Tratamiento de imágenes.

Un método para clasificar regiones dentro de una escena representada en una imagen hiperespectral,

en que lasregiones dentro de la escena son clasificadas de acuerdo con su probabilidad de pertenencia a uno o máscomponentes en un modelo estadístico que tiene una verosimilitud 5 de modelo de ser representativo del contenido dela escena, en que el método comprende los pasos de:

(i) para cada elemento muestral de aprendizaje en un conjunto de datos de aprendizaje, asignarprobabilidades de pertenencia actuales iniciales a cada elemento muestral de aprendizaje;

(ii) asignar cada elemento muestral de aprendizaje a uno de los componentes de acuerdo con su probabilidadde pertenencia actual;

(iii) para cada componente, determinar la probabilidad a priori de componente y otros estadísticos decomponente, usando una medida de rareza determinada para cada elemento muestral de aprendizaje;

(iv) estimar una nueva probabilidad a posteriori de componente para cada elemento muestral de aprendizajeusando probabilidades condicionales de componente derivadas usando dicha medida de rareza y dichosotros estadísticos de componente; y

(v) repetir los pasos (ii) a (iv) para mejorar la verosimilitud de modelo, usando la nueva probabilidad a posterioride componente para cada elemento muestral de aprendizaje procedente del paso (iv) como probabilidad depertenencia actual para el respectivo elemento muestral de aprendizaje en el paso (ii); en quedicha medida de rareza es determinada usando un parámetro v de una distribución t de Student aplicada para pesarla contribución de los valores muestrales de aprendizaje a los estadísticos para cada componente.

Tratamiento de imágenes

Esta invención se refiere a tratamiento de imágenes y en particular a un método y a un dispositivo para clasificar el contenido en una imagen hiperespectral, por ejemplo mediante clasificación de regiones de uno o más píxeles que aparecen en una escena y la detección de anomalías.

La mayoría de métodos conocidos de tratamiento de imágenes hiperespectrales, basados en una teoría de probabilidad estadística bien conocida y aceptada, aplicada al tratamiento de reconocimiento estadístico de patrones, han sido desarrollados suponiendo que los datos espectrales siguen una distribución gaussiana multivariante correlacionada. Estos métodos conocidos incluyen una aproximación de detección tal como el método RX descrito en Reed, I. S., Yu, X., “Adaptive Multiple Band CFAR Detection of an Optical Pattern with Unknown Spectral Distribution”, IEEE Transactions on Acoustics, Speech and Signal Processing, Vol. 38, pp. 1760-1770, 1990, o un proceso de reconocimiento más clásico tal como el descrito en Fukunaga, K, “Introduction to Statistical Pattern Recognition”, Second Edition, Academic Press, 1990.

Sin embargo, muchos de los resultados derivados usando aproximaciones basadas en el modelo estadístico gaussiano muestran tasas de falsas alarmas mucho mayores de lo que se podría esperar. Es decir, los estadísticos derivados usando los métodos de reconocimiento muestran colas más pesadas de lo esperado en sus distribuciones. Este efecto es apuntado, y pueden observarse ejemplos de él, en Manolakis, D., Shaw, G., “Detection Algorithms for Hyperspectral Imaging Applications”, IEEE Signal Processing Magazine, pp. 29-43, Enero de 2002, y en Stein, D. W. J., Beaven, S. G., Hoff, L. E., Winter, E. M., Schaum, A. P., Stocker, A. D., “Anomaly Detection from Hyperspectral Imager y ”, IEEE Signal Processing Magazine, pp. 58-69, Enero de 2002.

El artículo anteriormente citado de Manolakis y Shaw muestra ejemplos de “colas pesadas” en la salida de un detector de anomalías basado en la distancia de Mahalanobis, en imágenes hiperespectrales, en sus figuras 14 y

15. Estas figuras también muestran los resultados de intentos de ajustar una mezcla de distribuciones F al estadístico de distancia de Mahalanobis, o alternativamente miembros parametrizados de la familia de distribuciones a-estables simétricas (SaS, del inglés “Symmetric a-Stable”) . Manolakis & Shaw también apuntan que si los datos siguieran una distribución t de Student multivariante correlacionada, entonces el estadístico de distancia de Mahalanobis tendría una distribución F. En ambos casos, tanto en la mezcla de distribuciones F como en los casos derivados de SaS, se consigue un mejor ajuste que para la aproximación basada en la gaussiana, aunque no se discuten métodos para parametrizar estas distribuciones más exóticas.

El artículo anteriormente citado de Stein et al. también muestra un ejemplo de colas pesadas en el estadístico de distancia de Mahalanobis en su figura 4. Evidentemente, ha habido un intento de ajustar un modelo de mezcla al estadístico observado y de obtener un buen ajuste a partir de una mezcla de tres distribuciones gamma. Sin embargo, sigue sin estar claro cómo volver a ligar la distribución del estadístico de distancia de Mahalanobis observado a la distribución de los datos de imagen hiperespectral recogidos.

Sun J et al: "Robust Mixtures in the Presence of Measurement Errors" ACM International Conference Proceeding Series - Proceedings, Twenty-Fourth International Conference on Machine Learning, ICML 2007 Association for Computing Machiner y US, vol. 227, 2007, páginas 847-854, da a conocer una aproximación basada en mezcla para modelado robusto de densidad y detección de valores raros (outliers) para datos multivariantes experimentales que incluyen información de error de medida. El modelo está diseñado para inferir medidas atípicas que no son debidas a errores, con el objetivo de recuperar objetos peculiares potencialmente interesantes.

Peel D et al: "Robust Mixture Modelling using the t-distribution", Statistics and Computing, vol. 10, 2000, páginas 339-348 da a conocer un modelado de datos mediante una mezcla de distribuciones t. Se describe el uso del algoritmo ECM para ajustar un modelo de mezcla de distribuciones t y se dan ejemplos de su uso en el contexto de agrupación (clustering) de datos multivariantes en la presencia de observaciones atípicas en la forma de ruido de fondo.

En un primer aspecto, la presente invención estriba en un método para clasificar regiones dentro de una escena representada en una imagen hiperespectral, en que las regiones dentro de la escena son clasificadas de acuerdo con su probabilidad de pertenencia a uno o más componentes en un modelo estadístico que tiene una verosimilitud de modelo de ser representativo del contenido de la escena, en que el método comprende los pasos de:

(i) para cada elemento muestral de aprendizaje en un conjunto de datos de aprendizaje, asignar probabilidades de pertenencia actuales iniciales a cada elemento muestral de aprendizaje;

(ii) asignar cada elemento muestral de aprendizaje a uno de los componentes de acuerdo con su probabilidad de pertenencia actual;

(iii) para cada componente, determinar la probabilidad a priori de componente y otros estadísticos de componente, usando una medida de rareza determinada para cada elemento muestral de aprendizaje;

(iv) estimar una nueva probabilidad a posteriori de componente para cada elemento muestral de aprendizaje usando probabilidades condicionales de componente derivadas usando dicha medida de rareza y dichos otros estadísticos de componente; y

(v) repetir los pasos (ii) a (iv) para mejorar la verosimilitud de modelo, usando la nueva probabilidad a posteriori de componente para cada elemento muestral de aprendizaje procedente del paso (iv) como probabilidad de pertenencia actual para el respectivo elemento muestral de aprendizaje en el paso (ii) , en que dicha medida de rareza es determinada usando un parámetro v de una distribución t de Student aplicada para pesar la contribución de los valores muestrales de aprendizaje a los estadísticos para cada componente.

De acuerdo con este primer aspecto de la presente invención, se ha encontrado que la inclusión de una medida de rareza, apropiadamente formulada, en el cálculo de estadísticos de componente proporciona un pesado más apropiado para la contribución de cada uno de los elementos muestrales de aprendizaje a esos estadísticos al generar el modelo. En particular, la medida de rareza tiende a evitar problemas en técnicas de modelado estadístico conocidas en las que aparecen distorsiones en los estadísticos de componente debido a la presencia de valores raros en los datos de aprendizaje.

Preferiblemente, el conjunto de datos de aprendizaje comprende datos que representan una o más regiones de laescena. Éste es el caso particularmente cuando una escena está siendo analizada sustancialmente en tiempo real y se está haciendo un intento de modelar la escena, usando algunos o todos los datos que representan la escena, y luego identificar ciertas regiones de la misma escena, no necesariamente regiones que fueron usadas en el modelado de la escena, para un análisis más detallado o diferente, por ejemplo usando sensores diferentes. De este modo, en una realización preferida de la presente invención de acuerdo con este primer aspecto, el método comprende además el paso de:

(vi) para una región dada en la escena, no representada en el conjunto de datos de aprendizaje, determinar la probabilidad de su pertenencia a uno o más componentes del modelo estadístico generado en los pasos (i) a (v) del método.

El conjunto de datos de aprendizaje puede comprender datos que representan todas las regiones de la escena, o puede comprender datos que representan una o más regiones de una escena diferente. Esta última opción permite generar un modelo estadístico de una escena con contenido similar y luego, algún tiempo después, que ese modelo sea usado para clasificar una o más regiones de una nueva escena. Este modo de operación puede ser particularmente útil en vuelo de avión sobre un área de paisaje similar, por ejemplo un desierto, donde un modelo estadístico construido usando datos capturados de una o más escenas previas puede usarse para analizar más rápidamente regiones de escenas nuevas... [Seguir leyendo]

1. Un método para clasificar regiones dentro de una escena representada en una imagen hiperespectral, en que las regiones dentro de la escena son clasificadas de acuerdo con su probabilidad de pertenencia a uno o más componentes en un modelo estadístico que tiene una verosimilitud de modelo de ser representativo del contenido de la escena, en que el método comprende los pasos de:

(i) para cada elemento muestral de aprendizaje en un conjunto de datos de aprendizaje, asignar probabilidades de pertenencia actuales iniciales a cada elemento muestral de aprendizaje;

(ii) asignar cada elemento muestral de aprendizaje a uno de los componentes de acuerdo con su probabilidad de pertenencia actual;

(iii) para cada componente, determinar la probabilidad a priori de componente y otros estadísticos de componente, usando una medida de rareza determinada para cada elemento muestral de aprendizaje;

(iv) estimar una nueva probabilidad a posteriori de componente para cada elemento muestral de aprendizaje usando probabilidades condicionales de componente derivadas usando dicha medida de rareza y dichos otros estadísticos de componente; y

(v) repetir los pasos (ii) a (iv) para mejorar la verosimilitud de modelo, usando la nueva probabilidad a posteriori de componente para cada elemento muestral de aprendizaje procedente del paso (iv) como probabilidad de pertenencia actual para el respectivo elemento muestral de aprendizaje en el paso (ii) ; en que

dicha medida de rareza es determinada usando un parámetro v de una distribución t de Student aplicada para pesar la contribución de los valores muestrales de aprendizaje a los estadísticos para cada componente.

2. El método según la reivindicación 1, en que el conjunto de datos de aprendizaje comprende datos que representan una o más regiones de la escena.

3. El método según la reivindicación 1 o la reivindicación 2, que comprende además el paso de:

(vi) para una región dada en la escena, no representada en el conjunto de datos de aprendizaje, determinar la probabilidad de su pertenencia a uno o más componentes del modelo estadístico generado en los pasos (i) a (v) del método.

4. El método según la reivindicación 1, en que el conjunto de datos de aprendizaje comprende datos que representan todas las regiones de la escena.

5. El método según la reivindicación 1 o la reivindicación 3, en que el conjunto de datos de aprendizaje comprende datos que representan una o más regiones de una escena diferente.

6. El método según una cualquiera de las reivindicaciones precedentes, en que cada elemento muestral de aprendizaje comprende datos que definen un píxel en una escena respectiva.

7. El método según una cualquiera de las reivindicaciones precedentes, en que cada uno de los componentes en el modelo estadístico representa uno o más píxeles en la escena.

8. El método según una cualquiera de las reivindicaciones precedentes, en que cada una de dichas regiones comprende un píxel en la escena.

9. El método según cualquiera de las reivindicaciones 1 a 8, en que dicha medida de rareza comprende una estimación del parámetro v determinada separadamente para cada componente en cada aplicación del paso (iii) del método, en combinación con un valor para el número de componentes en el modelo estadístico, para pesar la contribución de los valores muestrales de aprendizaje a los estadísticos para cada componente respectivo.

10. El método según cualquiera de las reivindicaciones 1 a 9, en que dicha medida de rareza comprende una estimación de un valor común del parámetro v para todos los componentes, determinada en cada aplicación del paso (iii) del método, en combinación con un valor para el número de componentes en el modelo estadístico, para pesar la contribución de los valores muestrales de aprendizaje a los estadísticos para cada componente respectivo.

11. El método según la reivindicación 10, en que dicha estimación del parámetro v comprende fijar el valor del parámetro v de modo que sea proporcional al número de componentes en el modelo estadístico en cada aplicación del paso (iii) del método.

12. El método según una cualquiera de las reivindicaciones precedentes, que comprende además el paso de identificar una región de la escena que tenga una probabilidad de pertenencia a uno o más componentes del modelo estadístico que esté por debajo de un umbral predeterminado.

13. Un dispositivo de tratamiento de datos programado para implementar el método según una cualquiera de las reivindicaciones 1 a 12.

14. Un programa de ordenador, que cuando es cargado en un ordenador y es ejecutado, hace que el ordenador implemente el método según una cualquiera de las reivindicaciones 1 a 12.

15. Un producto de programa de ordenador, que comprende un medio legible por ordenador que lleva almacenado en él un medio de código de programa de ordenador que cuando es cargado en un ordenador, y es ejecutado, hace que el ordenador implemente el método según una cualquiera de las reivindicaciones 1 a 12.