Diseño de modelos y algoritmos para el procesamiento de datos SAR polarimétricos

Autores
Fernández Michelli, Juan Ignacio
Año de publicación
2016
Idioma
español castellano
Tipo de recurso
tesis doctoral
Estado
versión aceptada
Colaborador/a o director/a de tesis
Hurtado, Martín
Areta, Javier A.
Frery, Alejandro C.
Lucini, M.
Euillades, Pablo Andrés
Descripción
Un sistema SAR es un radar aerotransportado o satelital que sensa la superficie terrestre y forma imágenes para su estudio. Funciona emitiendo ondas electromagnéticas sobre la zona de interés y recolectando las reflexiones producidas. Las ondas reflejadas contienen información acerca del comportamiento del terreno ante la interacción con dichas ondas, a partir de la cual es posible inferir características físicas del terreno subyacente. El proceso de interpretación de las imágenes SAR está basado principalmente en la combinación de dos disciplinas que se complementan: el electromagnetismo y procesamiento estadístico de señales. La extracción de la información de una imagen SAR está fuertemente ligada al modelo utilizado para describir los datos, que a su vez encuentra su fundamento en el comportamiento electromagnético de las ondas reflejadas. Actualmente, una de las aplicaciones más importantes del procesamiento de datos SAR polarimétricos es la clasificación y segmentación de datos. Muchos algoritmos, tanto supervisados como no supervisados, han sido desarrollados para llevar a cabo esta tarea. En los primeros, se seleccionan datos de entrenamiento basados en mapas del terreno, que contienen las características que se desean identificar. Por otro lado, en los algoritmos no supervisados, no se utilizan datos previos. El algoritmo clasifica la imagen de forma automática organizando los píxeles en diferentes clases bajo cierto criterio. En ambos casos, las características a identificar están embebidas en una matriz compleja de nueve elementos que describe a los datos polarimétricos. Los criterios de formación de clases están basados en el modelo estadístico asignado a estas matrices (o a combinaciones de sus elementos) y en distancias estadísticas que de ellos se derivan. Este trabajo realiza su principal aporte en el campo de la clasificación de datos polarimétricos. Para ello, se estudia en primer lugar la geometría del problema SAR y el proceso de formación de imágenes partiendo de los datos crudos. Esto permite entender cabalmente qué magnitudes son las utilizadas para componer las imágenes e interpretarlas correctamente. Luego se aborda el estudio de los modelos estadísticos utilizados en SAR, la distribución Wishart que describe datos polarimétricos y el modelo multiplicativo que da cuenta del alejamiento del modelo gaussiano. En base a esto, se propone la utilización de un modelo de mezclas de densidades para los datos y se desarrollan algoritmos de clasificación propios basados en ellos. Para el caso de datos homogéneos donde el modelo gaussiano es válido, se utiliza un modelo de mezcla de densidades gaussianas multivariante. Para el caso de datos heterogéneos, se utiliza la mezcla de densidades Gp0 que tiene en cuenta la textura. En ambos casos, los algoritmos de clasificación desarrollados se basan el método Expectation-Maximization y clasificación MAP. Son algoritmos no supervisados con una instancia de selección de modelo que permite detectar automáticamente la cantidad de clases relevantes en la escena. Esto asegura el modelo de menor complejidad para la escena dada en función de la distribución utilizada, y por otro lado, evita la necesidad de especificar a priori el número de clases.
Doctor en Ingeniería
Universidad Nacional de La Plata
Facultad de Ingeniería
Materia
Ingeniería
algoritmos
procesamiento de datos
radar
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/4.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/58632

id SEDICI_a4cc243da61be1828690cad3a9dbdf9c
oai_identifier_str oai:sedici.unlp.edu.ar:10915/58632
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Diseño de modelos y algoritmos para el procesamiento de datos SAR polarimétricosFernández Michelli, Juan IgnacioIngenieríaalgoritmosprocesamiento de datosradarUn sistema SAR es un radar aerotransportado o satelital que sensa la superficie terrestre y forma imágenes para su estudio. Funciona emitiendo ondas electromagnéticas sobre la zona de interés y recolectando las reflexiones producidas. Las ondas reflejadas contienen información acerca del comportamiento del terreno ante la interacción con dichas ondas, a partir de la cual es posible inferir características físicas del terreno subyacente. El proceso de interpretación de las imágenes SAR está basado principalmente en la combinación de dos disciplinas que se complementan: el electromagnetismo y procesamiento estadístico de señales. La extracción de la información de una imagen SAR está fuertemente ligada al modelo utilizado para describir los datos, que a su vez encuentra su fundamento en el comportamiento electromagnético de las ondas reflejadas. Actualmente, una de las aplicaciones más importantes del procesamiento de datos SAR polarimétricos es la clasificación y segmentación de datos. Muchos algoritmos, tanto supervisados como no supervisados, han sido desarrollados para llevar a cabo esta tarea. En los primeros, se seleccionan datos de entrenamiento basados en mapas del terreno, que contienen las características que se desean identificar. Por otro lado, en los algoritmos no supervisados, no se utilizan datos previos. El algoritmo clasifica la imagen de forma automática organizando los píxeles en diferentes clases bajo cierto criterio. En ambos casos, las características a identificar están embebidas en una matriz compleja de nueve elementos que describe a los datos polarimétricos. Los criterios de formación de clases están basados en el modelo estadístico asignado a estas matrices (o a combinaciones de sus elementos) y en distancias estadísticas que de ellos se derivan. Este trabajo realiza su principal aporte en el campo de la clasificación de datos polarimétricos. Para ello, se estudia en primer lugar la geometría del problema SAR y el proceso de formación de imágenes partiendo de los datos crudos. Esto permite entender cabalmente qué magnitudes son las utilizadas para componer las imágenes e interpretarlas correctamente. Luego se aborda el estudio de los modelos estadísticos utilizados en SAR, la distribución Wishart que describe datos polarimétricos y el modelo multiplicativo que da cuenta del alejamiento del modelo gaussiano. En base a esto, se propone la utilización de un modelo de mezclas de densidades para los datos y se desarrollan algoritmos de clasificación propios basados en ellos. Para el caso de datos homogéneos donde el modelo gaussiano es válido, se utiliza un modelo de mezcla de densidades gaussianas multivariante. Para el caso de datos heterogéneos, se utiliza la mezcla de densidades Gp0 que tiene en cuenta la textura. En ambos casos, los algoritmos de clasificación desarrollados se basan el método Expectation-Maximization y clasificación MAP. Son algoritmos no supervisados con una instancia de selección de modelo que permite detectar automáticamente la cantidad de clases relevantes en la escena. Esto asegura el modelo de menor complejidad para la escena dada en función de la distribución utilizada, y por otro lado, evita la necesidad de especificar a priori el número de clases.Doctor en IngenieríaUniversidad Nacional de La PlataFacultad de IngenieríaHurtado, MartínAreta, Javier A.Frery, Alejandro C.Lucini, M.Euillades, Pablo Andrés2016-03-30info:eu-repo/semantics/doctoralThesisinfo:eu-repo/semantics/acceptedVersionTesis de doctoradohttp://purl.org/coar/resource_type/c_db06info:ar-repo/semantics/tesisDoctoralapplication/pdfhttp://sedici.unlp.edu.ar/handle/10915/58632https://doi.org/10.35537/10915/58632spainfo:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-29T11:06:46Zoai:sedici.unlp.edu.ar:10915/58632Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-29 11:06:47.022SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Diseño de modelos y algoritmos para el procesamiento de datos SAR polarimétricos
title Diseño de modelos y algoritmos para el procesamiento de datos SAR polarimétricos
spellingShingle Diseño de modelos y algoritmos para el procesamiento de datos SAR polarimétricos
Fernández Michelli, Juan Ignacio
Ingeniería
algoritmos
procesamiento de datos
radar
title_short Diseño de modelos y algoritmos para el procesamiento de datos SAR polarimétricos
title_full Diseño de modelos y algoritmos para el procesamiento de datos SAR polarimétricos
title_fullStr Diseño de modelos y algoritmos para el procesamiento de datos SAR polarimétricos
title_full_unstemmed Diseño de modelos y algoritmos para el procesamiento de datos SAR polarimétricos
title_sort Diseño de modelos y algoritmos para el procesamiento de datos SAR polarimétricos
dc.creator.none.fl_str_mv Fernández Michelli, Juan Ignacio
author Fernández Michelli, Juan Ignacio
author_facet Fernández Michelli, Juan Ignacio
author_role author
dc.contributor.none.fl_str_mv Hurtado, Martín
Areta, Javier A.
Frery, Alejandro C.
Lucini, M.
Euillades, Pablo Andrés
dc.subject.none.fl_str_mv Ingeniería
algoritmos
procesamiento de datos
radar
topic Ingeniería
algoritmos
procesamiento de datos
radar
dc.description.none.fl_txt_mv Un sistema SAR es un radar aerotransportado o satelital que sensa la superficie terrestre y forma imágenes para su estudio. Funciona emitiendo ondas electromagnéticas sobre la zona de interés y recolectando las reflexiones producidas. Las ondas reflejadas contienen información acerca del comportamiento del terreno ante la interacción con dichas ondas, a partir de la cual es posible inferir características físicas del terreno subyacente. El proceso de interpretación de las imágenes SAR está basado principalmente en la combinación de dos disciplinas que se complementan: el electromagnetismo y procesamiento estadístico de señales. La extracción de la información de una imagen SAR está fuertemente ligada al modelo utilizado para describir los datos, que a su vez encuentra su fundamento en el comportamiento electromagnético de las ondas reflejadas. Actualmente, una de las aplicaciones más importantes del procesamiento de datos SAR polarimétricos es la clasificación y segmentación de datos. Muchos algoritmos, tanto supervisados como no supervisados, han sido desarrollados para llevar a cabo esta tarea. En los primeros, se seleccionan datos de entrenamiento basados en mapas del terreno, que contienen las características que se desean identificar. Por otro lado, en los algoritmos no supervisados, no se utilizan datos previos. El algoritmo clasifica la imagen de forma automática organizando los píxeles en diferentes clases bajo cierto criterio. En ambos casos, las características a identificar están embebidas en una matriz compleja de nueve elementos que describe a los datos polarimétricos. Los criterios de formación de clases están basados en el modelo estadístico asignado a estas matrices (o a combinaciones de sus elementos) y en distancias estadísticas que de ellos se derivan. Este trabajo realiza su principal aporte en el campo de la clasificación de datos polarimétricos. Para ello, se estudia en primer lugar la geometría del problema SAR y el proceso de formación de imágenes partiendo de los datos crudos. Esto permite entender cabalmente qué magnitudes son las utilizadas para componer las imágenes e interpretarlas correctamente. Luego se aborda el estudio de los modelos estadísticos utilizados en SAR, la distribución Wishart que describe datos polarimétricos y el modelo multiplicativo que da cuenta del alejamiento del modelo gaussiano. En base a esto, se propone la utilización de un modelo de mezclas de densidades para los datos y se desarrollan algoritmos de clasificación propios basados en ellos. Para el caso de datos homogéneos donde el modelo gaussiano es válido, se utiliza un modelo de mezcla de densidades gaussianas multivariante. Para el caso de datos heterogéneos, se utiliza la mezcla de densidades Gp0 que tiene en cuenta la textura. En ambos casos, los algoritmos de clasificación desarrollados se basan el método Expectation-Maximization y clasificación MAP. Son algoritmos no supervisados con una instancia de selección de modelo que permite detectar automáticamente la cantidad de clases relevantes en la escena. Esto asegura el modelo de menor complejidad para la escena dada en función de la distribución utilizada, y por otro lado, evita la necesidad de especificar a priori el número de clases.
Doctor en Ingeniería
Universidad Nacional de La Plata
Facultad de Ingeniería
description Un sistema SAR es un radar aerotransportado o satelital que sensa la superficie terrestre y forma imágenes para su estudio. Funciona emitiendo ondas electromagnéticas sobre la zona de interés y recolectando las reflexiones producidas. Las ondas reflejadas contienen información acerca del comportamiento del terreno ante la interacción con dichas ondas, a partir de la cual es posible inferir características físicas del terreno subyacente. El proceso de interpretación de las imágenes SAR está basado principalmente en la combinación de dos disciplinas que se complementan: el electromagnetismo y procesamiento estadístico de señales. La extracción de la información de una imagen SAR está fuertemente ligada al modelo utilizado para describir los datos, que a su vez encuentra su fundamento en el comportamiento electromagnético de las ondas reflejadas. Actualmente, una de las aplicaciones más importantes del procesamiento de datos SAR polarimétricos es la clasificación y segmentación de datos. Muchos algoritmos, tanto supervisados como no supervisados, han sido desarrollados para llevar a cabo esta tarea. En los primeros, se seleccionan datos de entrenamiento basados en mapas del terreno, que contienen las características que se desean identificar. Por otro lado, en los algoritmos no supervisados, no se utilizan datos previos. El algoritmo clasifica la imagen de forma automática organizando los píxeles en diferentes clases bajo cierto criterio. En ambos casos, las características a identificar están embebidas en una matriz compleja de nueve elementos que describe a los datos polarimétricos. Los criterios de formación de clases están basados en el modelo estadístico asignado a estas matrices (o a combinaciones de sus elementos) y en distancias estadísticas que de ellos se derivan. Este trabajo realiza su principal aporte en el campo de la clasificación de datos polarimétricos. Para ello, se estudia en primer lugar la geometría del problema SAR y el proceso de formación de imágenes partiendo de los datos crudos. Esto permite entender cabalmente qué magnitudes son las utilizadas para componer las imágenes e interpretarlas correctamente. Luego se aborda el estudio de los modelos estadísticos utilizados en SAR, la distribución Wishart que describe datos polarimétricos y el modelo multiplicativo que da cuenta del alejamiento del modelo gaussiano. En base a esto, se propone la utilización de un modelo de mezclas de densidades para los datos y se desarrollan algoritmos de clasificación propios basados en ellos. Para el caso de datos homogéneos donde el modelo gaussiano es válido, se utiliza un modelo de mezcla de densidades gaussianas multivariante. Para el caso de datos heterogéneos, se utiliza la mezcla de densidades Gp0 que tiene en cuenta la textura. En ambos casos, los algoritmos de clasificación desarrollados se basan el método Expectation-Maximization y clasificación MAP. Son algoritmos no supervisados con una instancia de selección de modelo que permite detectar automáticamente la cantidad de clases relevantes en la escena. Esto asegura el modelo de menor complejidad para la escena dada en función de la distribución utilizada, y por otro lado, evita la necesidad de especificar a priori el número de clases.
publishDate 2016
dc.date.none.fl_str_mv 2016-03-30
dc.type.none.fl_str_mv info:eu-repo/semantics/doctoralThesis
info:eu-repo/semantics/acceptedVersion
Tesis de doctorado
http://purl.org/coar/resource_type/c_db06
info:ar-repo/semantics/tesisDoctoral
format doctoralThesis
status_str acceptedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/58632
https://doi.org/10.35537/10915/58632
url http://sedici.unlp.edu.ar/handle/10915/58632
https://doi.org/10.35537/10915/58632
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1844615939181510656
score 13.070432