Sesión Estadística y sus Aplicaciones

Diciembre 15, 15:50 ~ 16:10

Fusión de imágenes SAR y ópticas para clasificación de coberturas terrestres usando un enfoque MAP-MRF.

Picco, Mery Lucía

La teoría de campos aleatorios de Markov (MRF) proporciona un marco teórico para el modelado de entidades dependientes del contexto tales como píxeles de una imagen. El uso práctico de estos modelos se atribuye en gran medida a un teorema que indica la equivalencia entre las distribuciones MRF y de Gibbs que fue establecida por Hammersley y Clifford (1971) y posteriormente desarrollado por Besag (1974). Esto provee no sólo un medio matemáticamente sólido sino también matemáticamente manejable para análisis estadístico de imágenes. Esta teoría es a menudo usada conjuntamente con la teoría bayesiana para obtener estimaciones óptimas, siendo el estimador MAP (máximo a posteriori) el más utilizado. El enfoque MAP-MRF se ha utilizado exitosamente en procesamiento digital de imágenes de teledetección para la producción de mapas temáticos que describan la cubierta terrestre mediante algoritmos de clasificación [1], [2]. En este enfoque, una imagen es considerada un campo aleatorio de Gibbs y el objetivo es obtener la imagen de clases (etiquetas) que maximice la probabilidad a posteriori, dada la imagen obtenida por el sensor. Un factor importante en este proceso es el uso de distribuciones de probabilidad adecuadas para describir los datos que conforman la imagen. Para imágenes SAR se han propuesto varias distribuciones, tales como Gamma, Rayleigh, Weibull, $K$ y $\mathcal G^0$, siendo esta última un modelo "`universal"' en el sentido que permite ajustar datos provenientes de distintos tipos de coberturas terrestre a través del valor de sus parámetros [3]. Por otro lado, la fusión de datos de teledetección tiene como objetivo integrar la información adquirida por sensores con diferentes resoluciones espectrales para producir datos fusionados que contienen información más detallada que cada una de las fuentes por separado. Por ejemplo, es bien sabido que los datos provenientes de sensores ópticos proveen información sobre la reflectiviad y emisividad de las características de la superficie terrestre, mientras que los datos SAR contienen información sobre la textura y rugosidad de la superficie y sobre las propiedades dieléctricas tanto de la naturaleza como de objetos hechos por el hombre. Puesto que ambos sensores proveen información complementaria, es evidente que el uso combinado de imágenes ópticas y SAR resultará ventajoso, pues un objeto o característica de la superficie que es inobservable para un sensor óptico puede no serlo para el radar y viceversa [4]. En este trabajo se propone un algoritmo de clasificación multifuente basado en el enfoque MAP-MRF y utilizando la distribución $\mathcal G^0$ como modelo para datos SAR. El algoritmo propuesto es aplicado a una sub imagen de una imagen real de la zona sur de la provincia de Córdoba. A partir del resultado obtenido se concluye que la metodología propuesta permite obtener mapas temáticos con mayor información para ciertos objetivos específicos. \noindent \textbf{Bibliografía } \noindent [1] S. Li. Markov Random Field Modeling in Image Analysis. Springer, ISBN 978-1- 84800-278-4, 2009. \\ \noindent [2] A. Blake, P. Kohli, and C. Rother. Markov Random Fields for Vision and Image Processing. The MIT Press, 2011. \\ \noindent [3] M. E. Mejail, A. C. Frery, J. Jacobo-berlles, and O. Bustos. Approximation of distributions for sar images: proposal, evaluation and practical consequences. Latin American Applied Research, 31:8392, 2001. \\ \noindent [4] H. Mitchell. Multi-Sensor Data Fusion. Springer Verlag, ISBN: 3540714634, 2007.\\

Autores: Picco, Mery Lucía / Ruiz, Marcelo.