Clasificación de imágenes por medio de variogramas robusto

AURELIANO ANDRÉS GUERRERO

Córdoba

Encuentro; I Encuentro Regional de Procesamiento de Imágenes; 2011

FaMAF - UNC

El procesamiento estadístico de imágenes es un campo de notable interés debido a sus múltiples aplicaciones en distintas áreas del conocimiento, tales como medicina, biología, agricultura, ecología, etc. Hay distintos tipos de imágenes, dependiendo de la técnica utilizada para obtenerlas y de su área de aplicación. En este trabajo estamos interesados en imágenes obtenidas por sensores que obtienen datos en la banda de las microondas (por ejemplo radares). En general, no se observa la imagen "verdadera" o ideal del escenario que se pretende conocer, sino que solamente se tiene acceso a una imagen que es una modificación de la primera por efectos de transformaciones parcialmente conocidas. Uno de los principales objetivos del procesamiento y análisis de imágenes es la detección de clases homogéneas presentes en la escena. La mayoría de los procedimientos de clasificación clásicos en imágenes están basados en la información de pixeles considerados aisladamente. Eso deja de considerar el aspecto fundamental que en imágenes los pixeles están correlacionados. Por lo tanto es crucial la incorporación de la correlación espacial, incorporando técnicas geoestadística, como el variograma En las aplicaciones es habitual suponer ciertos modelos básicos paramétricos para semivariogramas isotrópicos. Pero poco se sabe sobre sus propiedades asintóticas y su resistencia a datos atípicos o no cumplimiento de las hipótesis a priori de los dife- rentes estimadores. Menos todavía se sabe su rendimiento cuando son usados en reglas de clasificación en imágenes satelitales. Por ello, parece interesante proponer un nuevo estimador que trate de disminuir la influencia de datos atípicos en las observaciones y de desvíos en el modelo supuesto. En ese sentido, se piensa que un buen inicio será estudiar estimadores que en el tratamiento de los residuos, sean similares a los estimadores robustos ya conocidos para otros modelos: posición, varianza, regresión, etc. De los nuevos estimadores se estudiarán las propiedades habituales: consistencia, normalidad asintótica, robustez, etc. Finalmente, se analizarán sus comportamientos cuando forman parte de un procedimiento de clasificación supervisado en imágenes de teledetección, comparándolos con los resultados obtenidos por métodos clásicos como clasificación por máxima verosimilitud, k-medias u otros como los que tratan Chica-Olmo y Hernández-Abarca.