An Improved Minimum-Distance Texture Estimator for Speckled Data Under the G Model

• Autores: Cassetti, Julia; Frery, Alejandro C.
• Año de publicación: 2022
• Idioma: inglés
• Tipo de recurso: artículo
• Fuente: Journal of Mathematical Imaging and Vision. (2022); 64(6): 609–624
• Materia: Estimación de Kernel; Estimador de distancia mínima; Estimación de parámetros; Radar de apertura sintética; Análisis de textura; Kernel estimaton; Minimum-distance estimator; Parameter estimation; Synthetic aperture radar; Texture analysis; Estimativa de kernel; Estimador de distância mínima; Estimativa de parâmetros; Radar de abertura sintética; Análise de textura; Otras Ciencias Naturales y Exactas
• Institución: Universidad Nacional de General Sarmiento

Revista con referato
Fil: Cassetti, Julia. Universidad Nacional de General Sarmiento. Instituto del Desarrollo Humano; Argentina.
Fil: Frery, Alejandro C. Victoria University of Wellington. School of Mathematics and Statistics; New Zealand.
La distribución G es un modelo adecuado para datos moteados, como las imágenes SAR, ya que permite caracterizar áreas con diferentes grados de textura. En el caso monopolarizado, esta distribución depende de tres parámetros: la textura, la escala y el número de vistas. El primero está relacionado con la rugosidad de la imagen, por lo que su estimación merece especial atención. Este artículo propone y compara métodos de estimación del parámetro de textura en formato de intensidad. Se aborda el caso multivista. La propuesta consiste en estimar este parámetro minimizando la distancia triangular entre la densidad G y una estimación de la función de densidad subyacente mediante kernels asimétricos. Se evalúan las propiedades de estos estimadores con resultados analíticos y simulación. Se utilizan imágenes reales para evaluar el rendimiento de nuestra propuesta.
The G distribution is an apt model for speckled data, such as SAR imagery, because it possesses the ability to characterize areas with different degrees of texture. In the monopolarized case, this distribution depends on three parameters: the texture, the scale, and the number of looks. The first one is related to the roughness of the image, so its estimation deserves special attention. This paper proposes and compares estimation methods of the texture parameter in intensity format. We treat the multilook case. The proposal is to estimate this parameter by minimizing the triangular distance between the G density and an estimate of the underlying density function using asymmetric kernels. We assess the properties of these estimators with analytic results and simulation. We use actual images to evaluate the performance of our proposal.
A distribuição G é um modelo adequado para dados salpicados, como imagens SAR, porque possui a capacidade de caracterizar áreas com diferentes graus de textura. No caso monopolarizado, essa distribuição depende de três parâmetros: a textura, a escala e o número de looks. O primeiro está relacionado à rugosidade da imagem, portanto sua estimativa merece atenção especial. Este artigo propõe e compara métodos de estimativa do parâmetro textura em formato de intensidade. Tratamos o caso multilook. A proposta é estimar esse parâmetro minimizando a distância triangular entre a densidade G e uma estimativa da função densidade subjacente usando kernels assimétricos. Avaliamos as propriedades desses estimadores com resultados analíticos e simulação. Usamos imagens reais para avaliar o desempenho de nossa proposta.