Um Novo Algoritmo para Filtragem de Speckle em Imagens SAR de Intensidade baseado em PDF
Preview Um Novo Algoritmo para Filtragem de Speckle em Imagens SAR de Intensidade baseado em
Dissertação de Mestrado Um Novo Algoritmo para Filtragem de Speckle em Imagens SAR de Intensidade baseado em Distâncias Estocásticas Leonardo José Tenório Mourão Torres [email protected] Orientador: Dr. AlejandroC.Frery Maceió, Junhode2012 Leonardo José Tenório Mourão Torres Um Novo Algoritmo para Filtragem de Speckle em Imagens SAR de Intensidade baseado em Distâncias Estocásticas Dissertação apresentada como requisito parcial para obtenção do grau de Mestre pelo Programa de Pós-Graduação em Modelagem Computacional de Conheci- mento do Instituto de Computação da UniversidadeFederaldeAlagoas. Orientador: Dr. AlejandroC.Frery Maceió, Junhode2012 Catalogaçãonafonte UniversidadeFederaldeAlagoas BibliotecaCentral DivisãodeTratamentoTécnico Bibliotecária:FabianaCamargodosSantos T693n Torres,LeonardoJoséTenórioMourão. UmnovoalgoritmoparafiltragemdespeckleemimagensSARde intensidadebaseadoemdistânciasestocásticas/LeonardoJosé TenórioMourãoTorres.–2012 73f.: il. Orientador:AlejandroC.Frery. Dissertação(MestradoemModelagemComputacionalde Conhecimento)–UniversidadeFederaldeAlagoas.Institutode Computação.Maceió,2012. Bibliografia:f.68–73. 1.ImagensSAR.2.Speckle–Redução. 3.Distânciasestocásticas. 4.Teoriadainformação.5.Filtragem.I.Título. CDU:004.932:004.852 RESUMO Este trabalho apresenta um novo algoritmo para filtragem de ruído speckle com base em distânciasestocásticasetestesentredistribuições. Umajanelaédefinidaemtornodecada pixele amostrassobrepostassão comparadas. Apenas aquelas quepassarem por um teste designificânciasãoutilizadasparacalcularovalorfiltrado.ModificaçõesnasjanelasNagao- Matsuyamaforamusadasparadefinirasamostras. AtécnicaéaplicadaaimagensdeRadar de Abertura Sintética (SAR) de intensidade homogênea, usando o modelo gama Γ(L,L/λ) comnúmerovariáveldelooksLpermitindoasmudançasnaheterogeneidade.Apropostaé comparadacomofiltrodeLee,queéconsideradoumpadrão,utilizandoumprotocolobase- adoemMonteCarlo.Analisamostambém,ocomportamentodofiltroemdadosreais.Entre os critérios utilizadospara quantificar a qualidadedos filtros estão: o número equivalente delooks(relacionadacomarelaçãosinal-ruído),preservaçãodalinhaepreservaçãodasbor- das.Alémdisso,osfiltrosforamavaliadospelosÍndiceUniversaldeQualidadedeImageme aCorrelaçãodePearsonemregiõesdebordas.Estasmedidasfizeramvalerapropostaemda- dos simulados,que apresentaramótimosresultadosnos cenáriosadotados. Emparticular, ofiltropropostoreduziuospeckle,preservoubordasecaracterísticasdetexturamantendo umaboarelaçãosinal-ruídoemdadosSAR.Tambémforamabordadasaplicaçõesemima- gensSARreais,queforamvalidadascommedidasnuméricas. Ométodoébastantegerale podeserestendidoparaoutrassituações,desdequehajaummodeloestatísticosubjacente. Assim, o novo filtrofoi estendidoparaatuarem imagensPolSARmodeladaspeladistribui- ção Wishart Z ∼W(Σ,L), em que L é o número equivalente de looks e Σ é uma matriz de covariância. Palavras-chave: ImagensSAR.Speckle. DistânciasEstocásticas. Teoriada Informação. Fil- tragem. ABSTRACT This dissertation work presents a new approach for filter design based on stochastic dis- tancesandtestsbetweendistributions.Awindowisdefinedaroundeachpixel,overlapping samplesarecomparedandonlythosewhichpassagoodness-of-fittestareusedtocompute thefilteredvalue. ModifiedNagao-Matsuyamawindowsareusedtodefinethesamples.The technique is applied to intensity Synthetic Aperture Radar (SAR) data with homogeneous regions, using the Gamma model Γ(L,L/λ) with varying number of looks L allowing, thus, changes in heterogeneity. The proposal is compared with the Lee’s filter which is consid- ered a standard, using a protocol based on MonteCarlo. We also analyzed the behavior of thefilteron real data. Among thecriteriaused to quantifythequalityof filters, we employ theequivalentnumberoflooks(relatedtothesignal-to-noiseratio),linecontrast,andedge preservation. Moreover, we also assessed the filters by the Universal Image Quality Index and,thePearson’scorrelationonedgesregions.Thesemeasuresmadeuseoftheproposalon simulateddata, which showed excellentresultsinthescenarios adopted. In particular,the proposed filter reduces the speckled, has preserved edges and texture features that keeps a good signal-to-noise in SAR data. Also been discussed applications in real SAR images, whichwerevalidatedwithnumericalmeasurements.Methodisquitegeneralandcanbeex- tendedtootherconditions,providedthatthereisanunderlyingstatisticalmodel. Thus,the newfilterhasbeenextendedtooperateinPolSARimagesmodeledbyWishartdistribution Z ∼W(Σ,L),whereL isequivalentnumberoflooksandΣisacovariancematrix. Keywords: SARimages.Speckle. StochasticDistances. InformationTheory. Filtering. AGRADECIMENTOS Aos meus pais, Leopoldo e Isis, pela educação que me proporcionaram e por todas as oportunidadesque,sobremaneira,foramfundamentaisparameudesenvolvimentopessoal e acadêmico. A minha esposa, Genuclécia Torres, agradeço todo o seu amor, admiração e pelapresençaincansávelcomquemeapoiouaolongodaelaboraçãodestadissertação. Ao meuestimadoamigo,CarlosAlbuquerqueeaos nobresdo mestrado,FabianoBrião, FelipePrata,FernandoPinto,GilbertoPedro,MarceloQueirozeRodrigoPinheiro,agradeço portodasashorasdeestudojuntos. Aos meus amigos que estão no Rio de Janeiro: Paulo Rogério por toda a ajuda com o LATEX;IvanMartinseRianPinheiropelosmomentosdeestudoemprocessamentoeanálise deimagens;PhillipeCavalcanteeEmanuellaToledoporseremosgrandesamigosquesão. Aos caros colegas do LaCCAN, David Henrique e Raquel Cabral, por todo apoio e mo- mentosdescontraídos.TonnyeJulianaportodosuportedadoe,Deisecomnossosalmoços. AgradecimentosespeciaisaTamerCavalcanteeMichelAlvesporteremsidograndesco- laboradoreseaosquefizerammeusemestreemBeloHorizontesermuitoprodutivo: Dona Goreti,Evellyn,CelsoLuiz,Fabrícioeaosprofessores,LoureiroeMarioCampos. Aosprofessores,André,ElianaeLeonardoViana,queamboscolaboraramcomcomentá- rios,questionamentoseconselhosquerefinaramestapesquisa. AoscolegasdeP&DnaempresaRASTRU–InvestigaçãoePeríciaDigital,Alencar,Alisson eValterpelototalapoioeincentivoàpesquisa. AgradeçoaANP,aPetrobraseaoLaboratóriodeComputaçãoCientíficaeVisualizaçãoda UniversidadeFederaldeAlagoasporgarantiracessoaosrecursoscomputacionaisdocluster GradeBR/UFALdaRedeGalileu. AFundação deAmparoà Pesquisa do EstadodeAlagoas – FAPEAL(No. 2004049671-7), peloapoiofinanceiroeincentivoàpesquisa. Finalmente, não menos importante, ao meu orientador e amigo, Prof. Alejandro Frery, para quem não há agradecimentos que cheguem, por ter acreditado e confiado em mim. Como professor foi o expoente máximo, abriu-me horizontes e, principalmente, ensinou- meapensarcomoumverdadeiropesquisador.Omeugrandeabraço! LeonardoTorres LISTA DE FIGURAS 2.1 GeometriadeoperaçãodoSide-LookingAirborneRadar–SLAR. . . . . . . . . . . 17 2.2 DadosedensidadesdaΓ(L,L/λ)paraL 2eλ {50,80,120,200}. . . . . . . . . . . 23 = = 2.3 DadosedensidadesdaΓ(L,L/λ)paraλ 150eL {1,3,5,7}. . . . . . . . . . . . . . 24 = = 3.1 VizinhançaNagao-Matsuyamamodificada. . . . . . . . . . . . . . . . . . . . . . . . 29 3.2 ImagemPhantom,dadosspeckleeversõesfiltradas. . . . . . . . . . . . . . . . . . . 33 3.3 Diagramaemblocosparaavaliaçãodatécnicaproposta. . . . . . . . . . . . . . . . 36 4.1 Boxplot (comumavariaçãointerquartil)deumaf.d.p. N(0,σ2). . . . . . . . . . . . 39 4.2 Métricasdosquatrosfiltrosesituaçõesemjanela5 5com1-iteração. . . . . . . . 41 × 4.3 Medidasdeerrosdosfiltrosesituaçõesemjanela5 5com1-iteração. . . . . . . . 42 × 4.4 Métricasdosquatrosfiltrosesituaçõesemjanela7 7com1-iteração. . . . . . . . 43 × 4.5 Medidasdeerrosdosfiltrosesituaçõesemjanela7 7com1-iteração. . . . . . . . 44 × 4.6 Phantom,dadosSARsimulados(3e5-looks)eimagensfiltradas. . . . . . . . . . . 47 4.7 Métricasdosquatrosfiltrosesituaçõesemjanela5 5com5-iterações. . . . . . . 48 × 4.8 Medidasdeerrosdosfiltrosesituaçõesemjanela5 5com5-iterações. . . . . . . 49 × 4.9 Métricasdosquatrosfiltrosesituaçõesemjanela7 7com5-iterações. . . . . . . 50 × 4.10 Medidasdeerrosdosfiltrosesituaçõesemjanela7 7com5-iterações. . . . . . . 51 × 4.11 DadosSARreaiseimagensfiltradasem1-iteração. . . . . . . . . . . . . . . . . . . 56 4.12 Imagensfiltradasemjanela5 5comvariaçãodeαe#-interações. . . . . . . . . . 58 × B.1 DadosPolSARnadecomposiçãodePauli. . . . . . . . . . . . . . . . . . . . . . . . . 66 B.2 DadosPolSARnadecomposiçãodeSinclair.. . . . . . . . . . . . . . . . . . . . . . . 67 LISTA DE TABELAS 2.1 NomenclaturapadrãodoIEEEparaBandadeRADAR. . . . . . . . . . . . . . . . . 16 2.2 DistribuiçõesnomodelomultiplicativoparadadosSARdeintensidade. . . . . . . 25 3.1 (h,φ)-distânciaefunçõesrelacionadasah eφ. . . . . . . . . . . . . . . . . . . . . . 30 3.2 Distânciaseconstantesκ.. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 4.1 SituaçõessimuladascomdistribuiçãoΓ(L,L/λ). . . . . . . . . . . . . . . . . . . . . 39 4.2 Estatísticasdasmétricasdeimagenssimuladasemjanela5 5com1-iteração. . . 52 × 4.3 Estatísticasdasmétricasdeimagenssimuladasemjanela7 7com1-iteração. . . 53 × 4.4 Estatísticasdasmétricasdeimagenssimuladasemjanela5 5com5-iterações. . 54 × 4.5 Estatísticasdasmétricasdeimagenssimuladasemjanela7 7com5-iterações. . 55 × 4.6 EstatísticasdasmétricasdequalidadeemimagemSARreal. . . . . . . . . . . . . . 57 LISTA DE EQUAÇÕES 2.1 Conceitodedistânciaparadefinirvizinhanças. . . . . . . . . . . . . . . . . . . . . . 14 2.2 Definiçãodofechodavizinhança. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 2.3 Funçãogenéricaparaoperadorpontual. . . . . . . . . . . . . . . . . . . . . . . . . . 14 2.4 Funçãogenéricaparaoperadorlocal. . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 2.5 Funçãogenéricaparaprocessodeconvolução. . . . . . . . . . . . . . . . . . . . . . 14 2.6 MáscaradeSobel. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 2.7 Modelodoruídomultiplicativo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 ∼ 2.8 FunçãodedistribuiçãoacumuladaquecaracterizaX λ. . . . . . . . . . . . . . . 21 2.9 Funçãoindicadoradeumconjunto A. . . . . . . . . . . . . . . . . . . . . . . . . . . 21 2.10 FunçãodensidadedeprobabilidadequecaracterizaX ∼Γ(α,γ). . . . . . . . . . . 21 2.11 FunçãogamadaintegraldeEuler. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 2.12 FunçãodensidadedeprobabilidadequecaracterizaX ∼Γ 1(α,γ). . . . . . . . . . 22 − 2.13 FunçãodensidadedeprobabilidadequecaracterizaX ∼N 1(α,γ,λ). . . . . . . . . 22 − 2.14 FunçãodensidadedeprobabilidadequecaracterizaY ∼Γ(L,L). . . . . . . . . . . . 22 2.15 FunçãodensidadedeprobabilidadequecaracterizaZ ∼Γ(L,L/λ). . . . . . . . . . 23 2.16 FunçãodensidadedeprobabilidadequecaracterizaZ ∼K (α,γ,L). . . . . . . . . 23 I 2.17 FunçãodensidadedeprobabilidadequecaracterizaZ ∼G0(α,γ,L). . . . . . . . . . 24 I 2.18 FunçãodensidadedeprobabilidadequecaracterizaZ ∼G (α,γ,λ,L). . . . . . . . 24 I 3.1 FunçãodeverossimilhançadadistribuiçãoΓ(L,L/λ). . . . . . . . . . . . . . . . . . 29 3.2 (h,φ)-divergênciaentre f e f . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 Z1 Zi 3.3 Distânciadh entre f e f . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 φ Z1 Zi 3.4 DistânciaKullback-Leiblerentre f e f com Z ∼Γ(L,L/λ). . . . . . . . . . . . . . 30 Z1 Zi 3.5 DistânciaRényideordemβentre f e f com Z ∼Γ(L,L/λ). . . . . . . . . . . . . 31 Z1 Zi 3.6 DistânciaBhattacharyyaentre f e f comZ ∼Γ(L,L/λ). . . . . . . . . . . . . . . 31 Z1 Zi 3.7 DistânciaHellingerentre f e f com Z ∼Γ(L,L/λ). . . . . . . . . . . . . . . . . . 31 Z1 Zi 3.8 EstatísticadetesteSh dadaporNascimentoetal.(2010). . . . . . . . . . . . . . . . 31 φ 3.9 MétododeBonferroniporS˘idákcorrection. . . . . . . . . . . . . . . . . . . . . . . . 32 3.10 TesteKullback-Leibler(S )entre f e f comZ ∼Γ(L,L/λ). . . . . . . . . . . . . 32 KL Z1 Zi 3.11 TesteRényideordemβ(Sβ)entre f e f com Z ∼Γ(L,L/λ). . . . . . . . . . . . . 32 R Z1 Zi 3.12 TesteBhattacharyya(S )entre f e f comZ ∼Γ(L,L/λ). . . . . . . . . . . . . . . 32 B Z1 Zi 3.13 TesteHellinger(S )entre f e f com Z ∼Γ(L,L/λ). . . . . . . . . . . . . . . . . . 32 H Z1 Zi 3.14 Índiceuniversaldequalidadedeimagem(ÍndiceQ). . . . . . . . . . . . . . . . . . 34 3.15 CoeficientedeCorrelaçãodePearson(Índiceβ ). . . . . . . . . . . . . . . . . . . . 34 ρ 3.16 ErroAbsolutoMédio. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 3.17 ErroQuadráticoMédio. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 3.18 ErroQuadráticoMédioNormalizado. . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 3.19 DistorçãodeContraste. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 4.1 DefiniçãodoInterquartileRange. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 4.2 Funçãoparaobterlimitessuperioreinferiordeumboxplot. . . . . . . . . . . . . . 38
Description:The list of books you might like
