Download 3 - Cimat
Document related concepts
no text concepts found
Transcript
CLASIFICACIÓN MULTIBANDA - MULTIRESOLUCIÓN. Zambrano Gallardo, Cira Francisca RESUMEN: La clasificación de imágenes tiene como objetivo agrupar la información contenida en los píxeles en regiones que comparten características comunes. En este trabajo se desarrolla una técnica de clasificación para imágenes multibanda que analiza la información espacial a múltiples resoluciones espaciales. El modelo de Campos Aleatorios de Markov (CAM) es aplicado en la clasificación multibanda, usando la regla de Bayes para estimar la probabilidad a posteriori de las clases. Se hace uso de la función de distribución de Gibbs, para describir las energías asociadas a las probabilidades a priori y marginal de la imagen aleatoria, sobre la imagen original, interpretando la solución como un sistema termodinámico. La clasificación multiresolución se lleva a cabo a través de un esquema jerárquico que depende del nivel anterior de resolución y se actualiza con el nivel en cuestión. Se obtiene una técnica de clasificación que combina información de las diferentes bandas y de los diversos niveles de resolución. Los resultados que se obtienen con esta técnica, en comparación con técnicas de clasificación que aprovechan la multiresolución y la multibanda en forma separada, mejoran en cierto grado los detalles en la separación de clases cerca de los contornos, y ayudan a eliminar la confusión de clases dentro de áreas de mayor representación. I. CLASIFICACIÓN MULTIBANDA La clasificación multibanda consiste en extraer la información existente y relevante de un conjunto de imágenes ó bandas que la conforman. En este trabajo esta clasificación se obtendrá por la similitud entre la información de las imágenes y un sistema de gas ideal. Cada una de las bandas espectrales guarda información referente a un tipo de respuesta específico del terreno, aquí se emplean las imágenes LANDSAT TM5 conformadas por 6 bandas multiespectrales. II. CLASIFICACIÓN MULTIRESOLUCIÓN La clasificación multiresolución se realiza incorporando detalles del nivel de menor resolución al de mayor resolución, donde cada nivel se obtiene empleando la Transformada de Hermite. De esta forma, se clasifica la información desde las zonas más homogéneas a las zonas de mayor detalle (contornos, bordes, cambios de clases). Se define una función jerarquizada que depende de la clasificación del nivel anterior (menor resolución) y de las características locales en el nivel en cuestión. Iniciando desde el nivel de menor resolución, para agregar información en las zonas de detalles (contornos, etc.) que van mejorando en cada nivel. III. MODELO MULTIBANDA-MULTIRESOLUCIÓN Para describir este modelo, comparamos el sistema de imágenes como un sistema termodinámico, donde las imágenes se comportan como un gas ideal en una caja al cual se quiere llevar al equilibrio térmico, iniciamos con dos imágenes, la original y una aleatoria. Recordando el principio cero de la termodinámica que se refiere a que si dos cuerpos a diferentes temperaturas entran en contacto, estos van a ceder o ganar energía (calor) hasta llegar a un equilibrio térmico. En el caso de las imágenes, no existe un contacto físico real, en el cada iteración se busca obtener una relajación de la imagen aleatoria (los valores están dispersos y sin orden) procurando ordenar los valores hasta llegar a tener un orden similar dependiendo de las características (clases) que se deseen resaltar de la imagen original. Para la descripción del equilibrio térmico se emplean los campos de Gibbs. Definimos el modelo de clasificación multiresolución multibanda como sigue: Partiendo de las ecuaciones: Para k=Nd, A(k) Y, w Λ U(Y/w Λ ) (1) A (k 1) Y, w Λ Para k={Nd-1,…,1,0}; A (k) Y, w Λ U(Y/w ) Λ si B w Λ (2) si B w Λ p(I/w Λ )pw Λ ) para hacer la descripción pI probabilística y basándonos en el teorema que hace la analogía entre Campos Aleatorios de Markov y los modelos de Gibbs, tenemos lo siguiente. Como P(G) es constante en todo el proceso, la excluimos en los cálculos para simplicidad de los mismos. Por lo tanto, la relación de Bayes queda como sigue: (3) PG/w Pw /GPw Si aplicamos el logaritmo natural a ambos lados de la igualdad, tenemos lo siguiente, (4) LnPG/w LnPw /GPw Expresando la probabilidad en términos de energía tenemos: 1 (5) Pw Λ exp Uw Λ /T usando la regla de Bayes ( pw Λ /I Z Para simplificar los cálculos se desprecia la constate de normalización Z, por lo que la ecuación 5 queda como sigue: Pw Λ expUw Λ /T Análogamente, se expresan las probabilidades a posteriori y condicional en términos de la energía como sigue: PX/w exp UX/w /T Pw /X exp Uw /X/T Con estas analogías y con la ecuación 4 expresamos la función de Bayes en términos de la energía: (6) UX/w Uw /X Uw donde: (7) Uw Λ Vc w Λ ; V c w Λ βδx s x r ; wΛ es una constante de peso para obtener el valor del potencial de la clase, s es la posición en estudio, r es la posición de los vecinos, xs es el valor en la imagen aleatoria en la posición s, xr es el valor en la imagen aleatoria en la posición r. La energía condicional U(w/X) de la clase w dada la imagen X, la podemos representar por medio de la siguiente función: 1 I b ba ba Uw /X 0 I c d c d c 1 0 I a a Ib b Ic , donde w es la clase. (8) c I d d I 255 Por lo tanto, la función del modelo de clasificación multibanda-multiresolución que se desarrolla en este trabajo se puede expresar como sigue: Las ecuaciones 4 y 5 describen el proceso de multiresolución Para k=Nd, A(k) (X,w Λ ) U(X/w Λ ) Para k={Nd-1,…,1,0}; A (k 1) (X, w Λ ) A (k) (X, w Λ ) U(X/w ) Λ si B w Λ si B w Λ Las ecuaciones 7 y 8, describen las energías a priori y marginal que muestra la ecuación 6. IV. RESULTADOS OBTENIDOS En cada uno de los casos que se muestran a continuación se extrajeron 5 clases. Figura 1. Imagen LANDSAT TM5 (bandas 3, 4, y 5). Figura 2. Clasificación multibanda con 100 iteraciones. Figura 3 Clasificación multiresolución (Banda 3) Figura 4 Clasificación multibanda_multiresolución. La Figura 1 representa la imagen original que se empleó para realizar las pruebas. La Figura 2 muestra la clasificación multibanda. Se aprecia una buena separación de las clases que se distinguen en la imagen original, pero se observa que existen pequeñas zonas como pixeles aislados dentro de clases de mayor magnitud. En la Figura 3 se observa separación de las clases pero los contornos se aprecian recrecidos aparentando ser una clase más, la cual al comparar con la imagen original no existe. La figura 4 representa la clasificación multibanda multiresolución. Al hacer la clasificación multibanda se observa una separación de las clases, pero se aprecian ciertas zonas de clasificaciones de pequeña proporción que se podrían despreciar (dependiendo del nivel de resolución que se desea alcanzar). Al aplicar la clasificación multiresolución también se ve la separación de las clases, en este caso, las clases se muestran un poco extendidas, es decir, pareciera que abarcan una zona mayor que la que realmente deberían ocupar. Al aplicar la clasificación multibanda-multiresolución la imagen resultante tiene un aspecto menos disperso y mejor definido, se aprecia que la aplicación de ambas técnicas mejoran los detalles en los contornos y separan mejor las clases, dando como resultado una imagen con detalles y contornos definidos. V. CONCLUSIÓN La clasificación por multibanda – multiresolución muestra resultados que pueden ayudar en la clasificación a diferentes escalas. Esta técnica puede ser útil para unir información de diversos sensores, dando cabida a que la información resultante sea un complemento, sin la necesidad de tener que modificar la original. Para dar sustento a estos resultados, se realizaran pruebas de clasificación en imágenes que sean conocidas, de manera que los resultados den soporte a los ya obtenidos. VII. REFERENCIAS BIBLIOGRAFICAS 1 Diccionario esencial Física, LAROUSSE. Primera edición. 2 F. Mandl; R. J. Ellison; D. J. Sandiford. Física Estadística. Departamento de Física; Facultad de Ciencias. Universidad de Manchester. Editorial LIMUSA. Primera EdiciónMéxico 1979. 3 Geman, S. and Geman, D. Stochastic relaxation, Gibbs distribution, and the Bayesian restoration of images. IEEE Pattern Analysis and Machine Intelligence, 6:721–741. 1984 4 Li, S. Z. Markov Random Field modeling in computer vision. Springer Verlag. 1995. 5 M. Pujol, R. Rizo, P. Arques, P. Compañ, F. Escolano, R. Molina y F. Pujol. Aplicación de los modelos de campos aleatorios de Markov en visión artificial. Departamento de Ciencia de la Computación e Inteligencia Artificial y Departamento de Tecnología Informática y Computación Universidad de Alicante