticas ms simples y quizs las ms utiles de un objeto son los a a a rangos de variacin de sus propiedades f o sicas, tal como reectividad, transmisibilidad, o respuestas multiespectrales. Por ejemplo, en imgenes de rayos X a en medicina, la variacin de los niveles de gris representan las caracter o sticas de las masas del cuerpo y permiten discriminar tejidos seos en tejidos sanos o o enfermos. En imgenes infrarrojas los rangos de variacin de la temperatura, a o facilitan la segmentacin entre nubes y terrenos. En imgenes de radar la o a variacin de la seccin transversal del radar, o coeciente de retrodispersin, o o o determina el tamao del objeto. n

3.2

Caracter sticas de Histograma

Las caracter sticas de Histograma se basan en el histograma de una regin de o la imagen. Sea U la variable aleatoria que representa un nivel de gris en una regin dada de la imagen. Denimos o pU (x) = P [U = x] = nro. de pixeles con nivel gris x nro. total de pixeles en la regin o x = 0, 1, ..., L 1. (1) Las caracter sticas comunes de pU (x) son sus momentos, momentos absolutos, la entrop dada por a
L1

H = E[log2 pU ] =

pU (x)log2 pU (x).
x=0

Algunas caracter sticas comunes de histogramas son la media, varianza, valor cuadrtico medio o energa promedio y coecientes de asimetra y de curtosis. a Otras caracter sticas utiles son la mediana y la moda. Un histograma estrecho indica una regin de bajo contraste. La varianza puede usarse para medir o la actividad local en las amplitudes. Las caracter sticas del histograma son tambin utiles para analizar la forma de objetos desde sus proyecciones. e Frecuentemente estas caracter sticas son medidas sobre una pequea venn tana mvil W . Algunas de las caracter o sticas del histograma pueden medirse

sin determinar expl citamente el histograma, por ejemplo mi (k, l) = 1 NW [u(m k, n l)]i ,

(m,n)W

i (k, l) =

1 NW

(m,n)W

[u(m k, n l) m1 (k, l)]i ,

donde i = 1, 2, , siendo m1 el momento no centrado de orden 1 y NW el nmero de p u xeles en la ventana W. Las probabilidades conjuntas de segundo orden son utiles en aplicaciones tal como extraccin de texturas. La probabilidad conjunta de segundo orden o se dene por pU (x1 , x2 ) = pU1 ,U2 (x1 , x2 ) = P [U1 = x1 , U2 = x2 ] nro.de pares de p xeles u1 = x1 , u2 = x2 , = nro. total de pares de p xeles en la regin o x1 , x2 = 0, , L 1 donde U1 y U2 son los dos p xeles en la regin de la imagen especicados por o alguna relacin. Por ejemplo U2 puede especicarse como un p o xel ubicado a distancia r y ngulo de U1 . El arreglo L L {pU (x1 , x2 )} se denomina matriz a de concurrencia.

3.3

Transformacin para extraer caracter o sticas

Las transformaciones de imagen proveen la informacin del dominio de frecueno cia en los datos. Las extraccin de caracter o sticas se obtiene por ltrado-zonal de la imagen en el espacio de transformacin seleccionado. o
. . Imagen .......u(m,.....n)................... Transf. .............v(k,.....l).............................................................v...(k,.....l)................. Transf. ..............u...(m,.....n)........... . . . . . . ................ ........ . ............... ........ . . . . . ............ ..... . .. . . .. ........ ..... . . .... ........... ........ . ............. ...... .. ... ... . ... ......... ...... . . ... ........... ........ . . . . . .. . . .. . . . . . . . ... .... . directa . . ....... ... . inversa . . . de entrada . . ..... . . . . . . . . . . . . . . . . ... . . . . ... ................................ ............................... .. . . .. . . . . . . . . . . . . . . . . . . . . . . . . ................................ ............................... . . ................................ . . .............................. . . . . . . . .............................. . ................................ . . . .

Mscara a g(k, l)

El ltro zonal es simplemente una ventana o rendija. Generalmente las caracter sticas de alta frecuencia pueden usarse para la deteccin de lados y o bordes, y las rendijas angulares pueden usarse para deteccin de orientacin. o o Por ejemplo, una imagen que contiene varias l neas paralelas con orientacin o exhibir una fuerte energ a lo largo de una l a a nea con ngulo + pasando a 2

por el origen de su transformada de Fourier dos dimensional. Una combinacin o de una rendija angular con un ltro (en el dominio de las frecuencias) pasa baja o pasa alta, de banda limitada, puede ser usada para discriminacin de o texturas peridicas o cuasiperidicas. Otras transformaciones tales como, Haar o o y Hadamard son potencialmente utiles para la extraccin de caracter o sticas.

3.4

Deteccin de Bordes o

Un problema de fundamental importancia en el anlisis de imgenes es la deteca a cin de bordes. Los bordes caracterizan los l o mites de objetos y por lo tanto son utiles para segmentacin, registro e identicacin de objetos en escenas. Los o o puntos de borde pueden pensarse como las localizaciones de p xeles que cambian abruptamente los tonos de gris. Por ejemplo, es razonable denir puntos de borde en imgenes binarias como pxeles negros con al menos uno blanco a en algn entorno del mismo, esto es, las ubicaciones de p u xeles (m, n) tal que u(m, n) = 0 y g(m, n) = 1, donde g(m, n) = [u(m, n) u(m 1, n)].O.[u(m, n) u(m, n 1)], (2)

donde denota la operacin lgica O-excluyente. o o Para una imagen continua f (x, y) su derivada toma un mximo local en la a direccin del borde. Luego, una tcnica de la deteccin del borde es medir el o e o gradiente de f a lo largo de r en la direccin de , esto es o f f x f y = + = fx cos + fy sen. r x r y r El mximo valor de a
f r se obtiene cuando f = 0. Esto d a r

(3)

fx seng + fy cosg = 0 g = tan1 f r

fy fx

(4)

=
max

2 2 fx + fy ,

(5)

o donde g es la direccin del borde. En base a estos conceptos, se pueden introducir dos tipos de operadores para deteccin de bordes, operadores gradientes y o operadores compass. Para imgenes digitales estos operadores, tambin llamaa e dos mscaras, representan aproximaciones en diferencias nitas de o bien sus a gradientes ortogonales fx , fy o el gradiente direccional f . Sea H que denota r una mscara p p y denimos, para una imagen arbitraria U, su producto a interior en la ubicacin (m, n) como la correlacin o o

10

U, H

m,n

=
i j

h(i, j)u(i + m, j + n).

(6)

Operadores Gradiente Estos son representados por un par de mscaras H1 y H2 , que miden el a gradiente de la imagen u(m, n) en dos direcciones ortogonales. Si denimos los gradientes direccionales g1 (m, n) = U, H1 (m,n) y g2 (m, n) = U, H2 (m,n) , la magnitud y direccin del vector gradiente se dan por o g(m, n) =
2 2 g1 (m, n) + g2 (m, n),

g (m, n) = tan1

g2 (m, n) g1 (m, n)

Frecuentemente la magnitud del vector gradiente se mide con la norma L1 , dada por g(m, n) =| g1 (m, n) | + | g2 (m, n) |, en lugar de la norma L2 . Este clculo es ms fcil de implementar y se preere, a a a especialmente cuando se implementa en hardward digital. La ubicacin (m, n) de un p es declarada ubicacin de borde si g(m, n) o xel o excede algn umbral t. Las ubicaciones de los puntos de bordes constituyen u una funcin de borde (m, n) la cual est denida como o a 1 0 (m, n) Ig , en otro caso

(m, n) = donde

(7)

Ig = {(m, n) : g(m, n) > t}. La funcin de borde brinda los datos necesarios para trazar o marcar los o bordes en una imagen. Generalmente t puede seleccionarse usando el histograma acumulativo de g(m, n) de modo que del 5 al 10% de p xeles con gradientes mayores son declarados como borde.

11

Operadores de Laplace y cruces de ceros Los mtodos anteriores de estimacin de gradientes funcionan bien cuando e o la transicin de los niveles de gris es muy abrupta, semejante a una funcin o o escalonada. Cuando la regin de transicin se vuelve ms amplia, es ms veno o a a tajoso aplicar derivadas de segundo orden. Un operador frecuentemente usado es el operador Laplaciano, denido como 2 2 + 2. x2 y

2 =

Por trabajar con derivadas de segundo orden, este operador es ms sensitivo a al ruido blanco que los previamente denidos. Tambin, la magnitud de 2 f e produce bordes dobles. Por esas razones, juntamente con su incapacidad para detectar la direccin del borde, el Laplaciano como tal no es un buen operador o para la deteccin de bordes. Una mejor utilizacin del Laplaciano es usar sus o o cruces de ceros para detectar la ubicacin de los mismos. o Una generalizacin del operador Laplaciano, que aproxima al Laplaciano de o la funciones Gaussianas, es un potente detector de cruces de ceros. Se dene como h(m, n) = c 1 (m2 + n2 ) m2 + n 2 exp 2 2 2 ,

donde controla el ancho del ncleo Gaussiano y c normaliza a la unidad la u suma de los elementos de una mscara de tamao dado. Los cruces de ceros de a n una imagen convolucionados con h(m, n) dan sus ubicaciones de borde. Sobre una grilla bi-dimensional, se dice que ocurre un cruce de ceros cuando ocurre cruces de ceros en al menos una direccin. o h(m, n) es la respuesta impulso muestreada de un ltro analgico de pasao 2 2 2 2 banda cuya respuesta de frecuencia es proporcional a (1 +2 )exp[2 2 (1 +2 )]. Por lo tanto, el detector de cruces de ceros es equivalente a un ltro pasa-baja que tiene una respuesta de impulso Gaussiano, seguido por un operador de Laplace. El ltro pasa-baja sirve para atenuar la sensitividad al ruido del Laplaciano. El parmetro controla la amplitud de la respuesta de salida del a ltro pero no afecta la ubicacin de los cruces de ceros. o La informacin direccional de los bordes puede obtenerse investigando los o cruces de ceros de las derivadas de segundo orden a lo largo de r para cada direccin . De (3), obtenemos o 2f fx fy 2f 2f = cos + sin = cos2 + 2 sin2 , r 2 r r x2 y los cruces de ceros se buscan variando . (8)

12

4 Representacin de Imgenes por Modelos o a Estocsticos a

En las representaciones estocsticas una imagen se considera como una funcin a o muestral de un arreglo de variables aleatorias llamado un campo aleatorio. Esta caracterizacin de un ensamble de imgenes es util para el desarrollo de tcnicas o a e de procesamiento de imgenes que son vlidas para la clase completa y no slo a a o para una imagen en particular. Los modelos estocsticos que se han usado en el procesamiento de imgenes a a pueden resumirse en: - Modelos de covarianza - Modelos uni-dimensionales (1-D) - Modelos bi-dimensionales (2-D). Aplicaciones de estos modelos se dan en compresin de datos de imagen, o restauracin de una imagen, s o ntesis y anlisis de textura, estimacin del esa o pectrum de potencia bi-dimensional, extraccin de bordes de imgenes distoro a sionadas y otras varias situaciones. Antes de desplayarnos en estos modelos, daremos algunos conceptos previos.

Campos Aleatorios Discretos

En la representacin estad o stica de imgenes, cada p se considera como una a xel variable aleatoria. Luego podemos pensar una imagen dada como una funcin o muestral de un ensamble de imgenes. Tal ensamble puede ser adecuadamente a denido por una densidad de probabilidad conjunta del arreglo de variables aleatorias. En la prctica, al analizar una imagen, el nmero de variables a u aleatorias es muy grande (262144 para imgenes 512x512). Luego es dif a cil especicar una funcin de densidad conjunta real. Una posibilidad es especicar o el ensamble por sus momentos de primer y segundo orden solamente. Existen varios enfoques para modelar estocsticamente una imagen. a

Deniciones
Cuando cada muestra de una secuencia bidimensional es una variable aleatoria, lo llamamos Campo Aleatorio Discreto. Cuando el campo aleatorio representa un campo de imgenes, tal como imgenes satelitales, lo llamaremos una imagen a a aleatoria.

13

Las funciones de media y covarianza de un campo aleatorio complejo se denen como: E[u(m, n)] = (m, n) Cov[u(m, n), u(m , n )] = E[(u(m, n) (m, n)) u(m , n ) (m , n ) ] (9) = ru (m, n; m , n ) = r(m, n; m , n ). (m, n) = = constante r(m, n; m , n ) = r(m m , n n ). Con frecuencia consideraremos el caso estacionario donde (10)

Un campo aleatorio que satisface (10) tambin se denomina estacionario en e sentido amplio, salvo que indiquemos lo contrario la estacionariedad ser en a este sentido. De lo anterior se deduce que r(m, n) = Cov[u(m, n), u(0, 0)] = Cov[u(m + m , n + n ), u(m , n )] para todo(m , n ). Un campo aleatorio (m, n) se dice un ruido blanco cuando su media es constante (generalmente igual a cero) y cuando dos elementos (m, n) y (m , n ) son no correlacionados, es decir su funcin de covarianza tiene la forma o
2 r (m, n; m , n ) = (m, n)(m m , n n ).

Un campo aleatorio es llamado Gaussiano si todos sus segmentos denidos sobre una grilla arbitraria nita es Gaussiana. Esto signica que todo segmento nito de u(m, n) puede transformarse en un vector que tenga densidad conjunta normal. Las funciones de covarianza y de autocorrelacin de campos aleatorios bio dimensionales tienen propiedades de simetr y no negatividad similares a los a procesos aleatorios de una dimensin: o Simetra: r(m, n; m , n ) = r (m , n ; m, n) No negatividad:
m n m n

u(m, n)r(m, n; m , n )u (m , n ) 0, u(m, n) = 0, para todo (m, n).

La Funcin de Densidad Espectral o

Sea u(n) una sucesin estacionaria. Su funcin generadora de covarianzas o o (FGC), denotada por Su (z), se dene por la Z-transformada de su funcin o de covarianza ru (n), es decir, Su (z) =
n=

ru (n)z n .

(11)

14

La funcin de densidad espectral (FDE) se dene como la transformada de o Fourier de ru (n), que es la FGC evaluada en z = exp (j) y la denotaremos por Su (), es decir Su () =
n=

ru (n) exp (jn).

(12)

La funcin de covarianza ru (n) es simplemente la transformada de Fourier ino versa 1 ru (n) = 2

Su () exp (jn)d.

(13)

Para dos dimensiones la FGC y FDE tienen deniciones anlogas: a Su (z1 , z2 ) =

m m ru (m, n)z1 z2 ,

m= n=

Su (1 , 2 ) =

ru (m, n) exp [j(1 m + 2 n)],

m= n=

1 ru (m, n) = 2 4 Esto prueba que

2 u

Su (1 , 2 ) exp [j(1 m + 2 n)]d1 d2 .

1 = ru (0, 0) = 2 4

Su (1 , 2 )d1 d2 ,

es decir, el volumen bajo Su (1 , 2 ) es igual a la potencia promedio en el campo aleatorio u(m, n). Por lo tanto, f sicamente, Su (1 , 2 ) representa la densidad de potencia en la imagen en las frecuencias espaciales (1 , 2 ), de all que la FDE tambin se conozca como la funcin densidad del espectrum de potencia e o o simplemente como el espectrum de potencia del campo aleatorio. Frecuentemente el espectrum de potencia se dene como la transformada de Fourier de la autocorrelacin en lugar de la covarianza. Salvo que se indique lo contrario o continuaremos usando las deniciones en base a covarianzas. Las propiedades que verica la FDE son 1. La FDE es real: S(1 , 2 ) = S (1 , 2 ) para todo 1 , 2 .

15

2. La FDE es no negativa: S(1 , 2 ) 0, para todo 1 , 2 .

Para campos aleatorios continuos las deniciones y propiedades para la FDE son similares.

Funciones de Covarianza de Imgenes Separables e a Isotrpicas o

La funcin de covarianza de un campo aleatorio se llama separable cuando o puede expresarse como el producto de funciones de covarianza de sucesiones de una dimensin, es decir, si o r(m, n; m , n ) = r1 (m, m )r2 (n, n ) r(m, n) = r1 (m)r2 (n) caso no estacionario caso estacionario. (14)

Una funcin de covarianza estacionaria separable que se usa frecuentemente en o procesamiento de imgenes es a r(m, n) = 2 1 2 ,
|m| |n|

|1 | < 1, |2 | < 1,

(15)

donde 2 representa la varianza del campo aleatorio y 1 = r(1, 0)/ 2 y 2 = r(0, 1)/ 2 son las correlaciones (marginales) en las direcciones m y n, respectivamente. Otra funcin de covarianza usada con frecuencia para muchas imgenes es o a la funcin exponencial no separable o r(m, n) = 2 exp 1 m2 + 2 n2 . (16)

Cuando 1 = 2 = , r(m, n) resulta una funcin de la distancia euclideana o 2 + n2 , es decir d= m r(m, n) = 2 d , donde = exp(||). Una tal funcin se denomina isotrpica o simtrica o o e circularmente. Los parmetros de una funcin de covarianza exponencial no a o separable se relacionan con las correlaciones marginales a travs de i = ln i e para i = 1, 2. Luego los modelos de covarianza (15) y (16) pueden identicarse midiendo la varianza y las correlaciones marginales de sus campos aleatorios con media cero. En la prctica, esas cantidades se estiman a partir de los datos a de una imagen dada usando los promedios muestrales; por ejemplo, para una imagen u(m, n), M N , 1 = MN
M N

u(m, n),
m=1 n=1

(17)

16

y 1 r(m, n) = MN
M m N n m =1 n =1

[u(m , n ) ][u(m + m , n + n ) ].

(18)

Para muchas clases de imgenes, 1 y 2 son valores prximos a 0.95. a o

Modelos de Covarianza

En muchas aplicaciones tal como restauracin de imgenes y compresin de o a o datos es suciente caracterizar un ensamble de imgenes por su funcin de mea o dia y covarianza. Generalmente uno comienza estableciendo una representacin o estacionaria del campo aleatorio donde la media es constante y la funcin de o covarianza se representa por los modelos separables o exponencial no separable, denidos anteriormente. Los modelos de covarianza son utiles para transformar codicacin de im o a genes, donde la funcin de covarianza se usa para determinar las varianzas de los o coecientes trasformados. Los modelos de correlacin con media y varianza que o var espacialmente, pero correlacin espacialmente invariante han sido usados an o en tcnicas de procesamiento block por block, en codicacin de imgenes y e o a problemas de restauracin. o Una alternativa para representar campos aleatorios por sus funciones de media y covarianza, es caracterizarlos como las salidas de sistemas lineales cuyas entradas son campos aleatorios con propiedades estad sticas conocidas o deseadas (por ejemplo, con entradas de ruido blanco). Tales sistemas lineales se representan por ecuaciones en diferencia y son generalmente utiles para desarrollar algoritmos de procesamiento de imgenes computacionalmente ea cientes. Adems, los algoritmos adaptativos basados sobre la adaptacin de los a o parmetros de las ecuaciones en diferencias son ms fciles de implementar que a a a aqullos basados en adaptar funciones de covarianza. El problema de encone trar un modelo en diferencia lineal estocstico que realice las covarianzas de un a ensamble se conoce como el problema de factorizacin espectral. o

Modelos Causales Unidimensionales

Una manera sencilla de caracterizar una imagen es considerarla como una seal n 1-D que aparece como la salida de un scanner, esto es una sucesin de las o o columnas. Si se ignoran las dependencias entre las o columnas, entonces los sistemas lineales 1-D son utiles para modelar tales seales. n Sea u(n) una sucesin aleatoria real y estacionaria con media cero y funcin o o de covarianza r(n). Si u(n) se considera como la salida de un sistema lineal

17

estable H(z), invariante por traslacin, cuya entrada es una sucesin aleatoria o o estacionaria (n) con media cero , esto es u(n) = H((n)), siendo H una funcin que es o Estable: la salida del sistema es uniformemente acotado para cualquier entrada acotada Invariante por traslacin: la traslacin de la entrada produce una traslacin o o o en la salida La FDE de u(n) se da por S(z) = H(z)S (z)H(z 1 ), z = ej , < Lineal: H(a1 u1 (n) + a2 u2 (n)) = a1 H(u1 (n)) + a2 H(u2 (n))

donde S (z) es la FDE de (n). Si H(z) es causal, entonces tiene serie de Laurent de una cola H(z) =
n=0

h(n)z n

y todos sus polos deben estar dentro del circulo unitario.

6.1

Modelos Autorregresivos (AR)

Una sucesin aleatoria con media cero u(n) se denomina un proceso autorreo gresivo (AR) de orden p cuando puede ser generado como la salida del sistema
p

u(n) =
k=1

a(k)u(n k) + (n),

para todo n

(19)

E[(n)] = 0,

E[((n))2 ] = 2 ,

E[(n)(m)] = 0,

m<n

(20)

donde (n) es es una sucesin de entrada estacionaria con media cero que es o independiente de salidas pasadas. Este sistema usa las p salidas ms recientes y a la entrada actual para generar recursivamente la prxima salida. Estos modelos o adquieren especial signicancia en procesamiento de seales e imgenes debido n a a que poseen varias propiedades importantes.

18

Propiedades de Modelos AR
La cantidad
p

u(n) =
k=1

a(k)u(n k),

es el mejor predictor lineal de m nimos cuadrados de u(n) basado en todo su pasado pero depende slo de las p muestras previas. Para sucesiones Gaussianas o esto signica que una sucesin AR de orden p es un proceso de Markov. Luego o (19) puede escribirse como u(n) = u(n) + (n), lo que implica que la muestra en n es la suma de su estimacin de prediccin o o causal de mnima varianza ms el error de prediccin (n), que tambin se a o e denomina la sucesin de innovaciones. o El ltro causal denido por
p

Ap (z) = 1

a(n)z n ,
n=1

(21)

se denomina el ltro de error de prediccin, debido a que genera la sucesin de o o errores de prediccin (n). o Excepto para posibles ceros en z = 0, la funcin de transferencia y la FDE o de un proceso AR verican H(z) = y S(z) = 2 , Ap (z)Ap (z 1 ) z = ej , < . 1 , Ap (z)

Para sucesiones con media , el modelo AR puede modicarse como

p

x(n) =
k=1

a(k)x(n k) + (n)

(22)

u(n) = x(n) + , donde las propiedades de (n) son como antes.

19

Identicacin de Modelos AR o
Multiplicando a ambos lados de (19) por (n), tomando esperanza y teniendo en cuenta (20), resulta que E[u(n)(n)] = 2 (n m), m n. (23)

Ahora, multiplicando ambos miembros de (19) por u(0) y tomando esperanza, encontramos que el modelo AR satisface la relacin o
p

r(n)

k=1

a(k)r(n k) = 2 (n),

para todo

n 0,

(24)

donde r(n) es la funcin de covarianza de u(n). Este resultado es importante o para la identicacin de los parmetros del modelo AR a(k) y 2 para un o a conjunto de covarianzas {r(n) : p n p}. De hecho, el modelo autorregresivo de orden p puede determinarse un vocamente resolviendo (24) para n = 0, , p. En notacin matricial, esto es equivalente a resolver las ecuaciones o normales Ra = r, r(0) aT r = 2 , donde R es la matriz Toeplitz p p r(0) r(1) r(1) r(0) R= . . . . . . r(p 1) (25) (26)

. . . r(1)

r(p 1) r(p 2) . . . r(0)

(27)

y a = (a(1), a(2), , a(p))t , = (r(1), r(2), , r(p))t . Mostramos con un ejemplo aplicaciones del modelo AR para representar l neas escaneadas de imgenes. a Ejemplo 6.1 La funcin de covarianza de una lnea escaneada de una imao gen puede obtenerse considerando la covarianza entre dos pxeles de la misma la. Los modelos 2-D dados en (15) y (16) se reducen al modelo 1-D de la forma r(n) = 2 |n| . Para ajustar a un modelo AR de orden 2, por ejemplo, resolvemos 2 1 1 a(1) a(2) = 2 2

20

lo que da a(1) = , a(2) = 0 y 2 = 2 (1 2 ). La correspondiente representacin para una lnea escaneada de la imagen es un modelo AR de primer o orden x(n) = x(n 1) + (n), u(n) = x(n) + , r (n) = 2 (1 2 )(n) (28)

con A(z) = 1 z 1 , S = 2 (1 2 ), y S(z) = 2 (1 2 )/[(1 z 1 )(1 z)], siendo la media correspondiente.

6.2

Representaciones en Promedios Mviles (MA) o

Una sucesin u(n) se denomina un proceso de promedios mviles (MA) de orden o o q cuando puede escribirse como un promedio pesado de variables aleatorias no correlacionadas
q

u(n) =
k=0

b(k)(n k),

(29)

donde (n) es un proceso de ruido blanco con varianza 2 . La FDE de un MA se da por S(z) = 2 Bq (z)Bq (z 1 )
q

Bq (z) =
k=0

b(k)z k .

(30)

Las relaciones anteriores permiten deducir que la covarianza de un proceso MA de orden q es cero fuera del intervalo [q, q].

6.3 Representaciones Autorregresivas de Promedios Mviles (ARMA) o

Un modelo AR cuya entrada es una sucesin MA lleva a la representacin o o
p k=0 q

a(k)u(n k) =

l=0

b(l)(n l),

(31)

donde (n) es un proceso de ruido blanco con varianza 2 . Esta se denomina representacin ARMA de orden (p, q). Su funcin de transferencia y FDE se o o dan por H(z) = Bq (z) , Ap (z) (32)

21

S(z) =

2 Bq (z)Bq (z 1 ) . Ap (z)Ap (z 1 )

(33)

Claramente para q = 0 el modelo es un AR(p) y para p = 0 es un MA(q).

Prediccin Lineal en dos dimensiones o

La nocin de causalidad no se extiende naturalmente a dos o ms dimensiones. o a Puesto que la causalidad no tiene importancia intr nseca en dos dimensiones, es natural considerar otras estructuras de los datos para caracterizar los modelos 2-D. Existen tres formas cannicas: causal, semi-causal y no causal, que o consideraremos para la prediccin lineal. o Estos tres tipos de modelos estocsticos tienen aplicaciones en muchos proa blemas de procesamiento de imgenes. a Los modelos de prediccin lineal considerados aqu pueden tambin usarse o e efectivamente para factorizacin espectral 2-D y estimacin espectral. o o Sea u(m, n) un campo aleatorio estacionario con media cero y covarianza o r(k, l). Sea u(m, n) que denota una prediccin lineal de u(m, n) , denida por u(m, n) =
(k,l) Sx

a(k, l)u(m k, n l),

(34)

donde a(k, l) son llamados coecientes del predictor y Sx , es un subconjunto del reticulado 2-D, llamada la regin de prediccin. o o x dependen del tipo de prediccin considerada: Las muestras incluidas en S o causal (x = 1), semicausal (x = 2) y no causal (x = 3). Con un mecanismo de escaneo hipottico que escanea secuencialmente desde la parte superior a la e inferior y de izquierda a derecha, las tres regiones de prediccin pueden denirse o como sigue.

7.1

Prediccin Causal o
S1 = {(k, l) : l 1} {(k, l) : l = 0, k 1}

Un predictor causal es aquel cuya regin de prediccin (causal) es o o

La denicin de causalidad incluye el caso especial de predictores causales de o un unico cuadrante u(m, n) =

k=0 l=0 (k,l)=(0,0)

a(k, l)u(m k, n l),

(35)

llamado predictor fuertemente causal.

22

7.2

Prediccin Semicausal o

Un predictor semicausal es causal en una de las coordenadas y no causal en la otra. Por ejemplo, la regin de prediccin semicausal que es causal en n y no o o causal en m es S2 = {(k, l) : l 1} {(k, l) : l = 0, k = 0}.

7.3

Prediccin No Causal o

Un predictor no causal u(m, n) es una funcin de todas las posibles variables o en el campo aleatorio excepto u(m, n). La regin de prediccin no causal es o o S3 = {(k, l) : (k, l) = (0, 0)}. En la prctica slo una vecindad nita Wx Sx , llamada ventana de prediccin, a o o puede usarse en el proceso de prediccin, de modo que o u(m, n) =
(k,l) Wx

a(k, l)u(m k, n l),

(m, n) Sx ,

x = 1, 2, 3.

(36)

Algunas ventanas comnmente usadas son u

. . . . . . ............................. . . . . ............................ . . . .. .. .. . .... . . . .. . . .. .................... ...... ...... . . . .. . . . . ............... ............. . . . . . .... . .... . . ............... .............. . . . . . . . .. ............... .............. . . . . . . . ............... .............. . . . . . . . . 1. . . ............... .............. . . ............... .............. . . . . . ............... ............... . . . ..... . . ............... ...... ........ 0, 0 ... .... ... . .. . .. .................................................................... .............. ....... .. .. .. .. .. .. .. ... .... ............... . . . . . . . . . . .. . . . .. . ............... ....... ..... . .... . ... .. ............ ............... ....... ............ . .......... . .. . . .. . ...... .. . . ... ............... ....... . . . . . . ............... ....... . ..... . .. . . . ............... ....... . . ... . . . . . . ............... ........ . ...................... ...................... . . . . . . . . . . . ..

1 s (a) Causal

. . . . ................. .... . . .. . ..... . ................. .... . . . ................. .... . ....... .... ...... .... . .... .... .... . . .. . . . . .. . .. . .. . .. . . . . . . . ........ . . . . . . . . . . ........ ......... .... . . . . ........ .......... .... 0, 0 . . .. . . . . ..... .. . ..... . . . ... . 2 . ...... ....... ........ ....... .. ... ..... ..... . .. . .. . .. . ... .......... . . . . . ........ . . . ........ .............. . . . . ... . . . . . ........ ......... ..... ..... . ....... ......... .... .... . . .. . . . . . . .. ... . . . . . . . . . .. . . ........ . . . . . . ......................... . . ... . .. . . . .. . ................. .... ................. .... . ................. .... . .

k w t n m 2 s (b) Semicausal

................................... ................................... ................................... ............ ............ ...... ... ...... ... . .... ... . .. . .. . . . . . ............................. ...... . . . . . . . . .... .... ................................... . . . ............................. ...... . . . . . . . ..... .... .. . .................... .. 0,.0.. ...... .... . . . . . . 3 . ... . . . . . . ..................... ......... ...... .............. . .. ... . . .. .. .. . . . .. . . ... ............... ...... .......... ...... ..... ........ . . .. . . . .................... ............n ..... .. .. .... ..... . . . ... . . .............................. ...... . .. . .. . . . . . . ........................ ...... ...... . .. . .. . . . . ...................... ....... ...... . . ... .... .... . .... ... . . ........... ..... ........... .... ...... m ................................... ................................... . . . ..... ............. ... . . .

k t 3 s (c) No causal

Causal: W1 = {(k, l) : p k p, 1 l q} {(k, l) : 1 k p, l = 0}. Semicausal: W2 = {(k, l) : p k p, 0 l q, (k, l) = (0, 0)}. No causal: W3 = {(k, l) : p k p, q l q, (k, l) = (0, 0)}. Tambin denimos e Wx = Wx (0, 0), x = 1, 2, 3.

23

Ejemplo 7.1 Los siguientes son tres ejemplos de predictores causales, semicausales y no causales, respectivamente. Causal: u(m, n) = a1 u(m 1, n) + a2 u(m, n 1) + a3 u(m 1, n 1). Semicausal: u(m, n) = a1 u(m 1, n) + a2 u(m + 1, n) + a3 u(m, n 1). No causal: u(m, n) = a1 u(m 1, n) + a2 u(m + 1, n) + a3 u(m, n 1) + a4 u(m, n + 1).

7.4

Prediccin de M o nima Varianza

Dada una regin de prediccin para formar una estimacin de u(m, n), los o o o coecientes a(m, n) se pueden determinar usando el criterio de prediccin de o mnima varianza. Este criterio requiere que la varianza del error de prediccin o se minimice, esto es, 2 = min E[2 (m, n)], (m, n) = u(m, n) u(m, n).

La condicin de ortogonalidad asociada con esta prediccin de m o o nima varianza es E[(m, n)u(m k, n l)] = 0, (k, l) Sx , para todo (m, n). (37)

Usando las deniciones de (m, n) y u(m, n), esto lleva a u(m, n) u(m k, n l) = 2 (k, l), E a(i, j)u(m i, n j)
(i,j) Wx

(k, l) Sx , para todo (m, n),

(38)

donde Sx = Sx (0, 0), x = 1, 2, 3, por la cual obtenemos r(k, l) a(i, j)r(k i, l j) = 2 (k, l), (k, l) Sx .

(i,j) Wx

(39)

24

La solucin de las ecuaciones simultneas anteriores dan los coecientes del o a predictor a(i, j) y la varianza del error de prediccin 2 . Usando la propiedad o de simetr de la covarianza, puede deducirse de la ecuacin anterior que a o a(i, 0) = a(i, 0) a(i, j) = a(i, j) para predictores causales para predictores no causales (40)

7.5

Representacin estocstica de Campos o a

Aleatorios
En general, el campo aleatorio u(m, n) puede caracterizarse como u(m, n) = u(m, n) + (m, n), (41)

donde u(m, n) es una prediccin arbitraria de u(m, n) y (m, n) es otro campo o aleatorio tal que (41) realiza las propiedades de covarianza de u(m, n). Existen tres tipos de representaciones que son de inters en el procesamiento de e imgenes: a 1. Representaciones de M nima Varianza (MVR) 2. Representaciones conducidas por Ruido Blanco (WNDR) 3. Representaciones Autorregresivas en Promedios Mviles (ARMA) o Para las representaciones de m nima varianza, u(m, n) se elige como el predictor de m nima varianza y (m, n) es el error de prediccin. Para WNDR o (m, n) se elige como un ruido blanco. En representaciones ARMA, (m, n) es un promedio mvil en dos dimensiones, esto es, un campo aleatorio con una o funcin de covarianza truncada: o E[(i, j)(m, n)] = 0, para enteros jos K > 0 y L > 0. Ejemplo 7.2 La funcin de covarianza o r(k, l) = (k, l) [(k 1, l) + (k + 1, l) + (k, l 1) + (k, l + 1)] representa un campo aleatorio MA. Su FDE es un polinomio de orden nito, bi- dimensional dado por
1 1 S(z1 , z2 ) = 1 (z1 + z1 + z2 + z2 ),

(i, j) : |i m| > K, |j l| > L,

|| > 1/4.

25

7.6 Representaciones de M nima Varianza de orden nito

Los predictores nitos de (36) llevan a MVR de la forma u(m, n) =
((k,l) Wx

a(k, l)u(m k, n l) + (m, n).

(42)

Un campo aleatorio caracterizado por esta MVR debe satisfacer (37) y (38). Multiplicando ambos lados de (42) por (m, n), tomando esperanza y usando (37), obtenemos E[u(m, n)(m, n)] = 2 . Usando los resultados anteriores encontramos r (k, l) = E[(m, n)(m k, n l)]
2

= E[(m, n) (u(m k, n l) u(m k, n l))] = (k, l)

((i,j) Wx

(43)

con a(0, 0) = 1 y usando (40), la funcin de covarianza del error de prediccin o o (m, n) es 2 (k, l), p.t. (k,l) para MVR causal p 2 (l) a(i, 0)(k + i), p.t. (k,l) para MVR semicausal r (k, l) = i=p q 2 p a(i, j)(k i)(l j), p.t. (k,l) para MVR no causal
i=p i=q

a(i, j)(k i, l + j) ,

8 Principios de Informacin de Imgenes o a SAR

Cuando intentamos extraer informacin de imgenes de radar de apertura sino a ttica (SAR), debemos distinguir dos tipos de propiedades de las imgenes. La e a ms importante es dnde las propiedades de la escena ejemplo, su geometr a o a, su movimiento, etc. producen efectos en la imagen; por lo tanto un examen de la imagen puede proveer informacin acerca de la escena. El segundo tipo se o genera exclusivamente por el sistema y procesamiento de se ales. n Nuestro objetivo se centrar en establecer un modelo ideal para una imaa gen SAR y mostrar que muchas propiedades intr nsecas se determinan por un pequeo nmero de elecciones en el diseo del sistema. n u n

26

El SAR es esencialmente un articio complicado cuyo propsito es simpleo mente medir la interaccin local entre la supercie de la Tierra y una onda o incidente. Una mayor calidad de imgenes SAR de esta interaccin puede ser a o producida por sistemas modernos. Los mtodos para extraer informacin de datos SAR deben tener en cuenta e o el conocimiento de cmo es el mundo real. Para esto es fundamental establecer o modelos viables para los datos, en los cuales la informacin pueda ser relacionao da a parmetros medibles y su disposicin espacial. Una dicultad primaria a o al tratar de obtener informacin de imgenes SAR es que todas las mediciones o a o inferencias a partir de los datos deben tener en cuenta el ruido (speckle). Estudiaremos propiedades bsicas del speckle y cmo se maniestan en difea o rentes tipos de imgenes que pueden formarse cuando se obtienen datos SAR a complejos. La teor para el speckle de un unico canal permite un modelo para a los datos en el cual la informacin es transportada por la intensidad promedio o o RCS (coeciente de retrodispersin) en cada p afectado por el ruido. No o xel obstante, la informacin contenida por p es muy baja dentro de los blancos o xel extensos, puesto que en este caso un gran nmero de p u xeles deben ser caracterizados por un pequeo nmero de parmetros. Aumentar el nmero de p n u a u xeles sirve para mejorar la estimacin del parmetro. Con este objetivo analizareo a mos el proceso llamado multilooking que reduce la resolucin espacial a n o de mejorar la estimacin del RCS en cada p individual. o xel Tambin introduciremos el modelo de ruido multiplicativo en el cual datos e SAR de un unico canal son tratados como el producto de un RCS subyacente y un proceso de ruido estacionario, correspondiente al speckle. El coeciente de backscatter o de retrodispersin, llamado Radar Cross Seco tion (RCS), est denido como la razn entre la energ que hubiera emitido el a o a sensor si la misma hubiera sido totalmente dispersada en forma isotrpica y la o energ recibida por el sensor. Llamaremos a la primera E1 y a la segunda E2 , a entonces = E1 . E2

Usualmente se expresa el coeciente anterior en decibeles, por lo que nalmente queda 0 = 10 log E1 . E2

8.1

Geometr de imgenes de radar a a

La teor bsica de la geometr SAR consiste en una plataforma que se mueve a a a con velocidad V y altitud h que transporta una antena de radar que ilumina la supercie de la Tierra con pulsos de radiacin electromagntica. La direccin de o e o

27

la trayectoria de la plataforma (direccin de vuelo) se conoce como la direccin o o azimut ; mientras que la direccin perpendicular a esta ultima se denomina o direccin del rango. Esta geometr se muestra en la gura o a

A continuacin denimos sus elementos ms importantes. o a 1 Visin lateral. o Una plataforma desplazndose a una velocidad V y altura h lleva una a antena de radar de observacin lateral que ilumina la supercie de la o tierra con pulsos de radiacin electromagntica. o e La zona rayada es la iluminada por la antena y la zona barrida por el radar al desplazarse es la franja cuyo ancho va desde el alcance cercano

28

hasta el alcance lejano. El radar emite una sucesin de pulsos de radiacin o o electromagntica y al captar la energ reejada por la tierra obtiene una e a sucesin de ecos (retornos) con los que se generar la imagen. o a Los retornos provenientes de los distintos puntos en el terreno en el caso de visin vertical arribarn al mismo tiempo, en cambio, en la visin lateral o a o lo harn a distintos tiempos. Este hecho permite distinguirlos entre s y a calcular su distancia al radar en la direccin de vuelo o rango. Es por ello o que es necesaria la visin lateral. o 2 Resolucin en la direccin del Rango. o o La direccin del rango es la perpendicular a la direccin de vuelo. El o o rango de un punto sobre la tierra puede medirse como la distancia del mismo a la trayectoria de vuelo (Rango Oblicuo: Slant Range) o como la proyeccin de esta distancia sobre la tierra (Rango de Tierra: Ground o Range). La resolucin de una imagen de radar en la direccin del rango o o se determina por la longitud del pulso, que es la longitud f sica de la seal n de microonda. La longitud del pulso es la longitud de la luz multiplicada por la duracin de la transmisin. Longitudes de pulso ms cortas dan o o a una mejor resolucin, aunque menos iluminacin sobre la supercie, y o o por lo tanto una seal de retorno ms dbil. Luego para asegurarse que n a e una seal de retorno sea sucientemente fuerte, a n de dar una imagen n denida, los sistemas de radar son limitados en la resolucin del rango o que pueden alcanzar.
. . .... ..... ......... ................... .................. ... .. .... ... .... . .. . . .. .............................. . ............................. . . . .... . ....... .. .... . .... . .... . .... . .... ... . . .... .... . . .... ... . .. ... . ... .... .... ....... . . .. .... . . .... .. . .... . .. . .... . . ...... .... . . .. .... .... . .... . .... .... .. .... ........ .... . . . . .... .... . . .... . .... . .... . .... . . .... . .... . .... . .... . .... .... . . .... . .... . .... . .... . .... . .... . . .... . .... . .... . .... . . .... . .... . .... . .... . .... . . .... . . .... . . .... . . . .... . .... . .... . .... . . .... . . .... . . .... . . .... . . .... . .... . .... . . .... . . . .... . . .... . .... .... . .. . .... . .... . . ... . ..... .... . .. . .... ...... . . . .... .... . . .. . .... .. .. . . ...... . . .... .... . . ... . . .. . . ................................................................................................................................................ . .............................................................................................................................................. . ....

Ra ngo

= Angulo de Incidencia = Angulo de Depresin o = Angulo de Visin o

O bl i c. (SR )

Rango de la Tierra(GR )

Si el radar emite pulsos de duracin , la resolucin del mismo min o o queda determinada por la frmula o min = c , 2

donde c es la velocidad de la luz. Esta corresponde a la resolucin en el o rango oblicuo.

29

La resolucin en el rango de la tierra es o min c = , sin 2 sin donde es el ngulo de incidencia lejano. a 3 Resolucin en la direccin Azimutal. o o Radar de Apertura Sinttica vs. Radar de Apertura Real. e El Radar de Apertura Sinttica posee la ventaja de que la resolucin e o azimutal es independiente de la distancia, y puede ser tan pequea como: n L , 2 donde L es la longitud de la antena. Este hecho resulta paradjico a primera vista, ya que mejoramos la reo solucin reduciendo el largo de la antena y, por lo tanto, ensanchando el o haz de radiacin de la misma. o Esto ocurre porque, en el procesamiento que se realiza a los pulsos captados por el radar, la posicin de un punto sobre la tierra se determina en o base a la historia de fase del mismo. La historia de fase permite una mejor ubicacin de la posicin azimutal de o o un punto cuanto mayor sea su duracin, y esta duracin es directamnete o o proporcional al ancho del haz. Durante el procesamiento de los pulsos captados por el radar, se sintetiza una antena de muy alta resolucin. Adems, durante este procesamiento, o a pueden sintetizarse varias pasadas sobre la misma regin con un solo juego o de datos. Las imgenes generadas por dichas pasadas corresponden a antenas sinta e ticas que observan la regin desde ngulos ligeramente diferentes entre s o a . A cada una de estas imgenes se las denomina un look. Al promediarlas a entre s se genera una sola imagen multilook la cual es de ms fcil inter a a pretacin visual gracias a la reduccin del fenmeno de speckle respecto o o o de una imagen ordinaria (de un solo look). En el SAR la resolucin azimutal est limitada por o a h , cos donde h es la altura de vuelo, la longitud de onda y el ngulo de a incidencia. Vemos que para tener mejor resolucin a una longitud de onda ja, o debemos reducir h y aumentar L (es decir, vuelo bajo y antena grande).

30

Varios ngulos son importantes de denir en la geometr de un sistema de a a radar como son: ngulo de incidencia (): a Es el ngulo entre la direccin de propagacin de onda y la normal a la a o o supercie; el ngulo con el que incide la radiacin sobre la tierra. Crece con a o la distancia en la direccin del rango, decrece a medida que la pendiente o del terreno aumenta. La seal de retorno disminuye cuando aumenta el n a ngulo de incidencia local. Dependiendo de la altura del radar sobre la supercie de la tierra, el a ngulo de incidencia variar desde el alcance cercano al alcance lejano, a lo que a su vez inuye en la geometr de la observacin. Debido a esta a o variacin, la iluminacin del terreno resulta ms oblicua. Por lo tanto, o o a el sombreado se hace ms pronunciado hacia el alcance lejano. Puede a obtenerse informacin sobre la altura del objeto sensado a partir de las o sombras. ngulo de depresin (): a o Es el ngulo entre la horizontal y la direccin de propagacin de onda, a o o luego es el complemento del ngulo de visin. a o ngulo de Azimut y Squint: a El ngulo Azimut es el angulo entre la direccin azimut y la direccin rana o o go, usualmente es un ngulo de 900 . El ngulo Squint es el complemento a a del ngulo Azimut, luego es usualmente de 00 . a El sistema de radar registra la ubicacin de objetos usando la distancia o del sensor al objeto a lo largo de la l nea de visin, ms que a lo largo de la o a supercie. Esta geometr es referida como geometr de visin lateral. a a o
. . . ........... ........ ................. ................... .... ... . .... ... ................................................................. ................. ............................................... ... ... .. ... . . .. .... . .... . ... . .. ...... . .. ... . .. ... . .. ... . . ... ... ... ... . . . ... . . . . ... ... . . . . . ... ... . . ... ... . . . ... ... . . . .. ... . ... . . . ... ... . . ... ... . . . ... ... . . . . ... . . ... . . ... . ... . . ... ... . . . ... ... . . . . ... . ... . . ... . ... . . . ... ... . . . . . ... .. .. ... . . ..... .. . . ... . ... . .. . ... . ... . ....... . . . ...... . ... ... . .... . . . .... . . ... . ... . . .... . . ... .... ... . . . .... . ... . ... . .... . . ... .... . ... . . .. .... . . ... ... .... . . ... . . ... . ... ... . .. . .... . ... ... . . ... .. .. . . .... . . . . ... ............................................................ .......................................................... .. . . . . .. ... . ....... 1.. . . . . .. ... .... .. ... .. . .. .. . . .... . . . . . . ...... . .. . . ........................................................... ........................................................... . . . .... .. . .... ... . . .. .. .... .. .. . .. ...... ... . . .... .... . .... .... .. . . . .. .. .... . . .... . . .. ... . .... .. . . .. ... .. ...... 1 .. .... .. . . .... . . .. ...... ... ... . ... .. . ... . .. .. .. . .. .... . . ... .... . . ... . . .. .. .. . .. .... . .. .. ..... ... . .... . . . . . . .... . . .. .. ... . . .. .. .... . .. .. ..... . .. ..... . ... .... . . . . ... .. .... . .. ... .. .. . .. . . .. .. .. . .... . ..... ..... . . . ... . . ... ..... ... .. .. ... ..... .. . . . .. .. .. ..... . . . . . . .. .. ... . ... .. .. ..... ... .. .. .. ...... 1.. ... ..... . . . . . ... .. . .. ... .. . .. .. . ... . .... .. ... .. . .... .. .. . . ... . . . . . ... .. .. ... ... . . .. .. . .. ... .. . .. ... .. ...... .. . . . . . . . . . . . ... ..... .. .... ...... .. . ... .. .. ...... ... .. ... . . .. .. .. .. . . .. .. . . . ... . ...... . . . .. ... .... . ........ .. ... ..... ... ... ... ... . . . . ... . . . ........ ........ .. . . ... . .. . . . .. . . . .. . .................. .. . ........ ..... . . .... . .. .. . . . .... ...................... .... ................. .. ......... ..... . .. . . ........ ...... .. ... .. .. ........ .. ... .. . . . ............................................................................................................................................................................................................... .......................................................... ............... ................................................................ .................................. .............................. . .. . ... .. .. .. ... . .... .. . ... ... . . . .. . . .. . . .. . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. .............................................................. .............................................................. . .. . ................................. ................................. . . . . .. .. . .. . . . .

NR = Rango Cercano MR = Rango Medio FR = Rango Lejano

A Imagen del Rango Obl cuo B MR C FR

NR

B C Rango de la Tierra

31

Todas las distorsiones siguientes se deben al hecho que el radar colecciona datos originalmente a lo largo del rango de inclinacin, ms que del rango del o a suelo: Foreshortening: es una distorsin topogrca, en la cual la pendiente del o a terreno que mira hacia el sensor del radar aparecer mucho ms corta a a que la pendiente que mira lejos del sensor, an cuando ambas pendientes u sean de igual longitud. El efecto es ms pronunciado para pendientes ms a a empinadas, y mayores angulos de depresin. o Layover: es una distorsin topogrca, en la cual la parte ms alta de o a a un objeto topogrco aparece desplazada horizontalmente hacia el rango a cercano en relacin a su base. El layover hace que elementos montaosos o n en imgenes de radar aparezcan plegados hacia el sensor. El efecto es a ms pronunciado para pendientes ms empinadas, y mayores ngulos de a a a depresin. o Sombra del Radar: la retroinclinacin (lejos de la pendiente del rango) de o un elemento topogrco es oscurecida por el rayo del radar, resultando a en un no retorno de tal rea. La longitud de una sombra del radar puede a usarse para determinar el ngulo de pendiente del terreno y un realce a relativo del elemento.

8.2

Parmetros del sistema SAR a

La frecuencia de la onda electromagntica emitida por la antena del radar se e denomina frecuencia de emisin. Otros parmetros en el sistema SAR son: o a Polarizacin. La polarizacin emitida por el radar es polarizada, esto sigo o nica que el vector campo elctrico tiene una direccin determinada, que puede e o ser vertical, horizontal (respecto del plano de la tierra) o tener ambas componentes. Al ser reejada, la radiacin experimenta, en general, una rotacin del o o vector campo elctrico. Entonces se debe decidir si se capta la componente e horizontal del mismo, la vertical o ambas. Por lo tanto, existen cuatro posibilidades: HH, HV, V H, V V , donde la primera letra se reere a la seal emitida n y la segunda a la recibida. Velocidad y pulsos/segundo. De la velocidad de desplazamiento del radar y de la cantidad de pulsos por segundo que ste emita, depende el espae ciamiento entre las l neas de la imagen generada. Swath. Es el ancho de la zona barrida por el radar y corresponde al ancho de las imgenes. a

32

8.3

La naturaleza de la informacin en imgenes SAR o a

La cantidad bsica medida por un SAR de una unica frecuencia y unica polaria zacin en cada p es un par de voltajes en los canales fase y cuadratura. Los o xel valores medidos representan los efectos de la escena sobre la onda transmitida, pero no en forma directa. En primer lugar, el ancho de banda nito del sistema tanto en rango como en azimuth implica que los valores medidos sean promedios ponderados de una regin determinada por la funcin de dispersin puntual del o o o SAR. En segundo lugar, se necesitan aplicar numerosas funciones de peso en el procesamiento para convertir los voltajes medidos a unidades geof sicas correspondientes a la reectividad compleja, RCS o coeciente de retrodispersin de la escena. Con esas condiciones, las mediciones hechas por el SAR son o fundamentalmente determinadas por procesos de dispersin electromagntica. o e Desde el punto de vista de la teor electromagntica, son importantes dos a e enfoques. El primero de ellos es el Problema Directo, en el cual las propiedades del medio dispersante y la onda entrante se especican y se usan para predecir el campo donde se dispers la seal. Soluciones a este problema se obtienen o n frecuentemente slo imponiendo restricciones considerables sobre el scattering o medio, por ejemplo, suponiendo que todas las longitudes de escala en el medio son grandes (o pequeas) relativas a la longitud de onda, o que solamente la n supercie (no volumen) es observada (o viceversa), o que los efectos de sombra se pueden ignorar. Otra debilidad de la mayor de los enfoques de modelacin incluyen: a o La suposicin de ondas planas innitas y media innita, en lugar de la o imagen donde tenemos una escena estructurada. Su habilidad para producir solamente momentos de orden bajo del campo de dispersin (frecuentemente slo el coeciente de retrodispersin medio), o o o mientras son importantes los momentos de orden superior como fuentes de informacin, especialmente los momentos de cuarto orden son necesarios o para describir la varianza de la intensidad y correlacin, que son cr o ticos en el anlisis de textura. a Ellos proveen slo una parte del conocimiento necesario para discutir inforo macin en imgenes SAR y pueden frecuentemente ser irrelevantes (por ejemo a plo, cuando las estructuras dentro de la escena son muy heterogneas). An e u dentro del contexto de la teor electromagntica, el Problema Directo no es a e lo que realmente interesa cuando tratamos con informacin en imgenes SAR. o a Lo ms importante es el Problema Inverso: qu propiedades de una escena a e desconocida pueden inferirse a partir de la seal retrodispersada observada? n Los mtodos para resolver el Problema Inverso en forma matemtica son e a naturalmente presentados en trminos de los mismos modelos que para el Probe lema Directo, con las mismas limitaciones, y son normalmente dicultosos.

33

No obstante, el origen real de la dicultad en el Problema Inverso no es la matemtica sino que existe escasa informacin para proveer una unica solua o cin. En otras palabras el nmero de parmetros necesarios para caracterizar o u a la escena observada en el modelo excede el nmero de mediciones indepenu dientes obtenibles por el sensor. En este caso, la dimensionalidad del espacio paramtrico puede reducirse asumiendo que algunos parmetros se conocen o e a que la solucin no es sensible a ellos (esos parmetros entonces no son medibles o a a partir de las observaciones, pero el acceso a los otros parmetros es posible). a An cuando una inversin apropiada sea posible, las mediciones frecuentemente u o fallan en conrmar la teor reejando de alguna forma la falla de la teor para a, a captar la relevancia f sica del proceso de dispersin. o Esos enfoques para describir informacin en imgenes SAR a travs de la o a e teor electromagntica tienen la ventaja aparente de que ellos aplican la seal a e n observada en propiedades f sicas de la escena, tal como constante dielctrica, e factores geomtricos (por ejemplo: tamao, peso y rugosidad), y condiciones e n de polarizacin. Al hacerlo ellos proveen una relacin entre las observaciones o o y ciertas cantidades medibles sobre el suelo. Generalmente, ambos Problemas Directo e Inverso requieren algn conocimiento a priori antes de ser llevados a u cabo. El primer requerimiento es que la regin en las que ellos se aplican sean o homogneas en algn sentido, por ejemplo se sabe que la regin est formada e u o a por bosque. La teor f a sica sin una teor de medicin adecuada asociada no es del todo a o f sica: capturar la percepcin visual en mediciones, si es posible, abre el camino o al entendimiento cuantitativo de la imagen. Los modelos para los datos son en la mayor de los casos dependientes de un pequeo nmero de parmetros que a n u a proveen ventajas, siempre y cuando ellos sean consistentes con los datos: Toda la informacin obtenida es representada por algunos pocos parmetros. o a Es posible desarrollar procedimientos de estimacin slidos y cuanticar o o la adecuacin con la que los parmetros pueden obtenerse. o a

Existe una base rigurosa sobre la cual desarrollar tcnicas de anlisis de e a imgenes, tal como ltrado, clasicacin y deteccin de blancos. a o o Nuestro enfoque para modelar datos es sistemtico y progresivo. Comena zando por las propiedades de la imagen derivamos descripciones f sicas y/o fenomenolgicas de los datos para proveer nuestro modelo. Examinamos los o tipos de caracter sticas de la imagen sobre las cuales el modelo es aplicable; stas var generalmente con las caracter e an sticas del sensor, siendo la resolucin particularmente importante. En combinacin con un modelo real van o o incorporando tipos de conocimiento general acerca de la escena (por ejemplo, un rea agr a cola probablemente contiene campos de un unico cereal). Se usa el modelo para los datos para formular tcnicas de interpretacin de la imagen que e o son ptimas en algn sentido. Estos proveen una imagen modicada en la cual o u

34

la informacin es ms n o a tida que en la imagen original. Cuando las tcnicas de e interpretacin son locales, nos interesa la reconstruccin de alguna propiedad o o subyacente de la imagen; esto es esencialmente un ltrado de la misma. Cuando el modelo impone una descripcin a gran escala, estaremos interesados en la o estructura de la imagen. Se elige la escala de acuerdo al contexto de una aplicacin: qu propiedades de la realidad resultan detectables o medibles como o e resultado de la tcnica de interpretacin? e o Aunque hemos descripto las mediciones como un tema central, stas necesie tan alguna interpretacin. Para deteccin de blancos en datos de un slo canal, o o o se necesita frecuentemente la calibracin de la imagen debido a que no estamos o interesados en mediciones precisas del RCS o coeciente de retrodispersin, soo lamente el contraste entre el objetivo y su ambiente. Consideraciones similares se aplican si nuestro inters est en cartograf estructural. Para detecciones de e a a blancos, especialmente si se combinan canales mltiples, la calibracin se vuelve u o de mayor inters, aunque la calibracin relativa puede ser ms importante que e o a la absoluta. La nocin de informacin y su relacin a mediciones tambin necesita alguo o o e na calicacin. Particularmente en escalas grandes, encontramos dicultades o de consistencia entre un modelo explotable para los datos y el conocimiento humano del mundo real. La distincin entre informacin descripta por mediciones y la derivada del o o conocimiento y las aplicaciones necesitan entonces ser ms exactas. a

Tipos de Imagen de un unico canal

Speckle
Cuando observamos una imagen, inmediatamente reconocemos formas, objetos, l neas, y regiones, algunas de las cuales se distinguen por su brillo, otras por sus cualidades de textura. Tambin, sobre todo en regiones grandes, con diversos e campos, generalmente observamos que los p xeles muestran una variabilidad considerable. Por lo tanto, es pertinente preguntarnos cul es el origen de esta a variabilidad y cuando un p xel individual en un blanco extenso puede decirse que transporta informacin. o Antes de responder a estas cuestiones necesitamos reconocer que una imagen involucra una eleccin de cmo se muestran las mediciones por el SAR que se o o ha usado. Hemos visto que la cantidad geof sica que es determinante en los datos SAR es la reectividad compleja del radar de la escena y que el SAR provee una medicin de esa reectividad. Cualitativamente la reectividad o compleja expresa el hecho que cuando una onda electromagntica se dispersa e desde la posicin (x, y) sobre la supercie de la Tierra, las propiedades f o sicas

35

del terreno causan cambios tanto en la fase, (x, y), como en la amplitd, A(x, y) de la onda. El SAR, de hecho mide el par (A cos , A sin ) en los canales fase y cuadratura del receptor, ponderado por la PSF (funcin de dispersin puntual) o o del SAR. Esta estimacin de la reectividad local en cada p puede tambin o xel e i , de esta forma los datos SAR se representarse por el nmero complejo Ae u conocen como imagen compleja. Desde la imagen compleja puede obtenerse una gran variedad de otras imgenes, por ejemplo, imgenes de la parte real A cos , de la parte imagia a naria A sin , la amplitud A, la fase , la intensidad I = A2 , o la log intensidad log I. Generalmente las imgenes de la parte real e imaginaria muestran alguna a estructura que puede aparecer extremadamente ruidosa o difusa, la imagen de fase es similar y no muestra estructura, mientras que las imgenes de amplitud, a intensidad y log intensidad, aunque con ruido, son claramente ms fciles de a a interpretar. Las caracter sticas de calidad difusa de estos tipos de imagen se conoce como speckle. Cuando la onda interacta con el blanco, cada fuente de dispersin conu o tribuye a la onda retrodispersada con un cambio en fase y amplitud, de modo que la modulacin total retornada de la onda incidente es o
N

Ae

=
k=1

Ak eik .

(44)

Esta suma es sobre el nmero total de fuentes de dispersin iluminados por u o el rayo incidente; incluye los pesos impuestos por la PSF del SAR y cualquier efecto de atenuacin causado por el proceso de dispersin y propagacin. Las o o o amplitudes Ak y las fases k no son observables debido a que los fuentes de dispersin individuales son de escalas mucho ms pequeas que la resolucin o a n o del SAR, y existen normalmente varias de tales fuentes por celda de resolucin. o Una conclusin inmediata de (44) es que la seal observada ser afectada o n a por los efectos de interferencia como una consecuencia de las diferencias de fases entre fuentes de dispersin. En realidad, el speckle puede entenderse como un o fenmeno de interferencia en el cual el origen principal de la calidad ruidosa de o los datos observados es la distribucin de los trminos k . Como un resultado, o e podemos pensar en la prctica que las fases k se distribuyen uniformemente a en [, ] e independiente de la amplitud Ak . La suma (44) entonces se mira como un camino aleatorio en el plano complejo, donde en cada paso la longitud Ak est en una direccin completamente aleatoria. Para un gran nmero de a o u fuentes de dispersin estad o sticamente idnticos, el anlisis revela que: e a 1. Las componentes observadas en fase y cuadratura, z1 = A cos y z2 = A sin , sern variables aleatorias Gausianas independientes e identicaa mente distribu das con media cero y cuya varianza /2 se determina por

36

las amplitudes Ak , esto es, tienen funcin densidad de probabilidad cono junta (FDP) dada por Pz1 .z2 = 1 exp
2 2 z1 + z2 .

(45)

2. La fase observada ser distribu uniformemente sobre [, ]. a da 3. La amplitud A tendr una distribucin Rayleigh a o PA (A) = con media 2A A2 exp A 0, (1 /4). (46)

/2 y desviacin estndar o a

a o 4. La intensidad observada es I = A2 tendr una distribucin exponencial negativa PI (I) = 1 I exp I 0, (47)

con media y desviacin estndar . o a 5. La log intensidad D = ln I tiene una distribucin Fischer-Tippett o PD (D) = eD eD exp , (48)

cuyo valor medio y varianza son ln E y 2 /6 respectivamente. El s mbolo E denota la constante de Euler con valor aproximado 0.57722. Las distribuciones 1 a 5 (para imgenes muy homogneas) son de importana e cia fundamental en la manipulacin de datos SAR. Notemos que, con excepcin o o de la distribucin para la fase, ellas se caracterizan por un unico parmetro , o a que transporta toda la informacin acerca del blanco. A partir de (47) vemos o que corresponde a la intensidad promedio. Observamos adems que las diferentes representaciones de los datos llevan a diferente cantidad de informacin acerca de blancos extensos en la escena. La o fase no lleva informacin debido a que su distribucin es independiente del o o blanco. Los canales real e imaginario proveen informacin pero requieren el o ojo para estimar la desviacin estndar local para detectar diferencias entre reo a giones. Los datos de amplitud llevan la informacin en su valor medio, aunque o difusa (con ruido) debido a la forma de la distribucin de Rayleigh. Los datos o de intensidad tienen un rango dinmico ms amplio que los datos de amplitud a a debido a que el coeciente de variacin es mayor para la distribucin exponeno o cial que para la de Rayleigh, para los datos de amplitud es 0.52, mientras que para los datos de intensidad es 1.

37

La observacin que muchos blancos extensos obedecen al modelo simple o del speckle, permite responder parcialmente a nuestra pregunta acerca de si un p xel de la imagen transporta informacin. Considerado aisladamente, cao da p xel provee una medicin real de la potencia o amplitud retrodispersada. o Cuando un p se forma por varias fuentes de dispersin elementales, la potenxel o cia observada es una estimacin de un RCS subyacente cuyo valor se oculta por o efectos de interferencia. Si el p xel es parte de blancos uniformemente repartidos, la informacin por p es baja puesto que la coleccin de p o xel o xeles en el blanco puede proveer solamente un nmero util, . Mayor nmero de p u u xeles reducen el error de estimacin de cuando promediamos p o xeles. El valor de la intensidad en cada p de un blanco repartido puede mirarse xel como una estimacin escalada de 0 (coeciente de retrodispersin promedio o o para blancos extensos) o, si la correccin de rea no se ha hecho, el RCS medio o a de cada p xel. Con esta observacin frecuentemente usaremos el trmino RCS o e o seccin transversal para referirnos a la intensidad media, an cuando los o u datos no han sido propiamente calibrados. Un punto a destacar es la necesidad de distinguir el valor medido en un p xel y el valor del parmetro . De acuerdo a (44) el valor observado en a cada p es el resultante de ondas Huygens interferentes, salvo que un unico xel scatterer domine completamente el retorno. Luego el valor de es espec co para cada p xel; el valor medido es justamente una muestra de la distribucin o parametrizada por . Para hacer esto ms claro, notemos que la intensidad a media en un p se da, de acuerdo a (44), por xel
N N

E[I] = E[A2 ] =
j=1 k=1

E[Aj Ak ei(j k ) ].

Suponiendo que la amplitud y la fase en cada scatterer son independientes de los otros y que las fases de scatterers diferentes son independientes y distribu dos uniformemente tenemos
N

E[I] =
k=1

E[A2 ]. k

(49)

Luego, la intensidad media se determina por la suma incoherente de la intensidad media de todos los scatterers y es independiente de su conguracin o geomtrica (suponiendo que las orientaciones no se cambian). No obstante, e cambios en la posicin de las fuentes de dispersin cambiarn todas las relao o a ciones de fase en el proceso, alterando la intensidad observada, pero sin alterar el parmetro . En este sentido, la intensidad observada en un p es detera xel min stica y repetible pero para el propsito de medicin es mejor considerarla o o como aleatoria y como una estimacin de . o

38

10

Estimacin del RCS en datos multilook o

Puesto que es el parmetro de inters, es pertinente preguntarnos cmo mejoa e o ramos su estimacin para un p o xel dado. Usando (45), se demuestra que la estimacin de mxima verosiminlitud (EMV) de , dadas las componentes en o a a fase y cuadratura (z1 , z2 ), se d por
2 2 = z1 + z2 = I,

(50)

esto es, la intensidad observada. Puesto que las distribuciones (46) a (48) son todas transformaciones del par de nmeros (z1 , z2 ), todas llevan a la misma estiu macin de . Luego, si no se tiene ninguna suposicin o conocimiento anterior, o o la mejor estimacin de en un p dado es formar la imagen intensidad. o xel Se puede mejorar la estimacin de , dadas L mediciones independientes, se o promedien en intensidad (frecuentemente este promedio se denomina incoherente debido a que se descarta toda la informacin de fase). Es fcil probar que o a se obtiene de esta forma un estimador de mxima verosimilitud de dadas L a mediciones independientes e idnticamente distribu e das en un p combinando xel mediciones en esa posicin. Puesto que es la potencia media, sto sugiere o e forma exponencial con media . Adems, de acuerdo a (47), se preserva el a valor medio mientras reduce la varianza de las mediciones a /L. Se pueden obtener mediciones independientes separando la apertura sinttica e del ancho de banda del Doppler. Las imgenes separadas se denominan looks, de a modo que este proceso de promediar la intensidad se conoce como multilooking, y la imagen resultante se conoce como L look. La premisa fundamental del multilooking es que cada look deber estimar el mismo RCS, por lo tanto es a importante que los looks deban estar en la misma posicin, casi simultnea, o a y sin distorsin radiomtrica relativa. Tambin necesitan estar en la misma o e e frecuencia y conguracin de polarizacin. No obstante, pueden ocurrir difeo o rencias entre looks debido a ngulos de visin algo diferentes usados en cada a o look. Un segundo enfoque para mejorar la estimacin de en una posicin dao o da depende de hacer suposiciones acerca de las propiedades espaciales de . Quizs la ms simple de esas suposiciones es que el RCS es constante sobre a a algn entorno alrededor del p u xel de inters (escena homognea). En este cae e so, dados L valores de p xeles independientes, la situacin es estad o sticamente idntica a la descripta previamente, donde looks independientes en el mismo e punto se forman en el procesador. Luego, nuevamente las mediciones debern a combinarse promediando en intensidad. Ambos casos son conocidos como multilooking, aunque ellos contienen diferentes tipos de informacin a n de mejorar o la precisin radiomtrica. En el primer caso, la variacin angular en el RCS o e o es ignorada, mientras que en el segundo, se pierde la variacin espacial. Amo bos proveen estimaciones adecuadas de sobre un blanco uniforme, pero en

39

regiones heterogneas los dos mtodos pueden proveer estimaciones muy difee e rentes del RCS medio en una posicin dada, debido a los diferentes anchos de o la PSF. Notemos que en ambos casos la resolucin espacial se habr degradado. En o a el primer caso esto se debe a que cada look usa solamente una fraccin 1/L o del ancho de banda disponible, luego la resolucin se degrada por el factor o L. El segundo caso es ms complicado, puesto que el proceso de promediar a acta como un ltro de pasa-bajo; el valor asignado a la resolucin despus del u o e ltrado depende de la denicin precisa de la resolucin que se ha usado. Ambos o o casos resultan ser complicados cuando los looks no son independientes, tal como ocurre si los looks se forman con anchos de banda del Doppler que presenten solapes en el dominio de frecuencias o si los p xeles son correlacionados en el dominio espacial. La intensidad promedio L look resultante es 1 I= L
L

Ik ,
k=1

(51)

e das con medonde los Ik son variables independientes e idnticamente distribu dia , por lo tanto I (que en realidad deber amos denotar con I) tiene una distribucin gamma con parmetros L y 1/ o a PI (I) = 1 (L) L
L

I L1 eLI/ .

(52)

La intensidad promedio tiene momentos E[I m ] = (m + L) (L) L

m

I 0.

(53)

o en particular E[I] = y var(I) = 2 /L. La relacin anterior motiva la denicin del nmero equivalente de looks (NEL) como o u N EL = (media)2 , varianza (54)

donde los promedios son llevados a cabo en intensidad sobre blancos uniformemente distribu das. El NEL es equivalente al nmero de valores de intensidad u independientes promediados por p xel.

10.1

El Modelo de Ruido Multiplicativo para el RCS

El modelo Scatterer discreto para blancos extensos implica que toda la informacin en cada p en datos de un unico canal, es transportada por la potencia o xel

40

media incoherente, , apropiada para su conjunto particular de scatterers. La intensidad observada en cada p entonces tiene la probabilidad condicional xel PI (I) = Haciendo el cambio de variable I = n, resulta la FDP Pn (n) = en n 0. (57) (56) 1 I/ e I 0. (55)

Luego, la intensidad observada en cada punto puede mirarse como un valor determin stico RCS multiplicado por la unidad media speckle distribu expodo nencialmente. Equivalentemente, la reectividad compleja en cada p puede xel escribirse como S = S1 + iS2 = (m1 + im2 ), (58) donde la contribucin al speckle (voltaje) m1 + im2 tiene F DP o Pm1 ,m2 (m1 , m2 ) = 1 exp (m2 m2 ), 1 2 (59)

esto es, las componentes del speckle en fase y cuadratura son variables aleatorias independientes e idnticamente distribu e das en forma normal con media cero y varianza 1/2. Anlogamente, para datos L look, la descomposicin (56) es posible, donde a o n es ahora una unidad media con distribucin gamma con parmetro de orden o a L. Esta formulacin de las imgenes SAR como un RCS determin o a stico modulando a un proceso speckle estacionario permite una descripcin del speckle o como un ruido multiplicativo, aunque es un fenmeno de interferencia repetible. o Aunque el RCS subyacente a los valores observados es esencialmente determin stico, su magnitud es desconocida y normalmente es ms util describirla a por un modelo probabil stico. Dado un conjunto de N p xeles, necesitamos considerar la distribucin conjunta del RCS = (1 , 2 , , N ) y los valores o del speckle = (n1 , n2 , , nN ). Si suponemos que los valores del speckle son independientes entre s y del RCS, podemos escribir
N

P () = P ()
k=1

Pn (nk ).

(60)

41

La correspondiente intensidad = (I1 , I2 , , IN ) se dan por Ik = k nk . Un cambio de variables lleva a la distribucin conjunta de intensidad y speckle o
N

PI (I) = P (I1 /n1 , , IN /nN )

k=1

Pn (nk ) . nk

(61)

Integrando con respecto al speckle obtenemos la F DP conjunta de la intensidad como

N

PI (I) =

P (I1 /n1 , , IN /nN )

k=1

Pn (nk ) d. nk

(62)

Luego podemos, en principio, encontrar la distribucin conjunta de la intensio dad correspondiente a cualquier distribucin conjunta del RCS. o

11
11.1

Modelos para los datos

Introduccin o

Derivar informacin de imgenes SAR es un proceso en el cual los datos de la o a imagen son interpretados a la luz del conocimiento a priori que es encapsulado en modelos para los datos y las propiedades de la escena. Mostraremos cmo o diferentes modelos permiten extraer informacin ptima para la interpretacin o o o de una imagen.

11.2

El modelo producto

Un progreso signicativo en el entendimiento de las propiedades de imgenes de a radar fue la apreciacin que muchos tipos de fondos de la escena derivan de los o dos procesos no relacionados que pueden encapsularse en el modelo producto. En su forma ms simple, ste combina un RCS subyacente , con un speckle a e multiplicativo no correlacionado n; de modo que la intensidad I, en una imagen SAR puede expresarse como el producto I = n. Para datos de intensidad Llook, I puede ser representada como el producto de con una contribucin o speckle n, cuya F DP se d por a P (n) = LL nL1 exp (Ln). (L) (63)

Este modelo forma la base de ltros de reconstruccin y mtodos de sego e mentacin que se disean para valores espec o n cos de asociados con un valor de intensidad observada I. Notemos que para explotar el modelo, es esencial

42

que el speckle y las uctuaciones del RCS tengan escalas espaciales muy diferentes. Normalmente remuestreamos la imagen SAR de modo que el speckle contribuya con poca correlacin entre las muestras. Cualquier uctuacin del o o RCS sobre una escala espacial mayor puede entonces separarse para nuevos estudios. La prxima componente del modelo producto es incorporar un modelo RCS o que describa las uctuaciones subyacentes. Para una distribucin del RCS dada o P (), el modelo producto asegura que la FDP de la intensidad observada se d a por

P (I) =
0

LL I L1 P (I/)P ()d = (L)

LI d exp P (). L

(64)

El speckle es puramente una consecuencia de la distribucin aleatoria de los o elementos scattering, mientras el RCS depende de las propiedades f sicas (tal como constante dielctrica) de aquellos elementos. e

11.3

El modelo RCS

Habiendo denido la contribucin del speckle al modelo producto, la etapa o siguiente es discutir el modelo RCS para el caso de una imagen heterognea. e Algunos estudios del fondo de la escena del mar hechos por Ward, mostraron que la amplitud detectada ten una distribucin Rayleigh en regiones de oleaje a o despreciable, correspondiente al speckle puro. Los oleajes tienen una escala espacial mucho mayor que el speckle, permitiendo que la contribucin de ste o e sea promediada sin degradar apreciablemente la componente del oleaje. El RCS del oleaje era usualmente consistente con una FDP gamma, dada por P () =

1 exp , ()

(65)

donde es un parmetro de orden, con momentos dados por a E[ n ] =

n

(n + ) . ()

(66)

Esta FDP se caracteriza completamente por el RCS medio y el parmetro a de orden . El cuadrado del contraste, esto es, la varianza normalizada, es una cantidad util para describir tales datos y se d por var[]/2 = 1/. a

43

11.3.1

La FDP de la Intensidad

Si ahora combinamos la FDP del speckle con una FDP gamma para el RCS, la FDP de la intensidad observada ser a

P (I) =
0

P (I/)P ()d 2 (L)() L I

(L+)/2

(67) LI I
1/2

I (L+2)/2 KL 2

, (68)

para SAR L-look, donde KL [.] es la funcin de Bessel modicada de orden o L. Notemos que sta tiende a la distribucin gamma para speckle L-look e o cuando . Los momentos de la intensidad se dan por E[I n ] = n I La FDP de la amplitud A =

(L + n) ( + n) . Ln (L) n ()

(69)

I es tambin K- distribuida e (70) L I

1/2

P (A) =
0

P (A/)P ()d 4 (L)() L I

(L+)/2

= con momentos

AL+2 KL 2A

(71)

E[An ] = I

n/2 (L + n/2) Ln/2 (L)

( + n/2) . n/2 ()

(72)

Estas derivaciones tanto para la intensidad como para la amplitud suponen que las uctuaciones del RCS son sobre una escala espacial mucho mayor que el speckle de modo que los promedios multilooking del speckle no afecten las uctuaciones del RCS. Si las contribuciones no fueran separables en esta forma el resultado no ser K-distribuida. a

12

Clasicacin de RCS y segmentacin o o

Anteriormente reconstruimos el RCS en cada p xel. Ahora asignaremos a cada p xel una clase particular, tomando un conjunto restringido de valores representativos de RCS. Mostraremos la necesidad de promediar sobre varios p xeles antes de hacer tal asignacin para lograr efectividad, la cual es slo sensible o o si los bordes de los promedios de las ventanas estn dentro de una regin con a o RCS constante en la imagen. Esto nos lleva a el modelo cartoon y su aplicacin o en segmentacin. o

44

12.1

Clasicacin de RCS o

Mas que estimar valores de RCS ahora clasicaremos cada p xel en trminos e de su RCS. Supongamos que se selecciona un conjunto restringido de posibles valores de RCS y cada p se asigna a la clase ms cercana. xel a El speckle causa incertidumbre en la asignacin. Una clasicacin ptima o o o para un modelo speckle conocido puede dif cilmente denirse, basado sobre la probabilidad condicional de cada clase RCS, dada por P (I/) = L
L

I L1 exp (L)

LI

El logaritmo de la verosimilitud para L-look SAR es de la forma k = LlnL Llnk + (L l)lnI ln(L) LI . k (73)

Puesto que L es una constante conocida para la clasicacin de mxima verosio a I militud necesitamos identicar la clase k que maximiza la cantidad lnk k para cada p xel. Las distintas clases cross-section debern estar sucientemente a separadas para que el ruido no cause malas clasicaciones. Para que las tasas de error sean razonables el espaciamiento o separabilidad de las clases deber an relacionarse a la DE de la intensidad de la imagen la cual es k . L

12.2

El Modelo Cartoon y Segmentacin o

La segmentacin depende de la asignacin que hace el Modelo Cartoon a o o imgenes en regiones separadas por los bordes en las cuales algn parmetro a u a tal como el RCS es constante. El nmero y posicin de estos segmentos y valores medios son desconocidos u o y deben ser determinados a partir de los datos. En lugar de reconstruir una estimacin de RCS para cada p o xel, la segmentacin busca vencer al ruido o identicando regiones de RCS constante. En posteriores secciones mostraremos que provee una herramienta muy potente en la interpretacin de imgenes por o a dos razones: el Modelo Cartoon permite que el RCS sea reconstruido sin distorsin o radiomtrica. e la estructura de la escena estar estrechamente relacionada con los bordes a encontrados por la segmentacin que delimitan regiones con diferentes o propiedades. Esto es importante para un alto nivel de interpretacin. o Existen dos condiciones para que un algoritmo de segmentacin sea exitoso. o

45

1. Todo procesamiento debe ser automtico, sin intervencin de operador. a o Slo de esta forma habr rapidez computacional adecuada y los resultados o a sern reproducibles. a 2. El algoritmo deber eludir parmetros espec a a cos a cada imagen particular. Debe permitir modicar los parmetros globales tal como razn de a o falsa alarma para regiones fusionadas o deteccin de bordes entre ellas o para optimizar la perfomance en una aplicacin dada. En otras palabras o el algoritmo debe ser general, capaz de ser aplicado a cualquier conjunto de datos SAR. Hay tres clases bsicas de algoritmos de segmentacin identicado por el a o Modelo Cartoon: deteccin de bordes, regiones combinadas y ltro. o

12.3

Deteccin de Bordes o

Si la escena est hecha de regiones uniformes una tcnica de segmentacin puede a e o basarse en identicar la presencia y posicin de los bordes entre las regiones. o Los algoritmos de deteccin de bordes se pueden subdividir en tcnicas de o e procesamiento generales u otras que explotan las propiedades de SAR y los Modelos Cartoon. Un algoritmo de deteccin de bordes fue propuesto por White (RGW) el o cual explota el Modelo Cartoon e incluye tamao de ltro adaptable. n Inicialmente son detectados los bordes dentro de la imagen. Las regiones estn entre estos bordes. La segunda etapa consiste en aumentar, eventuala mente, el tamao de las regiones usando un algoritmo de fusin entre regiones. n o Las etapas del algoritmo son: 1. se construyen una serie de ventanas rectangulares, variando de 3x1 a 57x13, alrededor de cada p xel. 2. se calcula la intensidad promedio en cada mitad A y B. 3. si |A B| es mayor que el umbral multiplicado por el error estndar de a la diferencia de medias, entonces un borde es registrado en el centro de la ventana. Un importante resultado de este algoritmo es que el criterio de deteccin 3) o no se basa en el error estndar dentro de la ventana, sino sobre regiones que la a ventana solapa. Inicialmente la escena entera se mira como una unica regin. A medida que o la segmentacin progresa y los segmentos comienzan a corresponder a regiones o de RCS constante, la deteccin de bordes se determina slo por estad o o sticos del ruido. Notemos que los bordes de brillo se detectan por mscaras ms pequeas a a n que son usadas primero, esto es, de alta resolucin. Estos bordes son retenidos o

46

y los p xeles excluidos de las sucesivas etapas para detectar bordes. Los bordes dbiles se detectan subsiguientemente con ventanas ms grandes. De modo que e a el algoritmo adapta su resolucin a seales fuertes. o n La etapa creciente del algoritmo procede como sigue: 1. se coloca una serie de discos sobre la imagen, de modo que no contengan ningn borde detectado. u 2. discos adyacentes se combinan para formar regiones ms grandes. a Inicialmente los discos son grandes, despus el tamao de los discos que se e n van agregando se reduce y se repite el mismo proceso. Eventualmente, cada p xel se asigna a una regin particular y se construye un mapa de la regin o o completa. El ciclo total se repite llevando a la deteccin de nuevos bordes. La o iteracin contina hasta que el coeciente de variacin alcance algn umbral o u o u relacionado a estad sticos del ruido. Este algoritmo opera con ms xito sobre imgenes de amplitud que sobre a e a imgenes de intensidad. a

12.4

Fusin de Regiones o

Los algoritmos de fusin de regiones explotan el Modelo Cartoon ms directao a mente e intentan aumentar grandes regiones uniformes fusionando o combinando pequeas regiones vecinas. Lo crucial es tomar la decisin de fusionar o no n o las regiones, lo cual depende del criterio estad stico adoptado. De hecho criterios idnticos pueden ser usados para fusionar o dividir regiones. Una forma de e fusionar regiones (merge using moment MUM) se basa en el test t de Student. Los pasos de este algoritmo se pueden resumir como sigue: 1. se inicia subdividiendo la imagen en pequeas regiones arbitrarias, por n ejemplo de tamao 2 por 2 o grillas con un slo p n o xel. 2. para cada par de regiones adyacentes A y B se calcula la varianza combinada denida por var(A + B) = NA varA + NB varB NA + NB 2 1 1 + NA NB ,

donde NA y NB es el nmero de p u xeles de las regines A y B respectivao mente. 3. se calcula t = |A B|/ var(A + B) y se aplica el test t de Student, esto evala la probabilidad que A y B puedan fusionarse. u 4. se compila una lista en orden de prioridad para fusionar todo par de subregiones adyacentes.

47

5. se fusionan las regiones de mayor prioridad y se repiten las operaciones para nuevas subregiones. El proceso es iterado hasta que la probabilidad de falsa alarma de no fusionar una regin constante alcanza algn valor prejado. o u El test t es aplicable slo cuando distinguimos entre regiones con FDP gauo ssiana, la cual es inapropiada para el speckle. Se puede mejorar la perfomance signicativamente si usamos una derivacin de mxima verosimilitud usando o a estad sticos correctos, dados en la siguiente seccin. o

12.5

Teor sobre fusin/divisin a o o

La fusin y divisin de regiones depende de estimar si las dos regiones pertenecen o o o no a una misma poblacin. En esta seccin derivaremos un test de hiptesis o o o de mxima verosimilitud, para determinar esto, usando las distribuciones SAR a vistas anteriormente. De hecho existe ms de un criterio para el cual el test a puede optimizarse. O la probabilidad de deteccin de borde en RGW o la o probabilidad de fusionar en MUM es maximizada o la adecuada posicin del o borde es optimizada. Encontraremos estimadores de mxima verosimilitud para a ambos casos y demostraremos la mejora si los introducimos en los algoritmos existentes. Asumimos que se tiene un tamao adaptable de la ventana. El Modelo n Cartoon implica que una ventana contiene o una regin uniforme o dos regiones o con un borde en alguna posicin desconocida dentro de la ventana (cualquier o otra posibilidad ha sido eliminada por la deteccin de bordes en una ventana o menor). La densidad conjunta de estos dos estados puede ser expresada en trminos de la condicional P (I/) . Suponemos que los p e xeles 1 a k estn en a la regin A con RCS (A ), mientras que los p o xeles k + 1 a M estn en la regin a o B con RCS (B ). La probabilidad conjunta para la ventana completa dada la intensidad single-look Ij en el p j es dado por xel
k M

PA,B (A , B /Ij , k) =

PA (Ij /A )
j=1 k j=1 j=k+1

PB (Ij /B )
M j=k+1

Ij 1 exp A A

Ij 1 exp B B

La probabilidad que los datos sean consistentes con una regin fusionada de o RCS medio 0 tiene la misma forma con A = B = 0 . La log-verosimilitud para estados divididos o fusionados split y merge pueden encontrarse tomando logaritmos de esas probabilidades conjuntas y se dene un estimador log-

48

diferencia como D (k) = split (k) merge = k ln A + +M ln 0 + IA A (M k) ln B + ,

IB B

(74)

I0 0

donde las intensidades medias se estiman sobre ventanas apropiadas. Las estimaciones de mxima verosimilitud de RSC en cada regin son: IA de A , IB a o de B y I0 de 0 . Notemos que IA y IB son funciones de k luego el estimador de mxima verosimilitud de k, posicin del borde, se obtiene maximizando a o D (k) = klnIA (M k)lnIB + M lnI0 . (75)

Un anlisis de la perfomance de deteccin de bordes basada en esta diferena o cia, expresada en trminos de probabilidades de deteccin y de falsa alarma, e o requiere el conocimiento de su funcin PDF, que no se obtiene directamente. o No obstante, brindaremos otra forma de detectar bordes, basada en la razn o I de intensidades r = IA . Puede demostrarse que la PDF de r es
B

Pr (r/R, k, M k) =

donde R denota la verdadera razn de valores medios. Si un borde es deteco tado cuando r est fuera del rango [t1 , t2 ], la probabilidad de deteccin en la a o posicin k, dado que el borde verdadero est en esa posicin, se da por o a o
t2

(M ) r(k)(M k)

rk R(M k)

k M

1+

rk R(M k)

(76)

Pd = 1

P (r)dr.
t1

La probabilidad de falsa alarma, probabilidad de detectar un borde cuando en realidad no existe, Pf a , corresponde a reemplazar R = 1 en la ecuacin (76). o Los valores umbrales t1 y t2 estn por debajo y arriba de 1 y pueden relacionarse a al valor equivalente de D , que puede derivarse a partir de (75). Luego D (k) = k ln t1 M ln M + m ln[M k + kt1 ] y D (k) = k ln t2 M ln M + m ln[M k + k/t2 ] para t2 > 1. para t1 < 1

49

13

Referencias

1. Chuvieco Emilio (1998), Fundamentos de Teledeteccin Espacial. Edio ciones Rialp SA. Madrid. 2. Jain Anil K.(1989), Fundamentals of Digital Image Processing. Prentice Hall.
0 a 3. Mejail Marta E.(1999), La Distribucin gA en el Modelado y Anlisis o de Imgenes de Radar y de Apertura Sinttica. Tesis de Doctorado en a e Ciencias de la Computacin Facultad de Ciencias Exactas y Naturales. o UBA.

4. Oliver Chris and Quegan Shaun (1998), Understanding Synthetic Aperture Radar Images. Artech House. Boston. London.

50