ROBUST INFERENCE FOR THE MULTIPLICATIVE MODEL IN SAR IMAGERY

BUSTOS, OSCAR H; LUCINI, MARÍA MAGDALENA; FRERY, ALEJANDRO CESAR; OJEDA, SILVIA

Puerto Iguazu

Simposio; IX Simposio Latinoamericano de Percepción Remota y Sistemas de Información Espacial,; 2000

CONAE, SELPER

<!-- @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.