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

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.