Beruflich Dokumente
Kultur Dokumente
Aplicaciones
Monitoreo del medioambiente.
Detección temprana de incendios forestales.
Detección de manchas de petróleo en el mar.
Detección de talas ilegales.
Aplicaciones
Monitoreo del medioambiente.
Detección temprana de incendios forestales.
Detección de manchas de petróleo en el mar.
Detección de talas ilegales.
Ruido Speckle
El SAR trabaja con iluminación coherente, produce en la imagen un
ruido llamado ruido speckle
Es no aditivo, no gaussiano.
Difı́cil de eliminar.
La interpretación automática de
imágenes SAR, constituye un
gran desafı́o.
Ruido Speckle
El SAR trabaja con iluminación coherente, produce en la imagen un
ruido llamado ruido speckle
Es no aditivo, no gaussiano.
Difı́cil de eliminar.
La interpretación automática de
imágenes SAR, constituye un
gran desafı́o.
Ruido Speckle
El SAR trabaja con iluminación coherente, produce en la imagen un
ruido llamado ruido speckle
Es no aditivo, no gaussiano.
Difı́cil de eliminar.
La interpretación automática de
imágenes SAR, constituye un
gran desafı́o.
Tareas
Discriminación automática de regiones dentro de la imagen SAR.
Plantea
Modelar los datos con distribuciones estadı́sticas adecuadas para
imágenes con ruido speckle.
El modelo multiplicativo.
La distribución GI0 , permite caracterizar regiones con diferente
grado de textura en imágenes SAR monopolarizadas.
Tareas
Discriminación automática de regiones dentro de la imagen SAR.
Plantea
Modelar los datos con distribuciones estadı́sticas adecuadas para
imágenes con ruido speckle.
El modelo multiplicativo.
La distribución GI0 , permite caracterizar regiones con diferente
grado de textura en imágenes SAR monopolarizadas.
Tareas
Discriminación automática de regiones dentro de la imagen SAR.
Plantea
Modelar los datos con distribuciones estadı́sticas adecuadas para
imágenes con ruido speckle.
El modelo multiplicativo.
La distribución GI0 , permite caracterizar regiones con diferente
grado de textura en imágenes SAR monopolarizadas.
Fue presentada por Rao en 1945 para medir la diferencia entre dos
distribuciones de probabilidad paramétricas.
Ha sido utilizada para resolver diversos problemas, incluyendo
recuperacion de texturas en datos multivariados y clasificación.
Hasta el momento no habı́a sido utilizada para detección de
puntos de borde en imágenes SAR monopolarimétricas.
Fue presentada por Rao en 1945 para medir la diferencia entre dos
distribuciones de probabilidad paramétricas.
Ha sido utilizada para resolver diversos problemas, incluyendo
recuperacion de texturas en datos multivariados y clasificación.
Hasta el momento no habı́a sido utilizada para detección de
puntos de borde en imágenes SAR monopolarimétricas.
Fue presentada por Rao en 1945 para medir la diferencia entre dos
distribuciones de probabilidad paramétricas.
Ha sido utilizada para resolver diversos problemas, incluyendo
recuperacion de texturas en datos multivariados y clasificación.
Hasta el momento no habı́a sido utilizada para detección de
puntos de borde en imágenes SAR monopolarimétricas.
El Modelo Multiplicativo
Z = X.Y
2
Intensidad ZI = kZk
√
Amplitud ZA = kZk = ZI
Z X .Y
X Y Z
N 1 , , I , , , L
L, L
, 0 , 0 , 0
, 0
0 0 0
0
1 L, L, L
L,
XI ∼ Γ−1 (α, γ)
YI ∼ Γ(L, L) con −α, γ, L > 0,
ZI = XI · YI tiene una distribución GI0
Distribución GI0
LL Γ(L − α) z L−1
fG 0 (z) = · ,
I γ α Γ(−α)Γ(L) (γ + zL)L−α
donde −α, γ, z > 0 and L ≥ 1.
XI ∼ Γ−1 (α, γ)
YI ∼ Γ(L, L) con −α, γ, L > 0,
ZI = XI · YI tiene una distribución GI0
Distribución GI0
LL Γ(L − α) z L−1
fG 0 (z) = · ,
I γ α Γ(−α)Γ(L) (γ + zL)L−α
donde −α, γ, z > 0 and L ≥ 1.
la media y la varianza:
γ
µ = E(z) = −
α+1
γ 2 (1 − L + α)
σ 2 = E(z 2 ) − (E(z))2 =
L(α + 1)2 (α + 2)
1 L: número de looks.
2 γ∈ R+: es un parámetro de escala, entonces:
1
W ∼ GI0 (α, γ, L) ⇒ W ∼ GI0 (α, 1, L).
γ
3 α está relacionado con la textura del objetivo.
α
byγ
b tal que:
n
0 0
X b + Lzi2
γ
α) − Ψ (L − α
n[Ψ (−b b)] + ln = 0,
γ
b
i=1
n
−nbα X
− (L − α
b) γ + Lzi2 )−1 = 0,
(b
γ
b
i=1
Tomando r = 1 se tiene:
γ
E(z) = − =1
α+1
y por lo tanto
γ ∗ = −α − 1
LL Γ(L − α) z L−1
fG∗0 (z) = · .
I (−α − 1)α Γ(−α)Γ(L) (−α − 1 + zL)L−α
Z ∞
d2
∗ α 2
−E 2
ln fG 0 (z |α) = − [ 2
+
dα I
0 (−α − 1) −α − 1
− ψ (1) (−α) + ψ (1) (L − α)
L−α 2
+ 2
− ] · fG∗0 (z |α) dz
(−α + Lz − 1) −α + Lz − 1 I
α2
Z q
s(α1 , α2 ) = H(α) − ψ (1) (L − α) − ψ (1) (−α)dα
α1
donde
Distancia geodésica entre GI0 (−8, 7, L) Distancia geodésica entre GI0 (−2, 1, L)
y GI0 (α2 , γ2∗ , L). y GI0 (α2 , γ2∗ , L) .
L=1 L=1
L=5 L=5
8
8
L=10 L=10
6
6
Distancia Geodesica
Distancia Geodesica
4
4
2
2
0
α2 α2
ds2 = g11 (α, γ)dα2 + (g12 (α, γ) + g21 (α, γ))dαdγ + g22 (α, γ)dγ 2
ds2 = g11 (α, γ)dα2 + (g12 (α, γ) + g21 (α, γ))dαdγ + g22 (α, γ)dγ 2
Suponiendo γ1 = γ2 = γ 0 :
La distancia geodésica:
α2
Z h i1/2
(1) (1)
s(α1 , α2 ) = ψ (−α) − ψ (L − α) dα .
α1
Para L = 1:
Z
α2 1 1/2
s(α1 , α2 ) = dα = |ln(α2 ) − ln(α1 )|
L=1 α1 α 2
entonces:
α2
s(α1 , α2 ) = ln
L=1 α1
Para L = 2:
Z 1/2
α2 1 1
s(α1 , α2 ) = + dα
L=2 α1 α 2 (α − 1)2
√ 1 + α2 (R2 − 2) − α22 R2
+ 2 ln
1 + α1 (R1 − 2) − α12 R1
L=2 L=2
L=1 L=1
1.5
1.5
Distancia Geodésica
Distancia Geodésica
1.0
1.0
0.5
0.5
0.0
0.0
α2 α2
L>2
Para valores mayores del parámetro L no es posible calcular la forma
cerrada y por lo tanto es necesario calcular la integral numéricamente.
L=8 L=8
L=6 L=6
L=3 L=3
1.5
1.5
Distancia Geodésica
Distancia Geodésica
1.0
1.0
0.5
0.5
0.0
0.0
α2 α2
Suponiendo α1 = α2 = α0
L=2 L=2
L=1 L=1
2.5
2.5
2.0
2.0
Distancia Geodésica
Distancia Geodésica
1.5
1.5
1.0
1.0
0.5
0.5
0.0
0.0
2 4 6 8 10 5 10 15 20
γ2 γ2
Teorema
Sea θb1 y θb2 los estimadores MV, de θ1 y θ2 , basado en muestras aleatorias
independientes de tamaño n y m, respectivamente, donde
n,m→∞
m/(m + n) −−−−−→ λ ∈ (0, 1). Asumiendo las condiciones de regularidad y
suponiendo consistencia del estimador de MV:
nm s∗ (θb1 , θb2 ) D
0 −−−−−→ χ2M
n + m φ (0) n,m→∞
donde:
D
“−
→” denota convergencia en distribución
M : grados de libertad es igual a la dimensión del espacio de parámetros
Definición
Sea Ω un espacio medible. Sean fX y fY las densidades de las variables
aleatorias X, Y con respecto a un soporte I; La distancia triangular
dT (fX , fY ) entre ellas esta dada por:
Lema
m m,n→∞
Manteniendo las condiciones de regularidad. Si m+n −−−−−→ λ ∈ (0, 1),
entonces
h
2mn Dφ (θ̂1 , θ̂2 ) D
0 00 −−−−−→ χ2M (1)
m + n h (0)φ (1) m,n→∞
D
donde “−
→” denota convergencia en distribución.
θ̂1 y θ̂2 son los estimadores de MV de θ1 y θ2 .
n,m: tamaños de las muestras aleatorias.
0.30
0.30
0.25
0.25
0.20
0.20
Densidad
Densidad
Histograma Histograma
Γ(υ, λ) Γ(υ, λ)
0.15
0.15
χ21 χ21
0.10
0.10
0.05
0.05
0.00
0.00
0 5 10 15 20 25 30 0 5 10 15 20 25 30
SDG SDT
ηGD
ηTD
η
0.8
0.6
p−valor
0.4
0.2
0.0
Tamaño de Muestra
α = −2
α = −3
Datos de las distribuciones GI0 (α, 1, 1),
α = −4 con α ∈ {−2, −3, −4, −5}.
α = −5
1.5
Densidades
1.0
0.5
0.0
Intensidad
paso 1
M1 = 7x10 M2 = 7x90
paso 2
M1 = 7x20 M2 = 7x80
paso 5
M1 = 7x50 M2 = 7x50
paso 9
M1 = 7x90 M2 = 7x10
Distancia geodésica y triangular entre GI0 (−6, 5, L) y GI0 (−1,5, 0,5, L) para
L = {3, 5, 8}.
1.0
●
●
12
0.8
●
●
●
●
8
0.6
Distancias
Distancias
●
6
●
●
0.4
● ●
● ● ●
●
●
●
4
0.2 ● ●
2
● ● ●
● ●
0.0
● ● ● ●
●
0
20 40 60 80 20 40 60 80
Distancia geodésica y triangular entre GI0 (−6, 5, L) y GI0 (−1,5, 0,5, L) para
L = {3, 5, 8}.
1.0
●
●
12
0.8
●
●
●
●
8
0.6
Distancias
Distancias
●
6
●
●
0.4
● ●
● ● ●
●
●
●
4
0.2 ● ●
2
● ● ●
● ●
0.0
● ● ● ●
●
0
20 40 60 80 20 40 60 80
250
●
25000
200
●
20000
150
15000
Estadístico
Estadístico
●
100
● ●
10000
●
5000
50
●
● ●
● ●
● ●
● ● ● ● ● ● ● ● ● ●
0
20 40 60 80 20 40 60 80
paso 1
M1 = 10x500 M2 = 10x9500
paso 2
M1 = 10x1000 M2 = 10x9000
paso 10
M1 = 10x5000 M2 = 10x5000
paso 19
M1 = 10x9500 M2 = 10x500
Geodeisca Geodeisca
α2 = − 6 α2 = − 6
5
1.2
● α2 = − 5 ● α2 = − 5
α2 = − 3 α2 = − 3
α2 = − 2 α2 = − 2
1.0
4
● ●
● ●
●
●
● ●
0.8
● ●
● ●
Triangular ●
Triangular ●
3
Distancias
Distancias
● ●
α2 = − 6 ●
●
α2 = − 6 ●
●
● α2 = − 5 ● α2 = − 5 ● ●
α2 = − 3 α2 = − 3
0.6
α2 = − 2 α2 = − 2
●
●
2
●
●
0.4
●
●
●
● ● ● ●
● ●
● ● ●
● ● ●
● ● ●
●
1
● ●
●
0.2
●
● ● ●
● ● ● ● ● ●
● ● ●
● ●
● ●
● ● ● ● ● ●
0.0
● ● ● ●
0
píxeles píxeles
● ●
α2 = − 3 α2 = − 3
α2 = − 2 α2 = − 2
4e+05
25000
3e+05
● ●
20000
● ●
Estadístico
Estadístico
Triangular para L=1 Triangular para L=2
α2 = − 6 ● α2 = − 6 ●
● α2 = − 5 ●
●
● α2 = − 5
15000
α2 = − 3 ●
α2 = − 3
α2 = − 2 α2 = − 2
2e+05
● ●
●
●
● ●
●
●
10000
●
● ●
●
●
1e+05
●
● ●
● ●
●
●
5000
● ●
●
● ●
●
● ●
● ●
● ● ●
● ●
● ● ● ●
●
0e+00
● ● ●
● ● ●
● ● ● ● ● ● ●
● ● ● ● ● ● ● ●
0
L=8 L=8
L=7 L=7
L=6 L=6
4
L=5 L=5
0.15
L=4 L=4
L=3 L=3
L=2 L=2
L=1 L=1
3
Geodesic Distances
Distancia Triangular
0.10
2
0.05
1
0.00
0
x x
Muestra Tamaño α
b α
bBR
A1 1360 −6,09 −11,53
A2 1225 −9,72 −20,00
A3 2088 −1,01 −1,00
A4 1824 −2,75 −4,27
A5 1152 −11,51 −20,00
Resolución Muestra A2 A3 A4 A5
A1 3.23 - 4.13 4.22
Original
A2 0 - 7.37 0.98
A3 - - -
A4 0 8.35
A1 5.31 - 6.63 5.31
Reducida
A2 0 - 11.95 0
A3 - - -
A4 0 11.95
Muestra A2 A3 A4 A5
A1 0,467 1,807 0,794 0,636
Resolución Original
A2 0 14,781 6,282 0
DG
A3 0 8,498 14,781
A4 0 6,282
José Naranjo Torres Distancia Geodésica 71 / 77
Distancia Geodésica y Distancia Triangular
A1 A1
0.47 2.28
0.64 2.28
0.17 0.24
0.1 0.24
A5 1.81 A2 A5 12.5 A2
0.79 4
0.25 0.58
0.62 1.06
0.84 2.27 1.52 14.78
1.1 1.74
1.43 6.28
0.37 0.85
A4 A3 A4 A3
1.01 8.5
Distancia Tiempo
DG 0,002
DT 0,14