Bustos Notas de Clase 140209
Bustos Notas de Clase 140209
Bustos Notas de Clase 140209
Resumen
En una primera parte veremos algunos conceptos bsicos referentes a
la formacin de imgenes de teledeteccin, principalmente desde sensores
ubicados en plataformas espaciales. Enseguida deniremos los parmetros
esenciales de los sensores en general, como distintos tipos de resolucin,
el signicado de pxel, etc. Finalizaremos esa primera parte viendo las
caractersticas principales de los sensores ms usados en las mltiples e
importantes aplicaciones de la Teledeteccin para conocer y cuidar la vida
de nuestra nica casa: la Tierra. Desde el punto de vista de la Estadstica,
en Anlisis de Imgenes, se trata de encontrar la distribucin subyacente
a la energa de retorno captada por el sensor basndose en la distribucin
de la misma en los entornos de cada pxel. Desde la dcada del 80 del siglo
pasado, muchas tcnicas basadas en el uso de procesos markovianos han
demostrado ser muy tiles en el anlisis y procesamiento de imgenes, no
slo de las satelitales sino de toda clase de imgenes. Una buena parte de
los aspectos formales del tema de nuestro inters est contenida en una
rama de la Teora de Probabilidad de creciente y rpido desarrollo que
algunos llaman sistemas espaciales aleatorios con interacciones. Uno de
sus objetivos importantes es la comprensin de los efectos interactuantes
en sistemas aleatorios espaciales. El impulso inicial proviene de la Fsica
Estadstica. Posiblemente el antecedente ms remoto de la aplicacin de
tales procesos es el clebre modelo de Ising que fue propuesto como una
forma de explicar el fenmeno de magnetizacin espontnea que muestran
los materiales ferromagnticos. La cantidad de trabajos que usan procesos
de Markov en el procesamiento de imgenes viene creciendo en forma
exponencial en los ltimos aos. En este curso nos limitaremos a presentar
los elementos y resultados bsicos de los procesos de Markov orientados
a su aplicacin en el anlisis y procesamiento de imgenes. Lo haremos
simplicando en la mayor medida posible, la matemtica involucrada en
los mismos. No obstante, lo que aqu veremos ser suciente para iniciarse
en el estudio del tema.
1
1 Introduccin
En esta seccin veremos algunos conceptos bsicos referentes a la formacin de
imgenes de teledeteccin, principalmente desde sensores ubicados en platafor-
mas espaciales. Deniremos los parmetros esenciales de los sensores en general,
como distintos tipos de resolucin, el signicado de pxel, etc. Finalizaremos la
seccin viendo las caractersticas principales de los sensores ms usados en las
mltiples e importantes aplicaciones de la Teledeteccin para conocer y cuidar
la vida de nuestra nica casa: la Tierra.
2
Figura 1: Componentes de un sistema de teledeteccin espacial: (A) Fuente
de energa. (B) Atmsfera. (C) Suelo. (D) Sensor. (E) Transmisin, y proce-
samiento. (F) Anlisis. (G) Aplicacin.
3
Figura 2: Las ondas eletromagnticas.
c = :F;
4
Radiancia espectral. Indica el total de energa radiada en una determinada
longitud de onda por unidad de rea y por ngulo slido de medida. Tambin
la radiancia, la emitancia e irradiancia pueden completarse con el calicativo de
espectral cuando se reeren a una determinada longitud de onda.
Emisividad. Relacin entre la emitancia de una supercie, y la que ofrecera
un emisor perfecto, denominado cuerpo negro, a la misma temperatura.
Reectividad. Relacin entre el ujo incidente y el reejado por una super-
cie.
Absortividad. Relacin entre el ujo incidente y el que absorbe una super-
cie.
Transmisividad. Relacin entre el ujo incidente y el transmitido por una
supercie.
Las ltimas cantidades: emisividad, reectividad, absortividad, transmisivi-
dad, son tambin dependientes de la longitud de onda, en tal caso se completan
con el calicativo de espectral, para referirse a su comportamiento en una banda
determinada del espectro.
5
Figura 3: El espectro eletromagntico. (1) Longitud de onda en metros. (2)
Frecuencia en Herz. (3) Visible. (4) Ondas de radio. (5) Micro ondas. (6)
Infrarrojo. (7) Rayos X. (8) Rayos Gamma.
6
energa y longitud de onda puede establecerse con mayor rigor gracias a la ley
de Planck que nos indica que cualquier objeto por encima del cero absoluto
(-273o C) radia energa, y que sta aumenta con la temperatura. Tambin que,
a mayor temperatura, ese cuerpo radiar con ms intensidad en longitudes de
onda ms cortas.
A partir de la frmula de Planck puede calcularse la longitud de onda a la que
se produce la mxima emitancia de un cuerpo negro conociendo su temperatura
(T ). Se obtiene as la llamada ley del desplazamiento de Wien:
i = r + a + t;
7
Figura 4: La reectividad espectral segn las cubiertas del suelo. (1) Suelo
desnudo. (2) Agua. (3) Vegetacin sana. (4) Vegetacin estresada. (5) Nieve.
8
rugosidades del terreno tendern a difundir mucho ms la energa incidente que
las longitudes de onda mayores.
El comportamiento de una cubierta, especialmente en el espectro visible, est
inuenciado por sus propias caractersticas y tambin por una serie de factores
externos que modican su comportamiento espectral terico. Algunos de
estos factores son: ngulo de iluminacin solar (depende de la fecha del ao y
del momento del paso del satlite), modicaciones que el relieve introduce en
el ngulo de iluminacin, inuencia de la atmsfera (especialmente la absorcin
provocada por nubes), variaciones medio ambientales en la cubierta, sustrato
edafolgico o litolgico, etc.
Vemos as que es una tarea muy compleja la caracterizacin de un tipo
de cubierta a partir de sensores remotos. Esto hace que la llamada signatura
espectral de una cierta cubierta solamente sirva como una referencia. Se llama
de esa forma al modo peculiar con el que una determinada cubierta reeja o
emite energa a distintas longitudes de onda. La signatura espectral es la base
para discriminar dicha cubierta de otras.
Por la inuencia de los factores externos las distintas cubiertas de la su-
percie terrestre no tienen un comportamiento espectral nico y permanente,
que coincida con sus curvas de reectividad espectral y permita reconocerlas sin
confusin frente a otras supercies. Con todo, es importante analizar las curvas
de reectividad patrn para interpretar las imgenes. A su vez, estas grcas
nos permiten seleccionar las bandas ms conveniente para la deteccin de las
cubiertas terrestres.
9
Los satlites que estn muy altos, ven la misma parte de la Tierra siempre y
tienen rbitas geoestacionarias. Tienen una altitud de unos 36.000 km, y rotan
a una velocidad que se ajusta justo a la rotacin terrestre, por lo que parecen
estacionarios respecto de la Tierra. Este tipo de satlites tienen especialmente
aplicaciones en telecomunicaciones y tambin meteorolgicas. Por su lejana
pueden tener imgenes de un hemisferio completo de la Tierra.
La mayora de las plataformas de sensores remotos tienen rbitas (norte-
sur) que en conjuncin con el movimiento de la Tierra (oeste-este), permite
cubrir toda la supercie terrestre cada cierto tiempo. Se denominan rbitas casi
polares ya que tienen un pequeo ngulo con el eje terrestre.
Muchos de stos son adems heliosincrnicos de tal forma de cubrir cada rea
del mundo a una hora local solar constante. Esto es importante para asegurar
condiciones de iluminacin constantes tanto para anlisis multitemporales como
para la realizacin de mosaicos.
La mayora de las plataformas satelitales de teledeteccin de hoy tienen estas
rbitas casi polares, lo cual signica que ellas viajan hacia el norte en la mitad
del planeta y hacia el sur en la otra mitad de su rbita. stas se denominan
pasadas ascendentes y descendentes respectivamente. Si la rbita adems es
heliosincrnica, la pasada ascendente suele ser del lado oscuro de la Tierra y
la descendente es cuando hay iluminacin solar disponible. As los sensores de
energa solar reejada tomarn imgenes slo en las pasadas descendentes y los
activos y o trmicos tambin tomarn imgenes en las ascendentes.
Cuando un satlite gira alrededor de la Tierra l ve slo una parte de la
supercie terrestre. El rea mirada sobre la Tierra es denominado campo de
visin (swath).
El ancho de los campos de visin para los diferentes sensores vara de decenas
a cientos de kilmetros.
Como el satlite gira de polo a polo ste mirara siempre lo mismo si la
Tierra no girara. Como ste no es el caso, el satlite parece moverse hacia el
oeste (ya que la Tierra gira de oeste a este). Este movimiento permite a cada
nueva campo de visin cubrir una zona diferente de la Tierra cada vez. As,
luego de varias rbitas, la Tierra es cubierta completamente.
Si comenzamos con cualquier pasada de un satlite, un ciclo completo se
cumplir cuando el satlite pase exactamente sobre el mismo lugar de la Tierra.
El tiempo total entre estas dos pasadas consecutivas es lo que se denomina
perodo de revisita.
Si la cmara del sensor puede moverse podra mirar el mismo lugar sin tener
que esperar a completar el ciclo orbital y entonces aumentar la frecuencia de
muestreo de un dado lugar. El perodo de revisita es un punto crucial para
muchas aplicaciones como por ejemplo derrames de petrleo, incendios, inunda-
ciones etc.
Claramente en las rbitas casi polares los campos de visin se solapan cerca
de los polos permitiendo revisitas mucho ms frecuentes.
10
Figura 6: (1) Campo de visin. (2) Campos de visin en pasadas sucesivas. (3)
Campos de visin adyacentes.
11
Figura 7: Resolucin espacial. Alta resolucin (izquierda). Baja resolucin
(derecha).
12
Figura 8: Campos de visin y resolucin espacial de ciertos sensores. De
izquierda a derecha: GOES 8 (pxel: 4,5x4,5 Km), NOAA 14 (pxel:
1,1x1,1Km), LANDSAT 5 TM (pxel: 30x30 m), SPOT 2 (pxel: 10x10 m),
IKONOS (pxel: 1,1x1,1 m).
quea escala (por ejemplo 1:100000) (menos detalles), y aqullas con cocientes
ms grandes (por ejemplo, 1:5000) se denominan escala grande (ms detalles).
En la Figura 8 podemos ver los campos de visin y resolucin espacial de
distintos sensores.
13
1.5.4 Resolucin radiomtrica
Hace mencin a la sensibilidad del sensor, esto es, a su capacidad para detectar
variaciones en la radiancia espectral que recibe. En el caso de los sistemas
fotogrcos, la resolucin radiomtrica del sensor se indica por el nmero de
niveles de gris posibles de registrar en la pelcula. Para los ptico - electrnicos,
la imagen habitualmente se presenta en formato digital, por lo que la resolucin
radiomtrica suele identicarse con el rango de valores que codica el sensor. Por
cuanto se trata de codicacin digital, habitualmente se expresa esa resolucin
en el nmero de bits que precisa cada elemento de imagen para ser almacenado
(256, 128, 64, etc.)
Cuanto mayor sea la precisin radiomtrica, tanto mejor podr interpretarse
la imagen.
El nmero de niveles ms adecuado depende del mtodo que se siga en
la interpretacin. Si sta es visual, conviene considerar que el ojo humano
difcilmente percibe ms de 64 niveles de gris, y no ms de 200.000 tonalidades.
En la interpretacin digital, la sensibilidad radiomtrica se puede aprovechar
mejor porque la computadora es capaz de distinguir una escala numrica amplia.
De hecho, en los sensores planeados para la futura estacin orbital EOS, la
resolucin estndar ser de 16 bits por pxel (65536 niveles de gris). En la Figura
9 podemos apreciar los efectos de la diferencia en la resolucin radiomtrica.
14
Figura 9: Imgenes con el mismo escenario, resolucin radiomtrica de 2 bits
(izquierda) y 8 bits (derecha).
15
TERRA
SAC-C
EO 1
Atm. Corr.
EO 1
LANDSAT 7
ALI
EO 1
HYPERION
LANDSAT
LANDSAT 7,
7, EO-1,
EO-1, SAC-C
SAC-C Y
Y TERRA
TERRA
16
y movimiento de sistemas meteorolgicos.
Hoy varios pases operan este tipo de satlites para monitorear las condi-
ciones meteorolgicas de la Tierra.
Generalmente hablando, tienen poca resolucin espacial (comparado con los
que estudian la Tierra) pero poseen una gran cobertura. Su resolucin tempo-
ral es generalmente muy alta produciendo muy frecuentes observaciones de la
Tierra, la humedad en la atmsfera, el cubrimiento de nubes permitiendo un
anlisis no de las condiciones meteorolgicas y as el pronstico.
17
Figura 11: Visin de la Tierra tomada por el GOES 7 el 25 de agosto de 1992.
18
Banda Longitud de onda Aplicacin
1 0.58 - 0.68 m Manejo de nubes, nieve y hielo.
2 0.725 - 1.1 m Inventario de agua, vegetacin
y uso para agricultura.
3 3.55 - 3.93 m Temperatura de la supercie de la Tierra,
actividad volcnica e incendios forestales.
4 10.3 - 11.3 m Temperatura de la supercie del mar
y humedad del suelo.
5 11.5 - 12.5 m Temperatura de la supercie del mar
y humedad del suelo.
Existen otros sensores similares, uno de Japn y otro de Europa con la serie
Meteosat. Ambos son geoestacionarios y estn sobre el ecuador. Ambos toman
imgenes cada media hora. El primero tiene dos bandas: 0.5- 0.75 m (1.25 km
de resolucin), y 10.5 - 12.5 m (5 km de resolucin). Meteosat tiene 3 bandas:
visible: 0.4 - 1.1 m (2.5 km de resolucin), mid-IR 5.7 - 7.1 m, (5 km de
resolucin), e IR trmico: 10.5 - 12.5 m, (5 km de resolucin).
19
Figura 12: Imagen LANDSAT 7 ETM, Track/Frame: 231/82. Fecha:
13/05/2003. CONAE (Falda del Carmen, Crdoba).
20
Figura 13: Imagen SPOT 5 - 2,5 m de resolucin de Canberra, Australia, febrero
de 2003.
21
Figura 14: Los diferentes campos de visin del CBERS
bientales. Estos sistemas son nicos debido al uso de cmaras que combinan
caractersticas especiales para resolver una gran variedad de escalas temporales
y espaciales tpicas de nuestro ecosistema.
22
Figura 15: Imagen MMRS del SAC- C - Path 228 (parcial )- 15 de octubre de
2003.
23
( 5.66 cm)). Este ltimo se puede operar de modo tal que permite medir la
reectividad de la supercie ocenica y tambin la velocidad y direccin del
viento sobre dicha supercie. Operado como radar de abertura sinttica tiene
un campo de visin de 100 km y una resolucin espacial aproximada de 30 m,
siendo VV su polarizacin.
Un segundo satlite, ERS-2, fue lanzado en abril de 1995 llevando un sensor
activo de micro ondas similar al de ERS-1. Tanto este ltimo como ERS-2
proveyeron y provn a la comunidad mundial con una enorme cantidad de datos
SAR desde el espacio exterior. Se estn usando tales datos en una amplia gama
de aplicaciones tanto en ambiente marino como terrestre. Al igual que SEASAT
ambos sensores presentan limitaciones para sus aplicaciones terrestres.
La National Space Development Agency of Japan (NASDA), lanz el satlite
JERS-1 en febrero de 1992. Lleva un SAR operando en la banda L (23.5 cm)
con polarizacin HH. El ancho del campo de visin es de 75 km y una resolucin
espacial es de aproximadamente 18 metros tanto en rango como en azimut. Este
SAR tiene cierto poder de penetracin a travs de la vegetacin y otros tipos
de cobertura.
Todo lo referente a imgenes SAR dio un salto gigante con el lanzamiento
del satlite canadiense RADARSAT, el 4 de noviembre de 1995, a cargo de la
Canadian Space Agency (CSA). Este satlite trasporta un SAR que opera en la
banda C (5.6 cm) con polarizacin HH. El campo de visin puede variar entre
35 y 500 km con una resolucin espacial variable entre los 10 y los 100 metros.
La tecnologa de avanzada de los sensores que transporta RADARSAT permite
formar imgenes de la misma regin con mayor frecuencia que los anteriores
SAR y tambin la adquisicin de datos especcos para ciertas investigaciones
geogrcas. Finalmente, RADARSAT suministra imgenes diarias de toda la
regin rtica y con la frecuencia de tres das de cualquier parte de Canad.
24
2 Procesos de Markov sobre grafos
2.1 Introduccin y notaciones
En Anlisis de Imgenes se trata de encontrar la distribucin subyacente a la
energa de retorno captada por el sensor basndose en las distribucin de la
misma en los entornos de cada pxel.
En primer lugar, nos preguntamos:
Cmo construir un modelo matemtico conveniente para dar cuenta de esas
estructuras de interdependencia locales entre los valores de la energa de retorno
en pxeles cercanos en el espacio?
La segunda cuestin que, naturalmente, nos planteamos es: Existe un mo-
delo matemtico que simultneamente sea adecuado para describir la distribu-
cin global de la energa de retorno y las estructuras de interdependencia locales?
Es claro que un tal modelo debe ser nico para cada estructura de interde-
pendencia locales.
Supongamos que para cada punto de coordenadas geogrcas (s1 ; s2 ) en un
cierto escenario S; X(s1 ; s2 ) representa el valor de la variable X en (s1 ; s2 )
cuya representacin en un formato conveniente convenimos en llamar imagen.
En este sentido X puede no solamente representar el valor de la energa de
retorno a partir de un punto de S; sino valores de magnitudes diversas que
conjuntamente son consideradas en el momento de la formacin de una imagen.
Por ello es razonable considerar que X tiene rango en un conjunto E.
Por anlisis de la imagen formada a partir de X entendemos tener una
idea lo ms certera posible de la distribucin de X sobre E cuando (s1 ; s2 ) se
mueve a lo largo de S:
Desde la dcada del 80 del siglo pasado, muchas tcnicas basadas en el uso
de procesos markovianos han demostrado ser muy tiles en el anlisis y proce-
samiento de imgenes, no slo de las satelitales sino de toda clase de imgenes.
Una buena parte de los aspectos formales del tema de nuestro inters est
contenida en una rama de la Teora de Probabilidad de creciente y rpido desa-
rrollo que algunos llaman sistemas espaciales aleatorios con interacciones. Uno
de sus objetivos importantes es la comprensin de los efectos interactuantes en
sistemas aleatorios espaciales.
El impulso inicial proviene de la Fsica Estadstica. Posiblemente el an-
tecedente ms remoto de la aplicacin de tales procesos es el clebre modelo
de Ising que fue propuesto como una forma de explicar el fenmeno de magne-
tizacin espontnea que muestran los materiales ferromagnticos. Por alguna
razn Ising no pudo concluir exitosamente su trabajo, pero su modelo recibe
todava la atencin de una gran comunidad de investigadores en todo el mundo.
La cantidad de trabajos que usan procesos de Markov en el procesamiento de
imgenes viene creciendo en forma exponencial en los ltimos aos.
En este curso nos limitaremos a presentar los elementos y resultados bsicos
de los procesos de Markov orientados a su aplicacin en el anlisis y proce-
samiento de imgenes. Lo haremos simplicando en la mayor medida posible,
la matemtica involucrada en los mismos. No obstante, lo que aqu veremos
25
ser suciente para iniciarse en el estudio del tema.
Suponemos que el lector tiene los conocimientos de Probabilidad y Estads-
tica que se dan habitualmente en los primeros aos de las carreras que tienen
tales disciplinas en sus planes de estudio.
A seguir, un poco de la notacin que usaremos a lo largo de este curso.
S ser un subconjunto nito de Z o Z Z. Es el soporte de la imagen. Esto
es, S representa el conjunto de pxeles.
E es un conjunto nito. Si estamos trabajando con imgenes binarias puede
ser:
E = f 1; +1g ;
o bien
E = f0; 1g ;
o tambin
E = fblanco; negrog :
Si trabajamos con imgenes de radar (un solo canal espectral) podra ser:
E = f0; 1; ; 255g ;
Pondremos
tivamente.
Finalmente, si X es un conjunto y A X; pondremos 1A para denotar la
funcin denida sobre X por:
0 si x 2
=A
1A (x) = :
1 si x 2 A
26
2.2 Conceptos y resultados preliminares
Denicin 1 Sea una probabilidad nunca nula sobre E S : Para cada s 2 S
sea s : E S ! [0; 1] dada por
Vs0 = Sn fsg = ft 2 S / t 6= sg :
Sea $ un punto de E:
27
Denicin 9 Sea G =(S; V) un grafo. Diremos que S no vaco es G-
completo si: #( ) = 1 o es cierta la siguiente armacin:
{s 2 ; t 2 ; s 6= t}) t 2 Vs :
Denicin 10 Sea G =(S; V) un grafo. Diremos que S no vaco es un
G-clique si: es G-completo maximal. Esto es:
{ S es G-completo y }) = :
Notacin 11 Sea G =(S; V) un grafo. Pondremos C(G) para denotar la familia
de todos los G-completos.
Ejemplo 12 Sea G 0 =(S; V 0 ) el grafo trivial. Entonces
0
C(G ) = f S / #( ) 1g :
Ejemplo 13 Sea N 1 entero. S = 0; 1; ; N: Denimos: V0 = f1g ; Vn =
fn 1; n + 1g para n = 1; ; N 1 y VN = fN 1g : Entonces V = fV0 ; V1 ; ; VN g
es un sistema de vecindades. Si G =(S; V) entonces
C(G) = ffng / n 2 Sg [ ffn; n + 1g / n = 0; ;N 1g :
S
Denicin 14 Sea V : E S P(E ) !R un potencial. Llamaremos funcin
de energa asociada a V a la funcin HV : E S !R denida por
X
HV (x) = V (x; ):
;6= S
28
Denicin 17 Sea G =(S; V) un grafo. Diremos que X es un campo G-
markoviano (o un G-MRF) si PX es G-markoviana.
29
Denimos Vn para n = 0; 1; ; N , V = fV0 ; V1 ; ; VN g y G =(S; V) como en
la proposicin anterior.
Armacin 1: Sea C = ff0; 1g ; f1; 2g ; ; fN 1; N gg : Si 2 C, entonces
es G-completo.
S
Armacin 2: Sea V : E S P(E ) !R dado por
0 si 2 =C
V (x; ) = :
x(n)x(n + 1) si = fn; n + 1g ; con n = 0; 1; ;N 1
Armacin 3:
exp ( HV (x))
PX (fxg) = N
;
2: (exp( ) + exp( ))
para todo x 2 E S :
Luego, X es un campo de Gibbs con respecto a G y V:
S = f(s1 ; s2 ) / 1 si N , i = 1; 2g :Z Z:
30
Sea E = f0; 1g : Para cada s 2 S sea s un nmero real y para cada (s; t) 2 S S
sea (s;t) un nmero real. Supongamos que:
(s;t) =0 si ks tk = 6 1
:
(s;t) = (t;s) si (s; t) 2 S S
Casos particulares
1) s = ; y para todo s = (s1 ; s2 ) 2 S
(s;t) = v si t = (s1 1; s2 )
:
(s;t) = h si t = (s1 ; s2 1)
(s;t) =0 si ks tk =
6 1
:
(s;t) = si ks tk = 1
$ si s 2
=
x (s) = :
x(s) si s 2
31
Sea G 0 =(S; V 0 ) el grafo trivial. Entonces:
a) X
V C( )(x; ) = ( 1)#( n ) ln x = $S ;
$S (s) = $;
para todo s 2 S:
b) V C( ) es un G 0 -potencial normalizado con respecto al punto $, llamado el
potencial cannico de :
c) es una distribucin de Gibbs con respecto a G 0 y V C( ).
d) Si U es otro G 0 -potencial normalizado con respecto al punto $ tal que es
una distribucin de Gibbs con respecto a G 0 y U entonces U y V C( ) coinciden.
32
c) Sean: G =(S; V) un grafo; V un G-potencial; S no vaco; x 2 E S .
Pondremos: X
HV \ (x) = V (x; );
2C(G)\
exp( HV \ (x))
(fx; g j fx; g) = (fx; g j fx; V( )g) = P :
exp( HV \ (I (z; x)))
z2E
33
El ruido puede o bien degradar o bien ocultar totalmente el contenido de
informacin radiomtrica de una imagen digital. Por ello la remocin del ruido
habitualmente debe preceder a cualquier tcnica de mejoramiento o clasicacin
de una imagen. El objetivo en la remocin de ruidos es restaurar una imagen
para obtener una lo ms aproximada posible a la escena real focalizada en la
imagen.
Veamos a seguir cmo incorporar el mencionado ruido en un modelo matemtico
adecuado. Lo haremos en el caso muy simple de imgenes binarias.
con 0 1
X J X
ZJ = exp @ z(s)z(t)A :
S
2
z2E ks tk=1
1
Sea 0 < " < 2:
Sea W : ! E S un campo aleatorio tal que fW (s) / s 2 Sg es una familia de
variables independientes con
34
para todo ! 2 y todo s 2 S, y que X y W son independientes.
En este contexto, el problema de recticacin y restauracin de imgenes se
puede plantear en trminos formales como: estimar X conocido Y.
Sea : E S E S ! (0; 1] dada por:
donde
0 1
X J X 1 X y(s) 1 " A
ZJ;y = exp @ z(s)z(t) ln :
2 2 z(s) "
z2E S ks tk=1 s2S
1 si t = s
(1; z)s (t) = :
z(t) si t 6= s
bM AP (!); Y (!)
X (x; Y (!)) ;
para todo x 2 E S :
35
B = fBs / s 2 Sg otro sistema de vecindades sobre S:
Para cada s 2 S sean: Bs = Bs [ fsg ; Hs : E Bs ! F suryectiva. Con Hs
denotamos la posible distorsin en la seal de retorno desde s causada por la
inuencia de los retornos desde los pxeles situados en una cierta vecindad de
s: Finalmente, sean: : F ! G suryectiva; : G G ! G, : G G ! G
suryectivas tales que
(a; (a; b)) = b = (a; (a; b));
para todo (a; b) 2 G G:
Sea e" : ! GS un campo markoviano con respecto a (S; B) ; con B = fBs / s 2 Sg
" = g) > 0, para todo g 2 GS :Este campo e
tal que con P (e " representa el ruido
aleatorio. Supongamos que X y e " son independientes.
Finalmente, sea Y : ! GS el campo aleatorio que representa las observaciones
dado por
Y (!) (s) = Hs X (!)Bs ;e
"(!) (s) :
En el ya mencionado trabajo ([2]) se prueba con detalle la propiedad enunci-
ada en ([3]) de que el campo aleatorio X condicional a la imagen observada
Y sigue siendo markoviano con respecto a un cierto sistema de vecindades que
comprende a los sistemas V y B.
Ejemplo 33 Caso particular del modelo general para imgenes con
distorsin y ruido. Sean: N 2; S; V = fVs / s 2 Sg; G =(S; V) y E =
f 1; +1g como en el Modelo de Ising 2-D. Para cada s = (s1 ; s2 ) en S, sea
n o
2 2
Bs = t = (t1 ; t2 ) / 0 < (s1 t1 ) + (s2 t2 ) 2 ;
y B = fBs / s 2 Sg :
Para facilitar la notacin, pongamos
Int = f(s1 ; s2 ) / 1 < si < N , i = 1; 2g ;
Esq = f(1; 1); (1; N ); (N; 1); (N; N )g ;
Lad = Sn (Int [ Esq) :
Se puede vericar fcilmente que
8
< 4 si s 2 Esq
# (Bs ) = 6 si s 2 Lad :
:
9 si s 2 Int
Denimos la distorsin por
1 X
Hs xBs = xBs (t);
# (Bs )
t2Bs
para todo s 2 S:
Sea
1 3 1 5 6 7
F = 0; ; ; ; ; ; ; 1 ;
9 9 2 9 9 9
36
y
G = E:
Luego
G G = f( 1; 1); ( 1; 1); (1; 1); (1; 1)g :
Sea :G G ! G dada por
1 si i = j
((i; j)) =
1 si i = j
1 si z 0
(z) = :
1 si z > 0
A su vez, esta funcin puede interpretarse como una funcin umbral de res-
puesta, que enfatiza el efecto de borroneo: aquellos pxeles que toman valores
grises oscuros (no positivos) son asociados con el color negro (valor 1) y los
grises claros (positivos) son asociados con el blanco (+1).
Suponemos ahora que las caractersticas locales correspondientes al campo aleato-
rio X que representa la imagen verdadera estn dadas por:
1+x(s)
exp 2 ( s + s)
s (x) = P (X (s) = x(s)jXVs = xVs ) = ;
1 + exp ( s + s)
37
donde, suponiendo que s = (i; j) 2 Int denimos:
38
con 0 1
X J X
ZJ = exp @ 1fz(s)g (z(t))A :
S
2
z2E ks tk=1
S
Sea W : ! E un campo aleatorio tal que fW (s) / s 2 Sg es una familia de
variables independientes con
1
1 1 e 2
P (W (s) = e) = K exp ;
2
con 1 !
X 1 d 2
K = exp :
2
d2E
Es decir, W es gaussiano discreto.
Suponemos ahora que el proceso realmente observado no es X sino otro proceso
Y : ! E S dado para todo ! 2 y todo s 2 S por:
Y (!) (s) = X (!) (s) W (!) (s);
donde entre dos elementos de E a y b signica
a b = (a + b) mod L:
para todo s 2 S y que X y W son independientes.
Sea : E S E S ! (0; 1] dada por:
(x; y) = P (X = xjY = y):
En este caso particular se cumple:
0 1
1 J X 1 X 2A
(x; y) = exp @ 1fx(s)g (x(t)) 2
(y(s) x(s)) ;
ZJ; ;y 2 2
ks tk=1 s2S
donde
0 1
X J X 1 X 2
ZJ; ;y = exp @ 1fz(s)g (z(t)) 2
(y(s) z(s)) A :
2 2
z2E S ks tk=1 s2S
39
Denicin 35 Se dice que una funcin q : E S E S ! [0; 1] es una matriz
de transicin si
Notacin 37 Sea
I = f0; 1; 2; g:
I
Consideremos a E S como espacio medible con la -lgebra producto que de-
notaremos por B.
Para cada probabilidad, , nunca nula sobre E S y cada sucesin de matrices de
I
transicin (pn )n 1 sea P ; ; (pn )n 1 la nica probabilidad sobre E S ; B
tal que:
n I
o
P xe 2 ES / x e (0) = x0 ; x
e (1) = x1 ; e (n) = xn ; ; (pn )n 1
;x
= (fx0 g) :p1 (x0 ; x1 ) : :pn (xn 1 ; xn ) ;
P ; x; (pn )n 1 =P ; ; (pn )n 1 ;
P ( ; ; p) = P ; ; (pn )n 1 :
40
Notemos que decir (Xn )n 0 es una cadena de Markov con respecto a P ; ; (pn )n 1
S I S
sobre E ; B con valores en E signica decir que (Xn )n 1 es una sucesin
S I
de funciones medibles con dominio en E y rango en E S tal que:
para todo x 2 E S y
q (x; y) = q (y; x) ;
para todo y 2 E S :
c) p ( ; ; ; q) es irreducible si y slo si q es irreducible.
para todo y 2 E S :
41
Deniremos por induccin una sucesin (Xn )n 0 de funciones con dominio
S I
en E de manera tal que esta sucesin resulte ser una cadena de Markov con
I
respecto a P ( ; x; p) sobre ES ; B con valores en E S ; siendo p la matriz de
transicin p ( ; ; ; q) :
X0 = x:
Xk = v:
Xk+1 = y:
X0 (e
y ) = x;
I
para todo ye 2 E S :
Sea k 0 y supongamos denidas X0 ; ; Xk :
42
Sean:
A= v; z) 2 E S ES / (fvg) < (fzg) ;
I
y U funciones medibles denidas sobre E S con valores en E S y [0; 1] re-
spectivamente que son P ( ; x; p)-independientes y tales que:
1)
P ( = zjXk = v) = q (v; z) ;
para todo z y v en E S ;
2) U y (X0 ; ; Xk ) son P ( ; x; p)-independientes;
3) Bajo P ( ; x; p), U tiene distribucin uniforme sobre [0; 1] : Esto es:
8
< 0 si t 0;
P (U t; x; p) = t si 0 < t < 1;
:
1 si t 1:
I
Sea W funcin medible con valores en f0; 1g denida sobre E S por
W (e
y ) = 1A ( (e
y ); Xk (e
y )) :1[i(ey);1) (U (e
y )) ;
donde
(f (e
y )g)
i (e
y) = :
(fXk (e
y )g)
I
Finalmente, sea Xk+1 denida sobre E S por
Xk+1 (e
y ) = (e
y ) + W (e
y ) (Xk (e
y) (e
y )) :
Proposicin 41 Se cumple
para todo y y v en E S :
43
G-potencial; HV : E S !R la funcin de energa asociada a V ; una distribucin
de Gibbs con respecto a G y V: Esto es:
1
(fxg) = exp ( HV (x)) ;
ZV
donde X
HV (x) = V (x; ):
2C
y X
ZV = exp ( HV (y)) :
y2E S
con X
HV \fsg (x) = V (x; );
s2 2C
y
z si t = s;
Ifsg (z; x) (t) =
x (t) si t 6= s:
Sea (sk )k 1 una sucesin en S tal que
# (fk / sk = sg) = 1;
para todo s 2 S:
Para cada k = 1; 2; , sea : E S E S ! [0; 1] denida por
Sea x0 2 E S cualquiera.
Deniremos por induccin una sucesin (Xn )n 0 de funciones con dominio
S I
en E de manera tal que esta sucesin resulte ser una cadena de Markov con
I
respecto a P ; x0 ; (pk )k 1 sobre ES ; B con valores en E S :
Algoritmo 42 Sea
X0 = x0 :
44
Deniremos a seguir Xk+1 :
I
Para cada s 2 S sea s : E S ! E S una funcin medible tal que:
cualesquiera sean z 2 E; v; w2 ; ; wk en E S :
I
Deniremos a seguir Xk+1 sobre E S por
Xk+1 (e
y ) (t) si t 6= sk+1 ;
Xk+1 (e
y ) (t) =
sk+1 (e
y) si t = sk+1 :
para todo y 2 E S :
Bibliografa
[1] FRIGESSI, A. y PICCIONI, M. (1988), Parameter estimation for the two-
dimensional Ising elds corrupted by noise, Quaderno, IAC-CNR, Roma.
[2] BUSTOS, O. H. y FRERY, A. C. (1992), A contribution to the study of
markovian degraded images: an extension of a theorem by Geman and Ge-
man, Computational & Applied Mathematics, 11, pags. 17-29.
[3] GEMAN, S., and GEMAN, D. (1984), Stochastic relaxation, Gibbs distrib-
ution, and the bayesian restoration of images, IEEE Trans. Pattern Anal.
Machine Intell., PAMI 6, pags. 721-741.
45