INVESTIGADORES
LUCINI Maria magdalena
congresos y reuniones científicas
Título:
ROBUST INFERENCE FOR THE MULTIPLICATIVE MODEL IN SAR IMAGERY
Autor/es:
BUSTOS, OSCAR H; LUCINI, MARÍA MAGDALENA; FRERY, ALEJANDRO CESAR; OJEDA, SILVIA
Lugar:
Puerto Iguazu
Reunión:
Simposio; IX Simposio Latinoamericano de Percepción Remota y Sistemas de Información Espacial,; 2000
Institución organizadora:
CONAE, SELPER
Resumen:
<!--
@page { margin: 2cm }
P { margin-bottom: 0.21cm }
-->
El
conocimiento de las propiedades estadísticas de los datos
SARjuega un rol preponderante en la interpretación y
procesamiento de imágenes. Estas propiedades pueden utilizarse
para discriminar tipos de uso del suelo y desarrollar filtros para
reducción del ruido speckle, entre otras aplicaciones. La
estimación de parámetros es útil, por ejemplo,
en el filtrado, segmentación y clasificación de
imágenes.
En
este trabajo suponemos que la distribución GA0 es el Modelo
Universal para imágenes SAR de amplitud, bajo el Modelo
Multiplicativo. Presentamos algunas propiedades importantes de esta
distribución y algunos estimadores clásicos de sus
parámetros. Puede demostrarse que los estimadores de Máxima
Verosimilitud y de Momentos de los parámetros de dicha
distribución pueden ser altamente influenciados por la
presencia de ?outliers?.
Estos
?outliers?, aparecen principalmente, porque muy rara vez en la
práctica se satisface la hipótesis de independencia e
idéntica distribución de las observaciones. Por
ejemplo, en el proceso de filtrado, algunos pixels dentro de una
ventana pueden provenir de regiones con diferentes distribuciones
subyacentes. En este caso, los filtros clásicos mostrarán
una mala performance, por ejemplo, borroneando los bordes. Por este
motivo es muy importante encontrar Estimadores Robustos.
Una
de las clases de técnicas robustas más conocida es la
de los M-estimadores, que son una extensión del método
de estimación por Máxima Verosimilitud. En este trabajo
se calculan los M-estimadores para los parámetros de la
distribución GA0 y se los compara mediante un estudio Monte
Carlo con los estimadores clásicos anteriormente mencionados.
Se
muestran aplicaciones comparando la tasa de error en la clasificación
por Máxima Verosimilitud usando Estimadores de Máxima
Verosimilitud o M-estimadores en una varias situaciones prácticas.