Introduccin a los procesos markovianos en el

anlisis y procesamiento de imgenes

Oscar H. Bustos
[email protected]
CIEM - FaMAF - Universidad Nacional de Crdoba

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.

1.1 Principios fsicos de la teledeteccin

El trmino teledeteccin es una traduccin del ingls (Remote Sensing), se de-
ne como el conjunto de conocimientos y tcnicas utilizados para determinar
caractersticas fsicas y biolgicas de objetos y supercies mediante mediciones
a distancia, sin el contacto material con los mismos. La teledeteccin no engloba
slo los procesos que permiten obtener una imagen desde el aire o el espacio, sino
tambin su posterior tratamiento en el contexto de una determinada aplicacin.
En otras palabras, la teledeteccin se dene como la tcnica de adquisi-
cin y posterior tratamiento de datos de la supercie terrestre desde
sensores instalados en plataformas espaciales, en virtud de la interac-
cin electromagntica existente entre la Tierra y el sensor, siendo la
fuente de radiacin ya sea proveniente del sol (teledeteccin pasiva)
o del propio sensor (teledeteccin activa).
Veamos los componentes de un sistema de teledeteccin.
Los componentes bsicos de un sistema de teledeteccin son: la escena, el
sensor y el tratamiento de la informacin, con los siguientes elementos.
Fuente de energa o iluminacin: (A) - La fuente de energa que supone el
origen del ujo energtico detectado por el sensor. Puede tratarse de un foco
externo al sensor, en cuyo caso se habla de teledeteccin pasiva, o de un haz
energtico emitido por ste, conocido como teledeteccin activa. La fuente de
energa ms importante es la energa solar.
Radiacin y la atmsfera (B) - Es el proceso y el medio en el que la energa
electromagntica es propagada a travs del espacio libre.
Interaccin con la supercie terrestre (C) - La cubierta terrestre, formada
por distintas masas de vegetacin, suelo, agua y construcciones, que reciben la
seal energtica procedente de la fuente de energa, y la reejan o emiten de
acuerdo a sus caractersticas fsicas.
El sistema Sensor (D) -Compuesto por el sensor propiamente dicho y la
plataforma que lo sustenta. Tiene como misin captar la energa procedente
de las cubiertas terrestres, codicarla y enviarla directamente al sistema de
recepcin.
Sistema de trasmisin, recepcin, y procesamiento (E) - El Sistema de re-
cepcin recibe la informacin transmitida por el sensor. Esta informacin es
grabada en un formato apropiado y es distribuido a los intrpretes para su
tratamiento visual o digital.

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.

Interpretacin y anlisis (F) - En esta etapa el intrprete, analiza la infor-

macin.
Aplicacin (G) - El ltimo proceso es el de extraer la informacin necesaria
para resolver un problema especico; esa informacin llega al usuario nal quien
es el encargado de analizar el documento fruto de la interpretacin, as como
dictaminar el impacto que de l se derive.
Habitualmente se asume que la formacin de imgenes en teledeteccin se
basa en el uso de la radiacin electromagntica para adquirir la informacin a
distancia, esto es partiendo de sensores remotos.
Las propiedades de la radiacin electromagntica se han explicado histri-
camente a travs de dos teoras: 1) la que la concibe como un haz ondulatorio
(Huygens, Maxwell), y 2) la que la considera como una sucesin de unidades
discretas de energa, fotones o cuantos, con masa igual a cero (Planck, Einstein).
Actualmente se ha demostrado que la luz puede comportarse de acuerdo a ambas
teoras. Segn la teora ondulatoria, la energa electromagntica se transmite
de un lugar a otro en forma de una onda continua a la velocidad de la luz y
conteniendo dos campos de fuerzas ortogonales entre s: elctrico y magntico.
El ujo energtico conforme a esta teora puede describirse por dos elementos:
longitud de onda ( ) y frecuencia (F ). La primera hace referencia a la distancia
entre dos picos sucesivos de una onda, mientras que la frecuencia designa el
nmero de ciclos pasando por un punto jo en una unidad de tiempo. Ambos

3
 Figura 2: Las ondas eletromagnticas.

elementos estn inversamente relacionados por:

c = :F;

donde: c: velocidad de la luz, : longitud de onda (habitualmente medida en

micrmetros, 1 m = 10 6 m), y F : frecuencia (medida en Hertzios, ciclos por
segundo).
Veamos algunos trminos y unidades de medida de uso habitual en proce-
samiento de imgenes.
Energa radiante. Indica el total de energa radiada en todas las direcciones.
Densidad radiante. Total de energa radiada en todas las direcciones por
unidad de volumen.
Flujo radiante. Total de energa radiada en todas las direcciones por unidad
de tiempo.
Emitancia o excitancia radiante. Total de energa radiada (emitida) en todas
las direcciones desde una unidad de rea y por unidad de tiempo.
Irradiancia radiante. Total de energa radiada (incidente) sobre una unidad
de rea y por unidad de tiempo.
Intensidad radiante. Total de energa radiada por unidad de tiempo y por
ngulo slido. Se trata ste de un ngulo tridimensional, que reere a la seccin
completa de la energa transmitida.
Radiancia. Total de energa radiada en una determinada direccin por
unidad de rea y por ngulo slido de medida. Describe precisamente lo que
mide el sensor.

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.

1.2 El espectro electromagntico

Aunque la sucesin de valores de longitud de onda es continua, suelen estable-
cerse una serie de bandas en donde la radiacin electromagntica maniesta un
comportamiento similar.
Desde el punto de vista de la teledeteccin, conviene destacar una serie de
bandas espectrales, que son las ms frecuentemente empleadas con la tecnologa
actual:
1) Espectro visible (0.4 a 0.7 m). Suelen distinguirse tres bandas elemen-
tales, que se denominan azul: (0.4 a 0.5 m), verde (0.5 a 0.6 m), y rojo (0.6
a 0.7 m), en razn de los colores primarios que nuestros ojos perciben a esas
longitudes de onda.
2) Infrarrojo prximo (0.7 a 1.3 m). Resulta de especial importancia por
su capacidad para discriminar masas vegetales y concentraciones de humedad.
3) Infrarrojo medio (1.3 a 8 m), en donde se entremezclan los procesos de
reexin de la luz solar y de emisin de la supercie terrestre. Resulta idneo
para estimar contenido de humedad en la vegetacin y deteccin de focos de
alta temperatura.
4) Infrarrojo lejano o trmico (8 a 14 m), que incluye la porcin emisiva del
espectro terrestre, en donde se detecta el calor proveniente de la mayor parte
de las cubiertas terrestres.
5) Micro - ondas (a partir de 1 m), con gran inters por ser un tipo de
energa bastante transparente a la cubierta nubosa.

1.3 Principios y leyes de la radiacin electromagntica

Es importante caracterizar espectralmente las distintas cubiertas de inters.
Para ello, es imprescindible ver, aunque sea supercialmente, los procesos ms
relevantes que permiten explicar ese procedimiento. La relacin entre ujo de

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:

max = 2898=T mK:

Esta frmula es de gran inters para seleccionar la banda ms conveniente para

detectar una determinada cubierta, siempre que se conozca su temperatura.

1.4 El dominio ptico del espectro

Se denomina dominio ptico del espectro a aquel grupo de longitudes de onda
directamente dependientes de la energa solar.
Veamos ahora cmo la radiacin interacciona con la supercie terrestre.

i = r + a + t;

donde i : ujo incidente, r : ujo reejado, a : ujo absorbido, t : ujo

transmitido.
La proporcin del ujo incidente que es reejado, absorbido y transmitido
depende de las caractersticas de la supercie que se observa y de la longitud de
onda a la que sea observado.
A partir de medidas de laboratorio, se han obtenido unas curvas de reec-
tividad espectral para las principales cubiertas terrestres:
Ahora bien, el ujo de energa recibido por el sensor no slo depende de
la reectividad de la cubierta, sino tambin de otros factores externos. Los
ms importantes son: (i) las condiciones atmosfricas, (ii) el emplazamiento
ambiental de la cubierta y (iii) la geometra de la observacin.
En cuanto a las condiciones de observacin, conviene tener presente que la
cantidad de energa que llega al sensor depende del ngulo con que la super-
cie reeja la energa incidente, as como del que forman el haz incidente con
la posicin del sensor. La geometra de la observacin est estrechamente rela-
cionada con la rugosidad de la supercie. Podemos distinguir as diferentes tipos
de coberturas (ver gura abajo): especulares: reejan la energa con el mismo
ngulo del ujo incidente; lambertianas: reejan uniformemente en todas las
direcciones.
En el caso de las supercies especulares el sensor recibe energa reejada del
suelo slo si est situado en la direccin del ngulo de reexin. Si la supercie
es lambertiana, la radiancia es constante en cualquier ngulo de reexin.
La mayora de las supercies terrestres tienen un comportamiento intermedio
entre las especulares y las lambertianas, dependiendo de sus caractersticas y de
la longitud de onda en la que se trabaje. Si la longitud de onda es pequea, las

7
Figura 4: La reectividad espectral segn las cubiertas del suelo. (1) Suelo
desnudo. (2) Agua. (3) Vegetacin sana. (4) Vegetacin estresada. (5) Nieve.

Figura 5: Principales clases de la reectividad. (1) Reexin especular, (I)

ngulo incidente, (R) ngulo de reexin. (2) Reexin lambertiana.

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.

1.5 Parmetros de sensores en general

Para que un sensor pueda registrar energa reejada o emitida desde un blanco,
este sensor debe estar sobre una plataforma alejado del blanco observado.
Estas plataformas podran estar sobre la Tierra, sobre aviones, globos, as
como sobre naves espaciales o satlites fuera de la atmsfera.
Las plataformas areas son usualmente montadas sobre aviones. stas suelen
utilizarse para obtener informacin detallada de cualquier lugar de la Tierra.
En el pasado fueron la nica alternativa para obtener resoluciones espaciales
mtricas.
Los sensores usados en tierra suelen cumplir la funcin de registrar infor-
macin muy detallada de alguna supercie la cual, luego, es comparada con
la obtenida desde aviones o satlites, es decir, suele tomarse como validacin
te-rrestre para entender mejor la imagen satelital. stos pueden estar sobre la
mano, sobre edicios o gras.

1.5.1 rbitas y campos de visin

El camino seguido por un satlite es conocido como rbita.
Las rbitas de los satlites son denidas en funcin del objetivo de los sen-
sores que ellos deben llevar. La rbita elegida puede variar en altitud, y su
orientacin y rotacin relativa a la Tierra.

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).

1.5.2 Resolucin espacial, tamao del pxel y escala

La distancia entre el sensor y el blanco generalmente dene en detalle la infor-
macin obtenida y el rea total mirada por el sensor.
Comparemos lo que vera un astronauta en el space shuttle y usted desde
un avin. El astronauta podra ver todo su pas pero claramente no podra
diferenciar casas. Volando sobre una ciudad usted vera edicios, autos pero
tendra una visin mucho ms pequea. Existe una diferencia similar entre los
sensores en satlites y aviones.
Los detalles discernibles en una imagen dependen de la resolucin espacial
del sensor que se reere al ms pequeo objeto que es posible detectar. La
resolucin espacial de sensores pasivos depende primariamente de su Campo
de visin instantneo (Instantaneous Field of View (IFOV)).
Si bien para detectar un objeto, su tamao deber ser igual o mayor a la
mnima celda de resolucin, objetos ms pequeos muchas veces son detectables
si su reectancia domina dentro de una zona del tamao de la celda mnima.
Una imagen est formada por una matriz de elementos, o pxeles, los cuales
constituyen las unidades ms pequeas de la imagen. Los pxeles de la imagen
son generalmente cuadrados y representan cierta rea de la imagen. Es impor-
tante distinguir entre el tamao de pxel y la resolucin espacial. Si un sensor
tiene una resolucin espacial de 20 m y la imagen es presentada en mxima
resolucin, cada pxel representa un rea de 20m x 20m sobre la Tierra. Sin
embargo, es posible presentar a la imagen con un tamao de pxel mayor a la
resolucin espacial.
La mayor parte de las ilustraciones con imgenes tienen sus pxeles prome-
diados para representar grandes reas, aunque su resolucin espacial original
permanezca inalterada.
Las resoluciones actuales de los satlites comerciales van desde un kilmetro
hasta del orden del metro.
La razn entre una distancia en una imagen o mapa a la distancia real sobre
la Tierra es llamada escala. Si usted tiene un mapa con una escala de 1:100000,
un objeto de 1cm de longitud sobre el mapa realmente ser de 100000 cm (1km).
Mapas o imgenes con una razn mapa-a-tierra pequea, se dicen de pe-

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.

1.5.3 Resolucin espectral

Indica el nmero y ancho de las bandas espectrales que puede discriminar el sen-
sor. Este ser ms eciente cuanto mayor sea el nmero de bandas que ofrezca,
pues facilita la caracterizacin espectral de las distintas cubiertas. Tambin
conviene que esas bandas sean sucientemente estrechas, con objeto de recoger
la seal sobre regiones coherentes del espectro.
Entre los sensores espaciales, la menor resolucin espectral corresponde al
radar (generalmente un solo canal) y a los sistemas fotogrcos. Los sensores
ptico - electrnicos ofrecen un mayor rango de bandas; por ejemplo: 3 en el
SPOT - HRV, 7 en el LANDSAT - TM.
Recientemente, podemos contar con los llamados sensores hiperespectrales.
Son sensores especiales los cuales detectan y registran radiacin en varios (cien-
tos) de bandas espectrales estrechas. Tienen alta resolucin espectral a causa
de sus estrechos anchos de banda. Midiendo radiacin sobre muchos rangos
estrechos de longitudes de onda, podemos construir un espectro casi continuo
de respuesta en cada pxel de la imagen. Esto permite una diferenciacin na
entre blancos con respuestas diferentes que sera imposible con bandas anchas
como los de las multiespectrales. Ahora bien, el volumen de datos generados
es muy grande, complicando tanto la manipulacin como el almacenamiento de
los datos.

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.

1.5.5 Resolucin temporal

Adems de las resoluciones espacial, espectral y radiomtrica la resolucin tem-
poral es un parmetro crucial en las aplicaciones de sensores remotos. Se reere
al perodo de tiempo que lleva el sensor en completar un ciclo orbital completo.
Este ciclo es generalmente de varios das.
De todos modos, debido al solapamiento de los campos de visin de rbitas
adyacentes, que aumenta a medida que aumenta la latitud, algunas supercies
pueden verse ms frecuentemente. Campos de visin ms anchos se revisitan
ms seguido, tienen mayor resolucin temporal.
Adems algunos satlites pueden mover su sensor pudiendo entonces forzar
la visin de algn lugar ms frecuentemente y as la resolucin temporal real
depende de la rbita, campo de visin, caractersticas del sensor y latitud.
La habilidad de colectar imgenes de la Tierra en forma frecuente es muy
importante para analizar cambios en el tiempo de las caractersticas espectrales
de un determinado blanco. Este tipo de anlisis es conocido como anlisis
multitemporal.
Este concepto se reere a la frecuencia de cobertura que proporciona el
sensor. La cadencia temporal de los sistemas espaciales vara de acuerdo a los
objetivos jados para el sensor. Por ejemplo durante la primavera, la mayor
parte de las especies de vegetacin tienen un cambio continuo y as la habilidad
de monitorear estos cambios depende de esta capacidad de revisitas continuas.
El factor temporal es importante por ejemplo en: Lugares donde usualmente
est nublado y no pueda verse la supercie. Fenmenos de corta vida (inun-

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

Figura 10: Resolucin temporal de ciertos sensores.

daciones, derrames de petrleo). Cuando un anlisis temporal es requerido

(por ejemplo la expansin de deforestacin de un ao a otro). Cuando los cam-
bios producidos en los aspectos nos hacen diferenciar ciertos elementos similares
(trigo / maz).
La Figura 10 muestra la resolucin temporal de algunos sensores muy usados
en todo el mundo.

1.5.6 Sensores en uso al da de hoy

El monitoreo del tiempo y pronstico ha sido una de las primeras aplicaciones
civiles de la teledeteccin. Ya desde 1960 TIROS-1 (Television and Infrared
Observation Satellite - 1), se han lanzado muchos satlites con rbitas casi
polares proveyendo una cobertura completa de la Tierra.
En 1966, NASA (the U.S. National Aeronautics and Space Administration)
lanz el satlite geoestacionario (ATS-1) el cual pudo proveer imgenes hemis-
fricas cada media hora. As por primera vez se pudo monitorear el desarrollo

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.

GOES El GOES (Geostationary Operational Environmental Satellite) sigui

a la serie ATS. Ellos fueron diseados por la NASA para la National Oceanic and
Atmospheric Administration (NOAA) para proveer al United States National
Weather Service imgenes frecuentes de la supercie terrestre y del cubrimiento
de nubes.
La serie de satlites GOES ha sido utilizada en meteorologa por ms de 20
aos. Estos satlites forman parte de una red global de satlites espaciados unos
70o de longitud alrededor de la Tierra proveyendo una cobertura casi completa.
Dos satlites GOES en rbitas geostacionarias a unos 36000 km arriba del
ecuador, miran cada uno casi un tercio de la Tierra. Uno est a 75o W longitud
y monitorea toda Amrica y la mayor parte del Atlntico. El otro, a 135o W de
longitud monitorea toda Amrica del Norte y el Pacco. Juntos cubren desde
20o W a 165o E de longitud.
A manera de ejemplo veamos la siguiente gura que muestra una toma com-
pleta de la Tierra realizada por GOES 7 en la que se ve al Huracn Andrews
aproximndose a Louisiana el 25 de agosto de 1992.
La segunda generacin iniciada por el GOES-8 (1994) con sus mejoras per-
miten ver la Tierra cada 15 minutos. Este incremento en la resolucin tem-
poral junto a mejoras en la resolucin radiometrica y espacial han mejorado
notablemente la capacidad de los pronsticos meteorolgicos. GOES-8 tiene in-
trumentos que le dan la capacidad de tomar imgenes hemisfricas e imgenes
de pequeas reas. stas tienen una resolucin radiomtrica de 10 bits y pueden
transmitirse directamente al usuario en tierra.

NOAA AVHRR La NOAA es tambin responsable de otra serie de satlites

esencialmente meteorolgicos pero tiles para otros nes. stos tienen rbitas
casi polares heliosincrnicas a (830-870 km de altura).
Dos satlites que proveen cobertura global cada 6 hs. Uno, cruza el ecuador
a la maana temprano de norte a sur mientras el otro lo hace a la tarde.
El sensor principal sensor es el Advanced Very High Resolution Radiometer
(AVHRR). ste detecta la radiacin en el visible, en el IR cercano, medio y
trmico. Tiene un campo de visin de 3000 km.
Veamos ahora aplicaciones de este sensor:

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).

LANDSAT Aunque muchos sistemas meteorolgicos satelitales tambin son

usados para supervisar la supercie de la Tierra, no son ptimos para el trazado
de un mapa detallado de la supercie de Tierra. El primer satlite diseado ex-
presamente para supervisar la supercie de la Tierra, LANDSAT-1, fue lanzado
por la NASA en 1972. LANDSAT ha sido diseado para probar la viabilidad de
recoger datos de observacin de Tierra multi-espectrales desde una plataforma
satelital no tripulada. Desde entonces, este programa ha recogido una gran
cantidad de datos del mundo entero de varios LANDSAT.
El xito de LANDSAT se debe a varios factores: una combinacin de sen-
sores con bandas espectrales adaptadas a la observacin de la Tierra, resolucin
espacial y buena cobertura regional. La larga vida til del programa ha propor-
cionado un archivo voluminoso de datos de recursos de la Tierra que facilitan
la supervisin de largo plazo, registros histricos e investigacin. Todos los
satlites de LANDSAT son colocados en rbitas casi polares, heliosincrnicas.
Los tres primeros satlites (LANDSATs 1-3) estaban en altitudes alrede-
dor de 900 kilmetros y tenan perodos de 18 das mientras los satlites pos-
teriores estn alrededor de 700 kilmetros y tienen perodos de 16 das. Todos
los satlites de LANDSAT cruzan el ecuador por la maana para optimizar las
condiciones de iluminacin. El instrumento ms popular en los primeros das
del LANDSAT, era el MultiSpectral Scanner (MSS) luego el Thematic Mapper
(TM). Ambos tenan un campo de visin de 185 km, con escenas de 185 km x
185 km.
La resolucin espacial de TM es de 30 m para todas las bandas excepto la
banda del infrarrojo trmico que tiene 120 m. Todos los canales son registrados
sobre una gama de 256 nmeros digitales (8 bits). Los datos del MSS y del TM
son usados para una amplia variedad de aplicaciones, incluyendo la gestin de
recursos, el trazado de mapas, la supervisin medioambiental, y la deteccin de
cambio (p.ej. la supervisin de talas de bosques).

19
Figura 12: Imagen LANDSAT 7 ETM, Track/Frame: 231/82. Fecha:
13/05/2003. CONAE (Falda del Carmen, Crdoba).

En la Figura 12 vemos una imagen obtenida por el LANDSAT 7.

SPOT SPOT (Systme Vierte lObservation de la Terre) es una serie de

satlites de observacin de la Tierra diseados y lanzados por el CNES (Centre
dtudes Nacional Spatiales) de Francia, con el apoyo de Suecia y Blgica. El
SPOT -1 ha sido lanzado en 1986, con versiones sucesivas posteriores cada tres o
cuatro aos. Todos los satlites estn en rbitas sincronizadas con el movimiento
del sol, casi polares, en altitudes alrededor de 830 kilmetros encima de la Tierra,
que causa la repeticin de la rbita cada 26 das. Cruzan el ecuador alrededor
de las 10:30 de la maana, hora solar local. El SPOT ha sido diseado para
ser un proveedor comercial de datos de observacin de la Tierra, y fue el primer
satlite en usar tecnologa along-track.
Cada uno de los satlites SPOT tiene un par de sistemas de alta resolu-
cin en las bandas del visible (HRV), que pueden ser manejados por separado
y simultneamente. Cada HRV es capaz de tomar datos en un canal solo de

20
Figura 13: Imagen SPOT 5 - 2,5 m de resolucin de Canberra, Australia, febrero
de 2003.

alta resolucin espacial pancromtico (PLA), o en una resolucin espacial mayor

en modo multiespectral (MLA) de tres canales. Cada sensor along-track HRV
consiste en cuatro colecciones lineales de detectores: 6000 elementos para la
grabacin de modo panchromatic en una resolucin espacial de 10 m, y 3000
elementos para cada una de las tres bandas multiespectrales, en 20 m de resolu-
cin espacial. El ancho del campo de visin para ambos modos es 60 kilmetros
en el nadir.

CBERS El primer satlite desarrollado en Brasil, el CEBERS-1, fue lanzado

exitosamente por el cohete chino Larga Marcha 4B del Centro de Lanzamiento
de Taiwan el 14 de octubre de 1999. Su rbita es heliosincrnica a una altura
de 778 km, efecta aproximadamente 14 vueltas a la Tierra por da y consigue
obtener una cobertura completa de la supercie terrestre cada 26 das.
Los satlites CBERS-1 y 2 estn equipados con cmaras para observaciones
pticas de toda la Tierra adems de un sistema de recoleccin de datos am-

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.

SAC-C El SAC-C es el primer satlite argentino de observacin de la Tierra,

diseado para el estudio de ecosistemas terrestres y marinos, la medicin de
la temperatura y contenido de vapor de agua de la atmsfera, la medicin del
campo magntico terrestre, estudios de la estructura y dinmica de la atms-
fera e ionsfera y la determinacin de componentes de onda larga del campo
gravitatorio terrestre.
La carga principal del SAC-C est compuesta de un barredor multiespectral
de resolucin media (Multispectral Medium Resolution Scanner - MMRS), pro-
visto por la CONAE, un conjunto de magnetmetros para mediciones escalares y
vectoriales del campo magntico terrestre (Magnetic Mapping Payload - MMP)
desarrollado y construido por un consorcio formado por la NASA/JPL y el
Danish Space Research Institute (DSRI) y un receptor GPS de posicionamiento
global (Gps OccuLtation and Passive reection Experiment-GOLPE), provisto
por el JPL/NASA. Adicionalmente, el SAC-C dispone de una cmara pan-
cromtica de una resolucin de 35 metros (HRTC), una cmara de sensibilidad
alta (HSTC) desarrolladas por la CONAE, dos cargas de ensayos tecnolgi-
cos provistos por Italia para experimentos de navegacin y control de rbita,

22
Figura 15: Imagen MMRS del SAC- C - Path 228 (parcial )- 15 de octubre de
2003.

un instrumento francs para determinar el efecto de partculas de alta energa

en componentes electrnicos de ltima generacin (ICARE), y un sistema de
recoleccin de datos ambientales (DCS) constituido por un sistema de estaciones
distribuidas en el territorio nacional.
A bordo del SAC-C hay diez instrumentos que se utilizan para llevar a cabo
diversos estudios relacionados con las Ciencias de la Tierra y experimentos tec-
nolgicos con el objeto de mejorar el desarrollo de futuras misiones espaciales.

Sistemas de radar. Debido al xito obtenido en el uso de imgenes de radar

aerotransportadas, fue natural tratar de complementar la informacin dada por
sensores pticos instalados en satlites por medio de radares colocados en tales
transportadores.
SEASAT, lanzado en 1978, fue el primer radar SAR en teledeteccin de uso
civil. Operaba en banda L (23.5 cm) con polarizacin HH y una resolucin
espacial de 25 metros. Si bien fue diseado con el principal objetivo de for-
mar imgenes de ocanos y tmpanos tambin coleccion una gran cantidad de
imgenes terrestres. Sin embargo era de utilidad limitada en estas supercies a
causa de la interaccin del relieve con las caractersticas del radar.
Aunque estuvo operativo apenas tres meses, demostr el valor, con respecto
al gran volumen de datos, de la informacin posible por medio del uso de radares
transportados por satlites.
A partir del xito de la misin SEASAT y el mpetu proveniente de los
xitos de las misiones SAR aerotransportados, la Agencia Espacial Europea
(ESA) lanz el ERS-1 en julio de 1991. Este satlite llevaba a bordo: un radar
altmetro, un radimetro infrarrojo y sondeador acstico de micro ondas, y
un instrumento activo en la zona de micro ondas del espectro (en banda C

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 ;

con el signicado habitual de que 0 es "negro", 255 es"blanco" y los nmeros

entre ambos son tonos de gris.
Si trabajamos con imgenes de color, esto es de tres canales espectrales: uno
para el rojo, otro para el verde y uno para el azul, bien podra considerarse

E = f(e1 ; e2 ; e3 ) / ei 2 f0; 1; ; 255g ; i = 1; 2 y 3g :

En n, si trabajamos con imgenes multiespectrales (LANDSAT, SAC-C, etc)

o hiperespectrales con K canales espectrales disponibles, sera adecuado tomar

E = f(e1 ; ; eK ) / ei 2 f0; 1; ; 255g ; i = 1; ; Kg :

Pondremos

E S = fx / x es una funcin con dominio en S y rango en Eg :

Este ser el conjunto de la totalidad de imgenes que se quiere considerar. Esto

es, un punto x de E S ser una "imagen" desde el punto de vista formal.
Como E y E S son conjuntos nitos, las -lgebras, E sobre E y E S sobre
E ser la de todos los subconjuntos correspondientes, P(E) y P(E S ) respec-
S

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

s (x) = y 2 E S / y(s) = x(s) j y 2 E S / y(t) = x(t); t 2 S; t 6= s :

Llamaremos familia de caractersticas locales asociadas a a la familia

de funciones f s / s 2 Sg :

Proposicin 2 Sean y probabilidades nunca nulas sobre E S : Si s = s

para todo s 2 S; entonces = :

Este resultado no es vlido en general si S no es nito.

Denicin 3 Para cada s 2 S sea Vs S no vaco tal que:

(i) s 2
= Vs :
(ii) s 2 Vt S() t 2 Vs :
(iii) S = Vs :
s2S
Diremos que V = fVs / s 2 Sg es un sistema de vecindades sobre S:

Denicin 4 Sea V un sistemas de vecindades sobre S: Al par (S; V) lo lla-

maremos grafo sobre S con sistemas de vecindades V:

Denicin 5 Sea G =(S; V) un grafo. Diremos que una probabilidad nunca

nula sobre E S es G-markoviana si

s (x) = y 2 E S / y(s) = x(s) j y 2 E S / y(t) = x(t); t 2 Vs :

Ejercicio 6 Para cada s 2 S sea

Vs0 = Sn fsg = ft 2 S / t 6= sg :

Entonces V 0 = Vs0 / s 2 S es un sistemas de vecindades sobre S. Al grafo

G 0 =(S; V 0 ) lo llamaremos grafo trivial.

Denicin 7 Diremos que una funcin V : E S P(S) !R es un potencial

si:
(i) V (x; ;) = 0; para todo x 2 E S :
(ii) Si S; x 2 E S ; y 2 E S e y(s) = x(s) para todo s 2 ; entonces
V (x; ) = V (x; ):

Sea $ un punto de E:

Denicin 8 Sea V un potencial. Diremos que V est normalizado con

respecto al punto $, si
{ S; x 2 E S ; x(t) = $ para algn t 2 } ) V (x; ) = 0:

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

Denicin 15 Sean: G =(S; V) un grafo; V : E S P(S) !R un potencial.

Diremos V es un G-potencial si:
no es G-completo ) V (x; ) = 0; para todo x 2 E S :
Denicin 16 Sean: G =(S; V) un grafo; V : E S P(S) !R un G-potencial.
Diremos que una probabilidad sobre E S es una distribucin de Gibbs con
respecto a G y V , si
1
(fxg) = exp ( HV (x)) ;
ZV
para todo x 2 E S ; donde a
X
ZV = exp ( HV (y))
y2E S

la llamaremos funcin de particin de :

Sea ahora ( ; A; P ) un espacio de probabilidades. Sea X : ! E S una
funcin medible que llamaremos tambin campo aleatorio con valores en E S .
Sea PX la probabilidad sobre E S dada por:
PX (fxg) = P (X = x):
Supondremos que PX (fxg) > 0; para todo x 2 E S :
Tambinn, si

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.

Denicin 18 Sean: G =(S; V) un grafo; V : E S P(S) !R un G-potencial.

Diremos que X es un campo de Gibbs con respecto a G y V , si PX es una
distribucin de Gibbs con respecto a G y V:

3 Ejemplos de campos markovianos y de Gibbs

Recordemos la denicin de cadena de Markov y veamos cmo es posible con-
siderarla como un ejemplo de campo markoviano.

Denicin 19 Sean: ( ; A; P ) un espacio de probabilidades; S = f0; 1; ; Ng

con N 1 entero. Sea X : ! E S un campo aleatorio. Diremos que X es
una cadena de Markov con respecto a P o una P -cadena de Markov o
simplemente una cadena de Markov si no hay lugar a confusin, con especio de
estados igual a E; si para todo n = 0; 1; ; N; y todo x 2 E S se cumple que

P (X(n + 1) = x(n + 1)jX(n) = x(n); ; X(0) = x(0))

= P (X(n + 1) = x(n + 1)jX(n) = x(n)) :

En tal caso, para cada n = 1; ; N; denimos Pn : E E ! [0; 1] por

Pn (a; b) = P (X(n) = bjX(n 1) = a) ;

la llamaremos probabilidad de transicin de X(n 1) en el estado a a

X(n) en el estado b:
Tambin llamaremos probabilidad inicial de la cadena a la probabilidad P0
sobre E dada por
P0 (fag) = P (X(0) = a) ;
para todo a 2 E:

Proposicin 20 Sean: ( ; A; P ) un espacio de probabilidades; S = f0; 1; ; Ng

con N 1 entero; X : ! E S una cadena de Markov con respecto a P: Den-
imos V0 = f1g ; Vn = fn 1; n + 1g para n = 1; ; N 1 y VN = fN 1g y
V = fV0 ; V1 ; ; VN g : Sea G =(S; V). Entonces X es un G-MRF.

Ejemplo 21 Modelo de Ising 1-D. Sean: ( ; A; P ) un espacio de proba-

bilidades; S = f0; 1; ; N g con N 1 entero; E = f 1; +1g; X : ! E S
una cadena de Markov con respecto a P con probabilidades de transicin dadas
por
exp( ab)
Pn (a; b) = ;
exp( ) + exp( )
donde > 0; para todo n = 1; ; N y todo a y b en E: La probabilidad inicial
es
1
P0 (f 1g) = P0 (f+1g) = :
2

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

Entonces V es un G-potencial y su funcin de energa est dada por:

N
X1
HV (x) = x(n)x(n + 1):
n=0

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:

Ejemplo 22 Modelo de Ising 2-D. Sean: N 2 entero y

S = f(s1 ; s2 ) / 1 si N , i = 1; 2g :Z Z:

Armacin 1: Para cada s = (s1 ; s2 ) en S, sea

Vs = ft = (t1 ; t2 ) / ks tk = js1 t1 j + js2 t2 j = 1g :

Entonces V = fVs / s 2 Sg es un sistema de vecindades sobre S. Pongamos

v(s) = #(Vs ) para todo s 2 S: Sea G =(S; V):
Ejercicio 2: Determinar C, la familia de todos los G-cliques. Vericar que
#(C) = 2n(n 1) y que si 2 C entonces #( ) = 2 :
Sean E = f 1; +1g ; k > 0; T > 0; H; J y m nmeros reales.
Ejercicio 3: Sea V : E S P(S) !R dado por
(
0 si 2
=C
V (x; ) = J mH x(s) x(t) :
kT x(s)x(t) + kT v(s) + v(t) si = fs; tg ; con 2C

Entonces V es un G-potencial y su funcin de energa est dada por:

J X mH X
HV (x) = x(s)x(t) + x(s):
2kT kT
ks tk=1 s2S

Ejemplo 23 Modelos binarios de vecinos ms prximos. Sean G =(S; V)

y C como en el Ejemplo anterior.

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

Ejercicio 1: Sea V : E S P(S) !R dado por

(
0 si 2 =C
V (x; ) = x(s) x(t) :
(s;t) x(s)x(t) + s v(s) + t v(t) si = fs; tg ; con 2C

Entonces V es un G-potencial y su funcin de energa est dada por:

1 X X
HV (x) = (s;t) x(s)x(t) + s x(s):
2
ks tk=1 s2S

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)

Este modelo es llamado auto-logistico por algunos autores.

2) s = ; y para todo s 2 S

(s;t) =0 si ks tk =
6 1
:
(s;t) = si ks tk = 1

Este modelo es llamado isotrpico.

4 Relacin entre distribuciones markovianas y

de Gibbs
Consideremos elegido como referencia un cierto punto, digamos $; de E:
Para cada S y cada x 2 E S denimos x 2 E S por

$ si s 2
=
x (s) = :
x(s) si s 2

Proposicin 24 Sea una probabilidad nunca nula sobre E S :

Sea V C( ) : E S P(S) !R dado por
(
P 0 si = ;; para todo x 2 E S
V C( )(x; ) = ( 1)#( n )
ln x si 6= ;; para todo x 2 E S :

31
Sea G 0 =(S; V 0 ) el grafo trivial. Entonces:
a) X
V C( )(x; ) = ( 1)#( n ) ln x = $S ;

siendo $S el elemento de E S dado por

$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.

Proposicin 25 Sean: una probabilidad nunca nula sobre E S ; V C( ) el

potencial cannico de ; V un G 0 -potencial no necesariamente normalizado con
respecto al punto $ tal que es una distribucin de Gibbs con respecto a G 0 y
V; S no vaco x 2 E S : Entonces:
X X
V C( )(x; ) = ( 1)#( n ) V (x ; ):
S

Notacin 26 Sean: una probabilidad nunca nula sobre E S , s 2 S; S;

x 2 E S : Pondremos:

s; (x) = y 2 E S / y(s) = x (s) j y 2 E S / y(t) = x (t); t 6= s :

Proposicin 27 Sean: una probabilidad nunca nula sobre E S , V C( ) el

potencial cannico de ; s 2 S; S no vaco; x 2 E S : Entonces
X
V C( )(x; ) = ( 1)#( n ) ln ( s; (x)) :

Antes de enunciar el resultado ms importante de esta Seccin, veamos al-

gunas notaciones tiles.

Notacin 28 a) Sea V = fVs / s 2 Sg un sistema de vecindades sobre S: Para

cada S sea [
V( ) = (Vt n ) :
t2
S
b) Para cada S y cada x 2 E sea

fx; g = y 2 E S / y(s) = x(s); s 2 :

Para cada z 2 E sea

z(t) si t 2
I (z; x) = :
x(t) si t 2
=

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)\

donde C(G) \ = f 2 C(G) / \ 6= ;g :

Teorema 29 Hammersley y Cli ord. Sean: G =(S; V) un grafo y una

probabilidad nunca nula sobre E S :
a) Sea V un G-potencial tal que es de Gibbs con respecto a G y V: Entonces
es G-markoviana.
b) Si es G-markoviana entonces V C( ) es un G-potencial y es de Gibbs con
respecto a G y V C( ): Adems

exp( HV C( )\fsg (x))

s (x) = P :
exp( HV C( )\fsg (Ifsg (z; x)))
z2E

Proposicin 30 Sean: G =(S; V) un grafo; una probabilidad nunca nula so-

bre E S ; V un G-potencial tal que es de Gibbs con respecto a G y V ; S
no vaco; S tal que V( ) con \ = ;; x 2 E S . Entonces:

exp( HV \ (x))
(fx; g j fx; g) = (fx; g j fx; V( )g) = P :
exp( HV \ (I (z; x)))
z2E

5 La Estadstica en el procesamiento de im-

genes
La idea central subyacente al procesamiento de imgenes es la de transformar
una imagen por medio de una ecuacin o una serie de ecuaciones (usando la
computadora), para obtener una nueva imagen digital o pictrica, que a su
vez pueda ser manipulada por otros programas computacionales o mostrada en
pantalla, por impresora, etc.
A las transformaciones ms usuales que se realizan sobre las imgenes obtenidas
de los sensores antes de su utilizacin con diversos objetivos las podemos agrupar
en:
1- Recticacin y restauracin de imgenes.
2- Mejoramiento de imgenes.
3- Clasicacin de imgenes.
4- Combinacin de imgenes e integracin con S.I.G. (sistemas de informa-
cin geogrca).
5- Construccin de modelos biofsicos.
Ahora bien, toda imagen de teledeteccin presenta perturbaciones no de-
seadas, que son debidas a diversas causas provenientes de deciencias en los
procesos de percepcin, digitalizacin de seales y/o registro de datos.

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.

Ejemplo 31 Imgenes binarias y ruido. Consideremos el Modelo de Ising

2-D con los parmetros: k = T = 1; H = m = 0 y J 6= 0: Luego, el potencial V
est dado por:
0 si 2 =C
V (x; ) = ;
Jx(s)x(t) si = fs; tg ; con 2C
y su funcin de energa es
J X
HV (x) = x(s)x(t):
2
ks tk=1

Sean: ( ; A; P ); X : ! E S un campo aleatorio con valores en E S tal que PX

es de Gibbs con respecto a G y V , esto es:
0 1
1 J X
P (X = x) = exp @ x(s)x(t)A ;
ZJ 2
ks tk=1

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

P (W (s) = 1) = " = 1 P (W (s) = 1) :

No es difcil ver que se cumple:

1
P
w(s)
1 " 2
s2S
P (W = w) = KN (") ;
"
con
N 2 =2
KN (") = ("(1 ")) :
Suponemos ahora que el proceso realmente observado no sea X sino otro proceso
Y : ! E S dado por:

Y (!) (s) = X (!) (s):W (!) (s);

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:

(x; y) = P (X = xjY = y):

Se puede probar que en este caso particular se cumple:

0 1
1 J X 1 X y(s) 1 " A
(x; y) = exp @ x(s)x(t) ln ;
ZJ;y 2 2 x(s) "
ks tk=1 s2S

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

Como en general, J y " no son conocidos, debemos sustituirlos por estimadores

(basados en Y ). Este problema de estimacin puede verse por ejemplo en ([1]).
Por un abuso de notacin pongamos J y " para los respectivos estimadores.
Hecho esto, debemos encarar el problema de estimar X conocido Y .
Dos estimadores "naturales" son:
1) Estimador MR o "misclassication rate" Est denido para cada ! 2 por:
( P 1
1 si ((1; z)s ; Y (!)) 2
bM R (!)(s) =
X z2E Snfsg ;
1 caso contrario

para todo s 2 S: (1; z)s es el elemento de E S denido por

1 si t = s
(1; z)s (t) = :
z(t) si t 6= s

2) Estimador MAP o "maximum a posteriori" Est dado para cada ! 2 por

XbM AP (!) tal que

bM AP (!); Y (!)
X (x; Y (!)) ;

para todo x 2 E S :

Ejemplo 32 Un modelo general para imgenes con distorsin y ruido

([2]). Sean: S un subconjunto nito de Z Z; E un conjunto nito; V = fVs / s 2 Sg
un sistema de vecindades sobre S; G =(S; V) un grafo; ( ; A; P ) un espacio de
probabilidades; X : ! E S un G-MRF con PX (fxg) = P (X = x) > 0, para
todo x 2 E S ; F y G dos conjuntos nitos, que representan los posibles valores
de las distorsiones y ruido respectivamente que podran afectar a una imagen;

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

Sea : G G ! G igual a : Esta operacin se puede interpretar de la

siguiente manera: supongamos que los pxeles que toman el valor 1 y +1
indican, respectivamente, ausencia y presencia de seal, tanto para la imagen
verdadera como para el ruido. signica que la superposicin de no-seal y
no-ruido o de seal y ruido dan no-seal, mientras que la de seal y no-ruido
o no-seal y ruido producen seal.
La funcin de distorsin : F ! G podra ser

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)

donde, suponiendo que s = (i; j) 2 Int denimos:

s = x(i 1; j) + x(i + 1; j);

s = x(i; j 1) + x(i; j + 1):

Con modicaciones evidentes para los casos en que s = (i; j) 2 Esq y s =

(i; j) 2 Lad: Esto es, suponemos que la familia de probabilidades de transicin
asociadas con X es una paramtrica con parmetro ( ; ) :
Finalmente, suponemos que el campo representativo del ruido "; es markoviano
con respecto al sistema de vecindades B y que la familia de sus caractersticas
locales tambin es paramtrica dada por:
1+g(s)
exp 2 ( As + Cs )
e
"s (g) = P (e
" (s) = g(s)je
"Bs = gBs ) = ;
1 + exp ( As + Cs )

37
donde, suponiendo que s = (i; j) 2 Int denimos:

As = g(i 1; j) + g(i + 1; j) + g(i; j 1) + g(i; j + 1);

Cs = g(i 1; j 1) + g(i + 1; j 1) + g(i 1; j + 1) + g(i + 1; j + 1):

Con modicaciones evidentes para los casos en que s = (i; j) 2 Esq y s =

(i; j) 2 Lad:

6 Algoritmos para simulacin de distribuciones

de Gibbs
6.1 Preliminares.
Sean: S un subconjunto nito de Z Z; E un conjunto nito; V = fVs / s 2 Sg
un sistema de vecindades sobre S; G =(S; V) un grafo; C la familia de todos los
subconjuntos G-completos de S; V : E S P(S) !R un G-potencial; HV : E S !R
la funcin de energa asociada a V ; ( ; A; P ) un espacio de probabilidades;
X : ! E S un campo aleatorio que es de Gibbs con respecto a G y V: Esto es:
1
PX (x) = exp ( HV (x)) ;
ZV
donde X
HV (x) = V (x; ):
2C
y X
ZV = exp ( HV (y)) :
y2E S

Para jar ideas, veamos el siguiente

Ejemplo 34 Campo aleatorio de Gibbs con ruido aditivo gaussiano.

Consideremos el Ejemplo 31 con las siguientes modicaciones:
E = f0; 1; ; Lg . El potencial V est dado por:
0 si 2 =C
V (x; ) = ;
J1fx(s)g (x(t)) si = fs; tg ; con 2C
y su funcin de energa es
J X
HV (x) = 1fx(s)g (x(t)) :
2
ks tk=1

Sean: ( ; A; P ); X : ! E S un campo aleatorio con valores en E S tal que PX

es de Gibbs con respecto a G y V , esto es:
0 1
1 J X
P (X = x) = exp @ 1fx(s)g (x(t))A ;
ZJ 2
ks tk=1

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

Como vemos entonces, la probabilidad condicional de la verdadera imagen,

X, dada la imagen observada, y = Y , es un campo de Gibbs. Luego, una vez
estimados los parmetros J y , resta estimar X observada la imagen dada
y = Y: Para esto ltimo es que debemos saber cmo generar campos de Gibbs
(a partir de los valores estimados de J y y a patir de la imagen y).
En este breve curso veremos en forma muy simplicada dos algoritmos
para simular campos de Gibbs: los algoritmos de Metrpolis y el as llamado
muestreo de una distribucin de Gibbs.
Pero antes veamos algunos conceptos y resultados que nos sern de utilidad
tanto para enunciar los algoritmos en cuestin como para justicar su exactitud.

39
Denicin 35 Se dice que una funcin q : E S E S ! [0; 1] es una matriz
de transicin si

q(x; y) 0; para todo (x; y) 2 E S ES ;

X
q(x; y) = 1; para todo x 2 E S :
y2E S

Se dice que una tal q es irreducible si para todo (x; y) 2 E S E S existen n 1;

x0 ; x1 ; ; xn en E S con x0 = x, xn = y y q(xk 1 ; xk ) > 0 para k = 0; ; n 1:

Notemos que para cada x 2 E S ; se tiene que la funcin qx : E S ! [0; 1]

dada por
qx (y) = q(x; y);
es una funcin de probabilidad sobre E S :

Proposicin 36 Sean: q una matriz de transicin; una probabilidad nunca

nula sobre E S ; (x; y) 2 E S E S : Denimos p ( ; ; ; q) sobre E S E S por:
8
> (fyg)
< q(x; y) (fxg)
> si (fyg) < (fxg) ;
p (x; y; ; q) = q(x; y)
P si (fyg) (fxg) ; x 6= y;
>
> 1 p (x; z; ; q) si x = y:
:
z6=x

Entonces p ( ; ; ; q) es una matriz de transicin.

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 ) ;

para todo n 0; x0 ; x1 ; ; xn en E S : Si x 2 E S y es la probabilidad sobre

S
E con masa 1 en x; pondremos

P ; x; (pn )n 1 =P ; ; (pn )n 1 ;

y si para todo n; pn = p (matriz de transicin) ponemos

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:

P fX0 = xg ; ; (pn )n 1 = (fxg) ;

para todo x 2 E S y

P fXk = yjXk 1 = xg ; ; (pn )n 1 = pk (x; y) ;

para todo k 1 y todo (x; y) 2 E S E S :

Supongamos que q es simtrica, esto es:

q (x; y) = q (y; x) ;

para todo (x; y) 2 E S ES :

Proposicin 38 Sea una probabilidad nunca nula sobre E S .Se cumplen:

a)
(fxg) p (x; y; ; q) = (fyg) p (y; x; ; q) ;
para todo (x; y) 2 E S E S :
b) es p ( ; ; ; q)-estacionaria. Es decir:
X
(fyg) = (fxg) p (x; y; ; q)
x2E S

para todo y 2 E S :
c) p ( ; ; ; q) es irreducible si y slo si q es irreducible.

Teorema 39 Sean: , probabilidad nunca nula sobre E S , x 2 E S : Si (Xn )n 0

I
es una cadena de Markov con respecto a P ( ; x; p) sobre ES ; B con valores
en E S ; donde p es la matriz de transicin p (x; y; ; q) ; entonces

lim P (fXn = yg ; x; p) = (fyg)

n!1

para todo y 2 E S :

6.2 Dinmica de Metropolis

Sea una probabilidad nunca nula y no idnticamente constante sobre E S : El
algoritmo de Metropolis consiste en generar una muestra de la distribucin
, valindose del Teorema del nal de la Subseccin anterior.
Supongamos que q es una matriz de transicin irreducible.
Sea x 2 E S cualquiera.

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) :

Algoritmo 40 Metropolis. Sea

X0 = x:

Sea k 0 y supongamos denidas X0 ; ; Xk :

Deniremos a seguir Xk+1 :
Para simplicar la notacin pongamos

Xk = v:

Paso 1: Generar una muestra y de la probabilidad sobre E S ; P(E S ) dada

por la funcin de probabilidad qv :
Paso 2: Si y = v; denir
Xk+1 = v:
Paso 3: Si y 6= v y (fyg) (fvg) ; denir

Xk+1 = y:

Paso 4: Si y 6= v y (fyg) < (fvg) ; entonces:

4.1) Generar una muestra u de la distribucin uniforme sobre (0; 1) :
4.2) Si
(fyg)
u< ;
(fvg)
denimos
Xk+1 = y:
Si
(fyg)
u ;
(fvg)
denimos
Xk+1 = v:

Veamos ahora un resultado que justica el algoritmo de Metropolis.

I
Sea x 2 E S cualquiera. Sea X0 la funcin medible denida sobre E S por

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

P (fXk+1 = yjXk = vg ; x; p) = p (v; y) ;

para todo y y v en E S :

Luego (Xn )n 0 es una P ( ; x; p)-cadena de Markov.

Notemos que este algoritmo puede ser aplicado a cualquier probabilidad, ;
nunca nula sobre E S : Esto es, si queremos generar una muestra de una distribu-
cin que sabemos es de Gibbs, este algoritmo no usa este mayor conocimiento.
Por lo tanto, es razonable preguntarse si no ser posible encontrar un algo-
ritmo que s use esa informacin y que sea ms eciente en algn sentido que el
algoritmo de Metropolis. Una respuesta a esta cuestin la veremos a seguir.

6.3 Muestreo de una distribucin de Gibbs propiamente

dicha (Gibbs sampler)
Como antes, una probabilidad nunca nula y no idnticamente constante sobre
E S : V = fVs / s 2 Sg un sistema de vecindades sobre S; G =(S; V) un grafo; C
la familia de todos los subconjuntos G-completos de S; V : E S P(S) !R un

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

Este algoritmo toma en consideracin la familia de caractersticas locales aso-

ciadas a , s : E S ! [0; 1] ; denidas para todo s 2 S; segn vimos en la
Denicin 1 y que en este caso estn dadas por:

exp( HV \fsg (x))

s (x) = P ;
exp( HV \fsg (Ifsg (z; x)))
z2E

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

sk(y) si y(t) = v(t) para todo t 6= sk ;

pk (v; y) =
0 caso contrario.

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 :

Sea k 0 y supongamos denidas X0 ; ; Xk :

44
Deniremos a seguir Xk+1 :
I
Para cada s 2 S sea s : E S ! E S una funcin medible tal que:

P( s = zjXk = v; Xk 1 = w2 ; ; X1 = wk ; X0 = x0 ) = s Ifsg (z; v) ;

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 :

Se puede ver entonces que:

I
(Xn )n 0 es una cadena de Markov con respecto a P ; x0 ; (pk )k 1 sobre ES ;B
S
con valores en E :
Tambin que se cumple el siguiente Teorema que fundamenta el algoritmo
propuesto.

Teorema 43 Teorema de convergencia de Geman y Geman

lim P fXn = yg ; x0 ; (pk )k 1 = (fyg)

n!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