Processamento de imagens SAR por estruturas aproximadas tipo ARMA

Abstract

Sistemas de radar de abertura sintética (SAR) têm sido sugeridos como ferramentas promissoras para resolver problemas de sensoriamento remoto. As imagens SAR são contudo afetadas por um ruído chamado speckle, que dificulta o processamento delas. Particularmente, determinar filtros eficientes é uma etapa de pós-processamento crucial ao analisar dados SAR. Alguns atributos (tais como intensidades e amplitudes dos retornos SAR complexos) impõem comportamentos probabilísticos não Gaussianos para distribuições não condicionais marginais a serem empregadas, além de estruturas de dependência na relação entre seus pixels. Em geral, os campos aleatórios de Markov (CAMs) são os modelos mais alinhados para descre ver dependência espacial em imagens SAR. Contudo há grandes desafios tanto de incorporar modelos ligados a física de formação de imagens SAR como de fazer inferência para os pa râmetros destes modelos. Uma alternativa aos CAMs é utilizar aproximações de processos 2D por modelos de séries temporais 1D ligados à física de formação de imagens SAR. Nesta tese, propõem-se dois processos tipo ARMA com distribuições marginais 𝒢 0 𝐼 e K-Bessel (KB) para descrever séries temporais de intensidades tanto obtidas em imagens distintas como a partir de vizinhanças espaciais de uma única imagem. Esses processos são denominados como 𝒢 0 𝐼 -ARMA e KB-ARMA. Primeiramente, baseando-se no modelo 𝛤-ARMA (caso particular de ambos ARMA-𝒢 0 𝐼 e ARMA-KB), propõem-se um novo filtro para o speckle e um estima dor para o número de looks equivalente (equivalente number of looks-ENL) desenvolvido a partir dos resíduos de Pearson decorrentes do processo 𝛤-ARMA. Resultados mostram que (i) o filtro proposto teve desempenho melhor quando comparado com outros seis filtros da literatura (boxcar, median, Enhanced Lee, Kuan, 𝛤-MAP e G-ARMA) e (ii) o novo estima dor para o ENL teve melhor desempenho quando comparado com outros três (CoV, FBM e 𝛤-MV). Em segundo lugar, os processos 𝒢 0 𝐼 -ARMA e KB-ARMA são introduzidos e algumas de suas propriedades matemáticas são derivadas: tais como expressões em forma fechada para a função escore e matriz de informação de Fisher. Suas predições e medidas de diagnósti cos são também introduzidas e discutidas. Procedimentos para obtenção das estimativas de máxima verossimilhança são propostos. O desempenho das estimativas para vários cenários é quantificada através de experimentos Monte Carlo. Aplicações para dados SAR reais são também realizadas. Resultados indicam que os novos modelos apresentam avanços em relação ao processo 𝛤-ARMA que pode ser entendido como um tipo de benchmark para dados SAR.