Aexa introduccion procesos markovianos

Introducción a los procesos markovianos en el
análisis y procesamiento de imágenes
Oscar H. Bustos
bustos@famaf.unc.edu.ar
CIEM - FaMAF - Universidad Nacional de Córdoba

Resumen
En una primera parte veremos algunos conceptos básicos referentes a
la formación de imágenes de teledetección, principalmente desde sensores
ubicados en plataformas espaciales. Enseguida de…niremos los parámetros
esenciales de los sensores en general, como distintos tipos de resolución,
el signi…cado de píxel, etc. Finalizaremos esa primera parte viendo las
características principales de los sensores más usados en las múltiples e
importantes aplicaciones de la Teledetección para conocer y cuidar la vida
de nuestra única casa: la Tierra. Desde el punto de vista de la Estadística,
en Análisis de Imágenes, se trata de encontrar la distribución subyacente
a la energía de retorno captada por el sensor basándose en la distribución
de la misma en los entornos de cada píxel. Desde la década del 80 del siglo
pasado, muchas técnicas basadas en el uso de procesos markovianos han
demostrado ser muy útiles en el análisis y procesamiento de imágenes, no
sólo de las satelitales sino de toda clase de imágenes. Una buena parte de
los aspectos formales del tema de nuestro interés está contenida en una
rama de la Teoría de Probabilidad de creciente y rápido desarrollo que
algunos llaman sistemas espaciales aleatorios con interacciones. Uno de
sus objetivos importantes es la comprensión de los efectos interactuantes
en sistemas aleatorios espaciales. El impulso inicial proviene de la Física
Estadística. Posiblemente el antecedente más remoto de la aplicación de
tales procesos es el célebre modelo de Ising que fue propuesto como una
forma de explicar el fenómeno de magnetización espontánea que muestran
los materiales ferromagnéticos. La cantidad de trabajos que usan procesos
de Markov en el procesamiento de imágenes viene creciendo en forma
exponencial en los últimos años. En este curso nos limitaremos a presentar
los elementos y resultados básicos de los procesos de Markov orientados
a su aplicación en el análisis y procesamiento de imágenes. Lo haremos
simpli…cando en la mayor medida posible, la matemática involucrada en
los mismos. No obstante, lo que aquí veremos será su…ciente para iniciarse
en el estudio del tema.

1

1 Introducción
En esta sección veremos algunos conceptos básicos referentes a la formación de
imágenes de teledetección, principalmente desde sensores ubicados en platafor-
mas espaciales. De…niremos los parámetros esenciales de los sensores en general,
como distintos tipos de resolución, el signi…cado de píxel, etc. Finalizaremos la
sección viendo las características principales de los sensores más usados en las
múltiples e importantes aplicaciones de la Teledetección para conocer y cuidar
la vida de nuestra única casa: la Tierra.

1.1 Principios físicos de la teledetección
El término teledetección es una traducción del inglés (Remote Sensing), se de-
…ne como el conjunto de conocimientos y técnicas utilizados para determinar
características físicas y biológicas de objetos y super…cies mediante mediciones
a distancia, sin el contacto material con los mismos. La teledetección no engloba
sólo los procesos que permiten obtener una imagen desde el aire o el espacio, sino
también su posterior tratamiento en el contexto de una determinada aplicación.
En otras palabras, la teledetección se de…ne como la técnica de adquisi-
ción y posterior tratamiento de datos de la super…cie terrestre desde
sensores instalados en plataformas espaciales, en virtud de la interac-
ción electromagnética existente entre la Tierra y el sensor, siendo la
fuente de radiación ya sea proveniente del sol (teledetección pasiva)
o del propio sensor (teledetección activa).
Veamos los componentes de un sistema de teledetección.
Los componentes básicos de un sistema de teledetección son: la escena, el
sensor y el tratamiento de la información, con los siguientes elementos.
Fuente de energía o iluminación: (A) - La fuente de energía que supone el
origen del ‡ ujo energético detectado por el sensor. Puede tratarse de un foco
externo al sensor, en cuyo caso se habla de teledetección pasiva, o de un haz
energético emitido por éste, conocido como teledetección activa. La fuente de
energía más importante es la energía solar.
Radiación y la atmósfera (B) - Es el proceso y el medio en el que la energía
electromagnética es propagada a través del espacio libre.
Interacción con la super…cie terrestre (C) - La cubierta terrestre, formada
por distintas masas de vegetación, suelo, agua y construcciones, que reciben la
señal energética procedente de la fuente de energía, y la re‡ ejan o emiten de
acuerdo a sus características físicas.
El sistema Sensor (D) -Compuesto por el sensor propiamente dicho y la
plataforma que lo sustenta. Tiene como misión captar la energía procedente
de las cubiertas terrestres, codi…carla y enviarla directamente al sistema de
recepción.
Sistema de trasmisión, recepción, y procesamiento (E) - El Sistema de re-
cepción recibe la información transmitida por el sensor. Esta información es
grabada en un formato apropiado y es distribuido a los intérpretes para su
tratamiento visual o digital.

2

Figura 1: Componentes de un sistema de teledetección espacial: (A) Fuente
de energía. (B) Atmósfera. (C) Suelo. (D) Sensor. (E) Transmisión, y proce-
samiento. (F) Análisis. (G) Aplicación.

Interpretación y análisis (F) - En esta etapa el intérprete, analiza la infor-
mación.
Aplicación (G) - El último proceso es el de extraer la información necesaria
para resolver un problema especi…co; esa información llega al usuario …nal quien
es el encargado de analizar el documento fruto de la interpretación, así como
dictaminar el impacto que de él se derive.
Habitualmente se asume que la formación de imágenes en teledetección se
basa en el uso de la radiación electromagnética para adquirir la información a
distancia, esto es partiendo de sensores remotos.
Las propiedades de la radiación electromagnética se han explicado históri-
camente a través de dos teorías: 1) la que la concibe como un haz ondulatorio
(Huygens, Maxwell), y 2) la que la considera como una sucesión de unidades
discretas de energía, fotones o cuantos, con masa igual a cero (Planck, Einstein).
Actualmente se ha demostrado que la luz puede comportarse de acuerdo a ambas
teorías. Según la teoría ondulatoria, la energía electromagnética se transmite
de un lugar a otro en forma de una onda continua a la velocidad de la luz y
conteniendo dos campos de fuerzas ortogonales entre sí: eléctrico y magnético.
El ‡ energético conforme a esta teoría puede describirse por dos elementos:
ujo
longitud de onda ( ) y frecuencia (F ). La primera hace referencia a la distancia
entre dos picos sucesivos de una onda, mientras que la frecuencia designa el
número de ciclos pasando por un punto …jo en una unidad de tiempo. Ambos

3

Figura 2: Las ondas eletromagnéticas.

elementos están inversamente relacionados por:

c = :F;

donde: c: velocidad de la luz, : longitud de onda (habitualmente medida en
micrómetros, 1 m = 10 6 m), y F : frecuencia (medida en Hertzios, ciclos por
segundo).
Veamos algunos términos y unidades de medida de uso habitual en proce-
samiento de imágenes.
Energía radiante. Indica el total de energía radiada en todas las direcciones.
Densidad radiante. Total de energía radiada en todas las direcciones por
unidad de volumen.
Flujo radiante. Total de energía radiada en todas las direcciones por unidad
de tiempo.
Emitancia o excitancia radiante. Total de energía radiada (emitida) en todas
las direcciones desde una unidad de área y por unidad de tiempo.
Irradiancia radiante. Total de energía radiada (incidente) sobre una unidad
de área y por unidad de tiempo.
Intensidad radiante. Total de energía radiada por unidad de tiempo y por
ángulo sólido. Se trata éste de un ángulo tridimensional, que re…ere a la sección
completa de la energía transmitida.
Radiancia. Total de energía radiada en una determinada dirección por
unidad de área y por ángulo sólido de medida. Describe precisamente lo que
mide el sensor.

4

Radiancia espectral. Indica el total de energía radiada en una determinada
longitud de onda por unidad de área y por ángulo sólido de medida. También
la radiancia, la emitancia e irradiancia pueden completarse con el cali…cativo de
espectral cuando se re…eren a una determinada longitud de onda.
Emisividad. Relación entre la emitancia de una super…cie, y la que ofrecería
un emisor perfecto, denominado cuerpo negro, a la misma temperatura.
Re‡ ectividad. Relación entre el ‡ incidente y el re‡
ujo ejado por una super-
…cie.
Absortividad. Relación entre el ‡ incidente y el que absorbe una super-
ujo
…cie.
Transmisividad. Relación entre el ‡ ujo incidente y el transmitido por una
super…cie.
Las últimas cantidades: emisividad, re‡ ectividad, absortividad, transmisivi-
dad, son también dependientes de la longitud de onda, en tal caso se completan
con el cali…cativo de espectral, para referirse a su comportamiento en una banda
determinada del espectro.

1.2 El espectro electromagnético
Aunque la sucesión de valores de longitud de onda es continua, suelen estable-
cerse una serie de bandas en donde la radiación electromagnética mani…esta un
comportamiento similar.
Desde el punto de vista de la teledetección, conviene destacar una serie de
bandas espectrales, que son las más frecuentemente empleadas con la tecnología
actual:
1) Espectro visible (0.4 a 0.7 m). Suelen distinguirse tres bandas elemen-
tales, que se denominan azul: (0.4 a 0.5 m), verde (0.5 a 0.6 m), y rojo (0.6
a 0.7 m), en razón de los colores primarios que nuestros ojos perciben a esas
longitudes de onda.
2) Infrarrojo próximo (0.7 a 1.3 m). Resulta de especial importancia por
su capacidad para discriminar masas vegetales y concentraciones de humedad.
3) Infrarrojo medio (1.3 a 8 m), en donde se entremezclan los procesos de
re‡ exión de la luz solar y de emisión de la super…cie terrestre. Resulta idóneo
para estimar contenido de humedad en la vegetación y detección de focos de
alta temperatura.
4) Infrarrojo lejano o térmico (8 a 14 m), que incluye la porción emisiva del
espectro terrestre, en donde se detecta el calor proveniente de la mayor parte
de las cubiertas terrestres.
5) Micro - ondas (a partir de 1 m), con gran interés por ser un tipo de
energía bastante transparente a la cubierta nubosa.

1.3 Principios y leyes de la radiación electromagnética
Es importante caracterizar espectralmente las distintas cubiertas de interés.
Para ello, es imprescindible ver, aunque sea super…cialmente, los procesos más
relevantes que permiten explicar ese procedimiento. La relación entre ‡ ujo de

5

Figura 3: El espectro eletromagnético. (1) Longitud de onda en metros. (2)
Frecuencia en Herz. (3) Visible. (4) Ondas de radio. (5) Micro ondas. (6)
Infrarrojo. (7) Rayos X. (8) Rayos Gamma.

6

energía y longitud de onda puede establecerse con mayor rigor gracias a la ley
de Planck que nos indica que cualquier objeto por encima del cero absoluto
(-273o C) radia energía, y que ésta aumenta con la temperatura. También que,
a mayor temperatura, ese cuerpo radiará con más intensidad en longitudes de
onda más cortas.
A partir de la fórmula de Planck puede calcularse la longitud de onda a la que
se produce la máxima emitancia de un cuerpo negro conociendo su temperatura
(T ). Se obtiene así la llamada ley del desplazamiento de Wien:

max = 2898=T mK:

Esta fórmula es de gran interés para seleccionar la banda más conveniente para
detectar una determinada cubierta, siempre que se conozca su temperatura.

1.4 El dominio óptico del espectro
Se denomina dominio óptico del espectro a aquel grupo de longitudes de onda
directamente dependientes de la energía solar.
Veamos ahora cómo la radiación interacciona con la super…cie terrestre.

i = r + a + t;

donde i : ‡ ujo incidente, r : ‡ ujo re‡ ejado, a : ‡ ujo absorbido, t : ‡ ujo
transmitido.
La proporción del ‡ ujo incidente que es re‡ejado, absorbido y transmitido
depende de las características de la super…cie que se observa y de la longitud de
onda a la que sea observado.
A partir de medidas de laboratorio, se han obtenido unas curvas de re‡ ec-
tividad espectral para las principales cubiertas terrestres:
Ahora bien, el ‡ ujo de energía recibido por el sensor no sólo depende de
la re‡ ectividad de la cubierta, sino también de otros factores externos. Los
más importantes son: (i) las condiciones atmosféricas, (ii) el emplazamiento
ambiental de la cubierta y (iii) la geometría de la observación.
En cuanto a las condiciones de observación, conviene tener presente que la
cantidad de energía que llega al sensor depende del ángulo con que la super-
…cie re‡ la energía incidente, así como del que forman el haz incidente con
eja
la posición del sensor. La geometría de la observación está estrechamente rela-
cionada con la rugosidad de la super…cie. Podemos distinguir así diferentes tipos
de coberturas (ver …gura abajo): especulares: re‡ ejan la energía con el mismo
ángulo del ‡ ujo incidente; lambertianas: re‡ ejan uniformemente en todas las
direcciones.
En el caso de las super…cies especulares el sensor recibe energía re‡ ejada del
suelo sólo si está situado en la dirección del ángulo de re‡ exión. Si la super…cie
es lambertiana, la radiancia es constante en cualquier ángulo de re‡ exión.
La mayoría de las super…cies terrestres tienen un comportamiento intermedio
entre las especulares y las lambertianas, dependiendo de sus características y de
la longitud de onda en la que se trabaje. Si la longitud de onda es pequeña, las

7

Figura 4: La re‡ectividad espectral según las cubiertas del suelo. (1) Suelo
desnudo. (2) Agua. (3) Vegetación sana. (4) Vegetación estresada. (5) Nieve.

Figura 5: Principales clases de la re‡ ectividad. (1) Re‡ exión especular, (I)
ángulo incidente, (R) ángulo de re‡exión. (2) Re‡ exión lambertiana.

8

rugosidades del terreno tenderán a difundir mucho más la energía incidente que
las longitudes de onda mayores.
El comportamiento de una cubierta, especialmente en el espectro visible, está
in‡ uenciado por sus propias características y también por una serie de factores
externos que modi…can su comportamiento espectral “teórico” Algunos de
.
estos factores son: ángulo de iluminación solar (depende de la fecha del año y
del momento del paso del satélite), modi…caciones que el relieve introduce en
el ángulo de iluminación, in‡ uencia de la atmósfera (especialmente la absorción
provocada por nubes), variaciones medio ambientales en la cubierta, sustrato
edafológico o litológico, etc.
Vemos así que es una tarea muy compleja la caracterización de un tipo
de cubierta a partir de sensores remotos. Esto hace que la llamada signatura
espectral de una cierta cubierta solamente sirva como una referencia. Se llama
de esa forma al modo peculiar con el que una determinada cubierta re‡ o eja
emite energía a distintas longitudes de onda. La signatura espectral es la base
para discriminar dicha cubierta de otras.
Por la in‡ uencia de los factores externos las distintas cubiertas de la su-
per…cie terrestre no tienen un comportamiento espectral único y permanente,
que coincida con sus curvas de re‡ ectividad espectral y permita reconocerlas sin
confusión frente a otras super…cies. Con todo, es importante analizar las curvas
de re‡ ectividad patrón para interpretar las imágenes. A su vez, estas grá…cas
nos permiten seleccionar las bandas más conveniente para la detección de las
cubiertas terrestres.

1.5 Parámetros de sensores en general
Para que un sensor pueda registrar energía re‡ ejada o emitida desde un blanco,
este sensor debe estar sobre una plataforma alejado del blanco observado.
Estas plataformas podrían estar sobre la Tierra, sobre aviones, globos, así
como sobre naves espaciales o satélites fuera de la atmósfera.
Las plataformas aéreas son usualmente montadas sobre aviones. Éstas suelen
utilizarse para obtener información detallada de cualquier lugar de la Tierra.
En el pasado fueron la única alternativa para obtener resoluciones espaciales
métricas.
Los sensores usados en tierra suelen cumplir la función de registrar infor-
mación muy detallada de alguna super…cie la cual, luego, es comparada con
la obtenida desde aviones o satélites, es decir, suele tomarse como validación
te-rrestre para entender mejor la imagen satelital. Éstos pueden estar sobre la
mano, sobre edi…cios o grúas.

1.5.1 Órbitas y campos de visión
El camino seguido por un satélite es conocido como órbita.
Las órbitas de los satélites son de…nidas en función del objetivo de los sen-
sores que ellos deben llevar. La órbita elegida puede variar en altitud, y su
orientación y rotación relativa a la Tierra.

9

Los satélites que están muy altos, ven la misma parte de la Tierra siempre y
tienen órbitas geoestacionarias. Tienen una altitud de unos 36.000 km, y rotan
a una velocidad que se ajusta justo a la rotación terrestre, por lo que parecen
estacionarios respecto de la Tierra. Este tipo de satélites tienen especialmente
aplicaciones en telecomunicaciones y también meteorológicas. Por su lejanía
pueden tener imágenes de un hemisferio completo de la Tierra.
La mayoría de las plataformas de sensores remotos tienen órbitas (norte-
sur) que en conjunción con el movimiento de la Tierra (oeste-este), permite
cubrir toda la super…cie terrestre cada cierto tiempo. Se denominan órbitas casi
polares ya que tienen un pequeño ángulo con el eje terrestre.
Muchos de éstos son además heliosincrónicos de tal forma de cubrir cada área
del mundo a una hora local solar constante. Esto es importante para asegurar
condiciones de iluminación constantes tanto para análisis multitemporales como
para la realización de mosaicos.
La mayoría de las plataformas satelitales de teledetección de hoy tienen estas
órbitas casi polares, lo cual signi…ca que ellas viajan hacia el norte en la mitad
del planeta y hacia el sur en la otra mitad de su órbita. Éstas se denominan
pasadas ascendentes y descendentes respectivamente. Si la órbita además es
heliosincrónica, la pasada ascendente suele ser del lado oscuro de la Tierra y
la descendente es cuando hay iluminación solar disponible. Así los sensores de
energía solar re‡ ejada tomarán imágenes sólo en las pasadas descendentes y los
activos y o térmicos también tomarán imágenes en las ascendentes.
Cuando un satélite gira alrededor de la Tierra él ve sólo una parte de la
super…cie terrestre. El área mirada sobre la Tierra es denominado campo de
visión (swath).
El ancho de los campos de visión para los diferentes sensores varía de decenas
a cientos de kilómetros.
Como el satélite gira de polo a polo éste miraría siempre lo mismo si la
Tierra no girara. Como éste no es el caso, el satélite parece moverse hacia el
oeste (ya que la Tierra gira de oeste a este). Este movimiento permite a cada
nueva campo de visión cubrir una zona diferente de la Tierra cada vez. Así,
luego de varias órbitas, la Tierra es cubierta completamente.
Si comenzamos con cualquier pasada de un satélite, un ciclo completo se
cumplirá cuando el satélite pase exactamente sobre el mismo lugar de la Tierra.
El tiempo total entre estas dos pasadas consecutivas es lo que se denomina
“período de revisita” .
Si la cámara del sensor puede moverse podría mirar el mismo lugar sin tener
que esperar a completar el ciclo orbital y entonces aumentar la frecuencia de
muestreo de un dado lugar. El período de revisita es un punto crucial para
muchas aplicaciones como por ejemplo derrames de petróleo, incendios, inunda-
ciones etc.
Claramente en las órbitas casi polares los campos de visión se solapan cerca
de los polos permitiendo revisitas mucho más frecuentes.

10

Figura 6: (1) Campo de visión. (2) Campos de visión en pasadas sucesivas. (3)
Campos de visión adyacentes.

11

Figura 7: Resolución espacial. Alta resolución (izquierda). Baja resolución
(derecha).

1.5.2 Resolución espacial, tamaño del píxel y escala
La distancia entre el sensor y el blanco generalmente de…ne en detalle la infor-
mación obtenida y el área total mirada por el sensor.
Comparemos lo que vería un astronauta en el space shuttle y usted desde
un avión. El astronauta podría ver todo su país pero claramente no podría
diferenciar casas. Volando sobre una ciudad usted vería edi…cios, autos pero
tendría una visión mucho más pequeña. Existe una diferencia similar entre los
sensores en satélites y aviones.
Los detalles discernibles en una imagen dependen de la resolución espacial
del sensor que se re…ere al más pequeño objeto que es posible detectar. La
resolución espacial de sensores pasivos depende primariamente de su “Campo
de visión instantáneo” (Instantaneous Field of View (IFOV)).
Si bien para detectar un objeto, su tamaño deberá ser igual o mayor a la
mínima celda de resolución, objetos más pequeños muchas veces son detectables
si su re‡ectancia domina dentro de una zona del tamaño de la celda mínima.
Una imagen está formada por una matriz de elementos, o píxeles, los cuales
constituyen las unidades más pequeñas de la imagen. Los píxeles de la imagen
son generalmente cuadrados y representan cierta área de la imagen. Es impor-
tante distinguir entre el tamaño de píxel y la resolución espacial. Si un sensor
tiene una resolución espacial de 20 m y la imagen es presentada en máxima
resolución, cada píxel representa un área de 20m x 20m sobre la Tierra. Sin
embargo, es posible presentar a la imagen con un tamaño de píxel mayor a la
resolución espacial.
La mayor parte de las ilustraciones con imágenes tienen sus píxeles prome-
diados para representar grandes áreas, aunque su resolución espacial original
permanezca inalterada.
Las resoluciones actuales de los satélites comerciales van desde un kilómetro
hasta del orden del metro.
La razón entre una distancia en una imagen o mapa a la distancia real sobre
la Tierra es llamada escala. Si usted tiene un mapa con una escala de 1:100000,
un objeto de 1cm de longitud sobre el mapa realmente será de 100000 cm (1km).
Mapas o imágenes con una razón “mapa-a-tierra” pequeña, se dicen de pe-

12

Figura 8: Campos de visión y resolución espacial de ciertos sensores. De
izquierda a derecha: GOES 8 (píxel: 4,5x4,5 Km), NOAA 14 (píxel:
1,1x1,1Km), LANDSAT 5 TM (píxel: 30x30 m), SPOT 2 (píxel: 10x10 m),
IKONOS (píxel: 1,1x1,1 m).

queña escala (por ejemplo 1:100000) (menos detalles), y aquéllas con cocientes
más grandes (por ejemplo, 1:5000) se denominan escala grande (más detalles).
En la Figura 8 podemos ver los campos de visión y resolución espacial de
distintos sensores.

1.5.3 Resolución espectral
Indica el número y ancho de las bandas espectrales que puede discriminar el sen-
sor. Este será más e…ciente cuanto mayor sea el número de bandas que ofrezca,
pues facilita la caracterización espectral de las distintas cubiertas. También
conviene que esas bandas sean su…cientemente estrechas, con objeto de recoger
la señal sobre regiones coherentes del espectro.
Entre los sensores espaciales, la menor resolución espectral corresponde al
radar (generalmente un solo canal) y a los sistemas fotográ…cos. Los sensores
óptico - electrónicos ofrecen un mayor rango de bandas; por ejemplo: 3 en el
SPOT - HRV, 7 en el LANDSAT - TM.
Recientemente, podemos contar con los llamados sensores hiperespectrales.
Son sensores especiales los cuales detectan y registran radiación en varios (cien-
tos) de bandas espectrales estrechas. Tienen alta resolución espectral a causa
de sus estrechos anchos de banda. Midiendo radiación sobre muchos rangos
estrechos de longitudes de onda, podemos construir un espectro casi continuo
de respuesta en cada píxel de la imagen. Esto permite una diferenciación …na
entre blancos con respuestas diferentes que sería imposible con bandas anchas
como los de las multiespectrales. Ahora bien, el volumen de datos generados
es muy grande, complicando tanto la manipulación como el almacenamiento de
los datos.

13

1.5.4 Resolución radiométrica
Hace mención a la sensibilidad del sensor, esto es, a su capacidad para detectar
variaciones en la radiancia espectral que recibe. En el caso de los sistemas
fotográ…cos, la resolución radiométrica del sensor se indica por el número de
niveles de gris posibles de registrar en la película. Para los óptico - electrónicos,
la imagen habitualmente se presenta en formato digital, por lo que la resolución
radiométrica suele identi…carse con el rango de valores que codi…ca el sensor. Por
cuanto se trata de codi…cación digital, habitualmente se expresa esa resolución
en el número de bits que precisa cada elemento de imagen para ser almacenado
(256, 128, 64, etc.)
Cuanto mayor sea la precisión radiométrica, tanto mejor podrá interpretarse
la imagen.
El número de niveles más adecuado depende del método que se siga en
la interpretación. Si ésta es visual, conviene considerar que el ojo humano
difícilmente percibe más de 64 niveles de gris, y no más de 200.000 tonalidades.
En la interpretación digital, la sensibilidad radiométrica se puede aprovechar
mejor porque la computadora es capaz de distinguir una escala numérica amplia.
De hecho, en los sensores planeados para la futura estación orbital EOS, la
resolución estándar será de 16 bits por píxel (65536 niveles de gris). En la Figura
9 podemos apreciar los efectos de la diferencia en la resolución radiométrica.

1.5.5 Resolución temporal
Además de las resoluciones espacial, espectral y radiométrica la resolución tem-
poral es un parámetro crucial en las aplicaciones de sensores remotos. Se re…ere
al período de tiempo que lleva el sensor en completar un ciclo orbital completo.
Este ciclo es generalmente de varios días.
De todos modos, debido al solapamiento de los campos de visión de órbitas
adyacentes, que aumenta a medida que aumenta la latitud, algunas super…cies
pueden verse más frecuentemente. Campos de visión más anchos se revisitan
más seguido, tienen mayor resolución temporal.
Además algunos satélites pueden mover su sensor pudiendo entonces forzar
la visión de algún lugar más frecuentemente y así la resolución temporal real
depende de la órbita, campo de visión, características del sensor y latitud.
La habilidad de colectar imágenes de la Tierra en forma frecuente es muy
importante para analizar cambios en el tiempo de las características espectrales
de un determinado blanco. Este tipo de análisis es conocido como análisis
multitemporal.
Este concepto se re…ere a la frecuencia de cobertura que proporciona el
sensor. La cadencia temporal de los sistemas espaciales varía de acuerdo a los
objetivos …jados para el sensor. Por ejemplo durante la primavera, la mayor
parte de las especies de vegetación tienen un cambio continuo y así la habilidad
de monitorear estos cambios depende de esta capacidad de revisitas continuas.
El factor temporal es importante por ejemplo en: Lugares donde usualmente
está nublado y no pueda verse la super…cie. Fenómenos de corta vida (inun-

14

Figura 9: Imágenes con el mismo escenario, resolución radiométrica de 2 bits
(izquierda) y 8 bits (derecha).

15

TERRA

SAC-C
EO 1

Atm. Corr.

EO 1

LANDSAT 7

ALI

EO 1

HYPERION

LANDSAT 7, EO-1, SAC-C Y TERRA
LANDSAT 7, EO-1, SAC-C Y TERRA

Figura 10: Resolución temporal de ciertos sensores.

daciones, derrames de petróleo). Cuando un análisis temporal es requerido
(por ejemplo la expansión de deforestación de un año a otro). Cuando los cam-
bios producidos en los aspectos nos hacen diferenciar ciertos elementos similares
(trigo / maíz).
La Figura 10 muestra la resolución temporal de algunos sensores muy usados
en todo el mundo.

1.5.6 Sensores en uso al día de hoy
El monitoreo del tiempo y pronóstico ha sido una de las primeras aplicaciones
civiles de la teledetección. Ya desde 1960 TIROS-1 (Television and Infrared
Observation Satellite - 1), se han lanzado muchos satélites con órbitas casi
polares proveyendo una cobertura completa de la Tierra.
En 1966, NASA (the U.S. National Aeronautics and Space Administration)
lanzó el satélite geoestacionario (ATS-1) el cual pudo proveer imágenes hemis-
féricas cada media hora. Así por primera vez se pudo monitorear el desarrollo

16

y movimiento de sistemas meteorológicos.
Hoy varios países operan este tipo de satélites para monitorear las condi-
ciones meteorológicas de la Tierra.
Generalmente hablando, tienen poca resolución espacial (comparado con los
que estudian la Tierra) pero poseen una gran cobertura. Su resolución tempo-
ral es generalmente muy alta produciendo muy frecuentes observaciones de la
Tierra, la humedad en la atmósfera, el cubrimiento de nubes permitiendo un
análisis …no de las condiciones meteorológicas y así el pronóstico.

GOES El GOES (Geostationary Operational Environmental Satellite) siguió
a la serie ATS. Ellos fueron diseñados por la NASA para la National Oceanic and
Atmospheric Administration (NOAA) para proveer al United States National
Weather Service imágenes frecuentes de la super…cie terrestre y del cubrimiento
de nubes.
La serie de satélites GOES ha sido utilizada en meteorología por más de 20
años. Estos satélites forman parte de una red global de satélites espaciados unos
70o de longitud alrededor de la Tierra proveyendo una cobertura casi completa.
Dos satélites GOES en órbitas geostacionarias a unos 36000 km arriba del
ecuador, miran cada uno casi un tercio de la Tierra. Uno está a 75o W longitud
y monitorea toda América y la mayor parte del Atlántico. El otro, a 135o W de
longitud monitorea toda América del Norte y el Pací…co. Juntos cubren desde
20o W a 165o E de longitud.
A manera de ejemplo veamos la siguiente …gura que muestra una toma com-
pleta de la Tierra realizada por GOES 7 en la que se ve al Huracán Andrews
aproximándose a Louisiana el 25 de agosto de 1992.
La segunda generación iniciada por el GOES-8 (1994) con sus mejoras per-
miten ver la Tierra cada 15 minutos. Este incremento en la resolución tem-
poral junto a mejoras en la resolución radiometrica y espacial han mejorado
notablemente la capacidad de los pronósticos meteorológicos. GOES-8 tiene in-
trumentos que le dan la capacidad de tomar imágenes hemisféricas e imágenes
de pequeñas áreas. Éstas tienen una resolución radiométrica de 10 bits y pueden
transmitirse directamente al usuario en tierra.

NOAA AVHRR La NOAA es también responsable de otra serie de satélites
esencialmente meteorológicos pero útiles para otros …nes. Éstos tienen órbitas
casi polares heliosincrónicas a (830-870 km de altura).
Dos satélites que proveen cobertura global cada 6 hs. Uno, cruza el ecuador
a la mañana temprano de norte a sur mientras el otro lo hace a la tarde.
El sensor principal sensor es el Advanced Very High Resolution Radiometer
(AVHRR). Éste detecta la radiación en el visible, en el IR cercano, medio y
térmico. Tiene un campo de visión de 3000 km.
Veamos ahora aplicaciones de este sensor:

17

Figura 11: Visión de la Tierra tomada por el GOES 7 el 25 de agosto de 1992.

18

Banda Longitud de onda Aplicación
1 0.58 - 0.68 m Manejo de nubes, nieve y hielo.
2 0.725 - 1.1 m Inventario de agua, vegetación
y uso para agricultura.
3 3.55 - 3.93 m Temperatura de la super…cie de la Tierra,
actividad volcánica e incendios forestales.
4 10.3 - 11.3 m Temperatura de la super…cie del mar
y humedad del suelo.
5 11.5 - 12.5 m Temperatura de la super…cie del mar
y humedad del suelo.
Existen otros sensores similares, uno de Japón y otro de Europa con la serie
Meteosat. Ambos son geoestacionarios y están sobre el ecuador. Ambos toman
imágenes cada media hora. El primero tiene dos bandas: 0.5- 0.75 m (1.25 km
de resolución), y 10.5 - 12.5 m (5 km de resolución). Meteosat tiene 3 bandas:
visible: 0.4 - 1.1 m (2.5 km de resolución), mid-IR 5.7 - 7.1 m, (5 km de
resolución), e IR térmico: 10.5 - 12.5 m, (5 km de resolución).

LANDSAT Aunque muchos sistemas meteorológicos satelitales también son
usados para supervisar la super…cie de la Tierra, no son óptimos para el trazado
de un mapa detallado de la super…cie de Tierra. El primer satélite diseñado ex-
presamente para supervisar la super…cie de la Tierra, LANDSAT-1, fue lanzado
por la NASA en 1972. LANDSAT ha sido diseñado para probar la viabilidad de
recoger datos de observación de Tierra multi-espectrales desde una plataforma
satelital no tripulada. Desde entonces, este programa ha recogido una gran
cantidad de datos del mundo entero de varios LANDSAT.
El éxito de LANDSAT se debe a varios factores: una combinación de sen-
sores con bandas espectrales adaptadas a la observación de la Tierra, resolución
espacial y buena cobertura regional. La larga vida útil del programa ha propor-
cionado un archivo voluminoso de datos de recursos de la Tierra que facilitan
la supervisión de largo plazo, registros históricos e investigación. Todos los
satélites de LANDSAT son colocados en órbitas casi polares, heliosincrónicas.
Los tres primeros satélites (LANDSATs 1-3) estaban en altitudes alrede-
dor de 900 kilómetros y tenían períodos de 18 días mientras los satélites pos-
teriores están alrededor de 700 kilómetros y tienen períodos de 16 días. Todos
los satélites de LANDSAT cruzan el ecuador por la mañana para optimizar las
condiciones de iluminación. El instrumento más popular en los primeros días
del LANDSAT, era el MultiSpectral Scanner (MSS) luego el Thematic Mapper
(TM). Ambos tenían un campo de visión de 185 km, con escenas de 185 km x
185 km.
La resolución espacial de TM es de 30 m para todas las bandas excepto la
banda del infrarrojo térmico que tiene 120 m. Todos los canales son registrados
sobre una gama de 256 números digitales (8 bits). Los datos del MSS y del TM
son usados para una amplia variedad de aplicaciones, incluyendo la gestión de
recursos, el trazado de mapas, la supervisión medioambiental, y la detección de
cambio (p.ej. la supervisión de talas de bosques).

19

Figura 12: Imagen LANDSAT 7 ETM, Track/Frame: 231/82. Fecha:
13/05/2003. CONAE (Falda del Carmen, Córdoba).

En la Figura 12 vemos una imagen obtenida por el LANDSAT 7.

SPOT SPOT (Système Vierte l’ Observation de la Terre) es una serie de
satélites de observación de la Tierra diseñados y lanzados por el CNES (Centre
d’Études Nacional Spatiales) de Francia, con el apoyo de Suecia y Bélgica. El
SPOT -1 ha sido lanzado en 1986, con versiones sucesivas posteriores cada tres o
cuatro años. Todos los satélites están en órbitas sincronizadas con el movimiento
del sol, casi polares, en altitudes alrededor de 830 kilómetros encima de la Tierra,
que causa la repetición de la órbita cada 26 días. Cruzan el ecuador alrededor
de las 10:30 de la mañana, hora solar local. El SPOT ha sido diseñado para
ser un proveedor comercial de datos de observación de la Tierra, y fue el primer
satélite en usar tecnología “along-track” .
Cada uno de los satélites SPOT tiene un par de sistemas de alta resolu-
ción en las bandas del visible (HRV), que pueden ser manejados por separado
y simultáneamente. Cada HRV es capaz de tomar datos en un canal solo de

20

Figura 13: Imagen SPOT 5 - 2,5 m de resolución de Canberra, Australia, febrero
de 2003.

alta resolución espacial pancromático (PLA), o en una resolución espacial mayor
en modo multiespectral (MLA) de tres canales. Cada sensor along-track HRV
consiste en cuatro colecciones lineales de detectores: 6000 elementos para la
grabación de modo panchromatic en una resolución espacial de 10 m, y 3000
elementos para cada una de las tres bandas multiespectrales, en 20 m de resolu-
ción espacial. El ancho del campo de visión para ambos modos es 60 kilómetros
en el nadir.

CBERS El primer satélite desarrollado en Brasil, el CEBERS-1, fue lanzado
exitosamente por el cohete chino Larga Marcha 4B del Centro de Lanzamiento
de Taiwan el 14 de octubre de 1999. Su órbita es heliosincrónica a una altura
de 778 km, efectúa aproximadamente 14 vueltas a la Tierra por día y consigue
obtener una cobertura completa de la super…cie terrestre cada 26 días.
Los satélites CBERS-1 y 2 están equipados con cámaras para observaciones
ópticas de toda la Tierra además de un sistema de recolección de datos am-

21

Figura 14: Los diferentes campos de visión del CBERS

bientales. Estos sistemas son únicos debido al uso de cámaras que combinan
características especiales para resolver una gran variedad de escalas temporales
y espaciales típicas de nuestro ecosistema.

SAC-C El SAC-C es el primer satélite argentino de observación de la Tierra,
diseñado para el estudio de ecosistemas terrestres y marinos, la medición de
la temperatura y contenido de vapor de agua de la atmósfera, la medición del
campo magnético terrestre, estudios de la estructura y dinámica de la atmós-
fera e ionósfera y la determinación de componentes de onda larga del campo
gravitatorio terrestre.
La carga principal del SAC-C está compuesta de un barredor multiespectral
de resolución media (Multispectral Medium Resolution Scanner - MMRS), pro-
visto por la CONAE, un conjunto de magnetómetros para mediciones escalares y
vectoriales del campo magnético terrestre (Magnetic Mapping Payload - MMP)
desarrollado y construido por un consorcio formado por la NASA/JPL y el
Danish Space Research Institute (DSRI) y un receptor GPS de posicionamiento
global (Gps OccuLtation and Passive re‡ ection Experiment-GOLPE), provisto
por el JPL/NASA. Adicionalmente, el SAC-C dispone de una cámara pan-
cromática de una resolución de 35 metros (HRTC), una cámara de sensibilidad
alta (HSTC) desarrolladas por la CONAE, dos cargas de ensayos tecnológi-
cos provistos por Italia para experimentos de navegación y control de órbita,

22

Figura 15: Imagen MMRS del SAC- C - Path 228 (parcial )- 15 de octubre de
2003.

un instrumento francés para determinar el efecto de partículas de alta energía
en componentes electrónicos de última generación (ICARE), y un sistema de
recolección de datos ambientales (DCS) constituido por un sistema de estaciones
distribuidas en el territorio nacional.
A bordo del SAC-C hay diez instrumentos que se utilizan para llevar a cabo
diversos estudios relacionados con las Ciencias de la Tierra y experimentos tec-
nológicos con el objeto de mejorar el desarrollo de futuras misiones espaciales.

Sistemas de radar. Debido al éxito obtenido en el uso de imágenes de radar
aerotransportadas, fue natural tratar de complementar la información dada por
sensores ópticos instalados en satélites por medio de radares colocados en tales
transportadores.
SEASAT, lanzado en 1978, fue el primer radar SAR en teledetección de uso
civil. Operaba en banda L (23.5 cm) con polarización HH y una resolución
espacial de 25 metros. Si bien fue diseñado con el principal objetivo de for-
mar imágenes de océanos y témpanos también coleccionó una gran cantidad de
imágenes terrestres. Sin embargo era de utilidad limitada en estas super…cies a
causa de la interacción del relieve con las características del radar.
Aunque estuvo operativo apenas tres meses, demostró el valor, con respecto
al gran volumen de datos, de la información posible por medio del uso de radares
transportados por satélites.
A partir del éxito de la misión SEASAT y el ímpetu proveniente de los
éxitos de las misiones SAR aerotransportados, la Agencia Espacial Europea
(ESA) lanzó el ERS-1 en julio de 1991. Este satélite llevaba a bordo: un radar
altímetro, un radiómetro infrarrojo y sondeador acústico de micro ondas, y
un instrumento activo en la zona de micro ondas del espectro (en banda C

23

( 5.66 cm)). Este último se puede operar de modo tal que permite medir la
re‡ectividad de la super…cie oceánica y también la velocidad y dirección del
viento sobre dicha super…cie. Operado como radar de abertura sintética tiene
un campo de visión de 100 km y una resolución espacial aproximada de 30 m,
siendo VV su polarización.
Un segundo satélite, ERS-2, fue lanzado en abril de 1995 llevando un sensor
activo de micro ondas similar al de ERS-1. Tanto este último como ERS-2
proveyeron y provén a la comunidad mundial con una enorme cantidad de datos
SAR desde el espacio exterior. Se están usando tales datos en una amplia gama
de aplicaciones tanto en ambiente marino como terrestre. Al igual que SEASAT
ambos sensores presentan limitaciones para sus aplicaciones terrestres.
La National Space Development Agency of Japan (NASDA), lanzó el satélite
JERS-1 en febrero de 1992. Lleva un SAR operando en la banda L (23.5 cm)
con polarización HH. El ancho del campo de visión es de 75 km y una resolución
espacial es de aproximadamente 18 metros tanto en rango como en azimut. Este
SAR tiene cierto poder de penetración a través de la vegetación y otros tipos
de cobertura.
Todo lo referente a imágenes SAR dio un salto gigante con el lanzamiento
del satélite canadiense RADARSAT, el 4 de noviembre de 1995, a cargo de la
Canadian Space Agency (CSA). Este satélite trasporta un SAR que opera en la
banda C (5.6 cm) con polarización HH. El campo de visión puede variar entre
35 y 500 km con una resolución espacial variable entre los 10 y los 100 metros.
La tecnología de avanzada de los sensores que transporta RADARSAT permite
formar imágenes de la misma región con mayor frecuencia que los anteriores
SAR y también la adquisición de datos especí…cos para ciertas investigaciones
geográ…cas. Finalmente, RADARSAT suministra imágenes diarias de toda la
región Ártica y con la frecuencia de tres días de cualquier parte de Canadá.

24

2 Procesos de Markov sobre grafos
2.1 Introducción y notaciones
En Análisis de Imágenes se trata de encontrar la distribución subyacente a la
energía de retorno captada por el sensor basándose en las distribución de la
misma en los entornos de cada píxel.
En primer lugar, nos preguntamos:
¿Cómo construir un modelo matemático conveniente para dar cuenta de esas
estructuras de interdependencia locales entre los valores de la energía de retorno
en píxeles cercanos en el espacio?
La segunda cuestión que, naturalmente, nos planteamos es: ¿Existe un mo-
delo matemático que simultáneamente sea adecuado para describir la distribu-
ción global de la energía de retorno y las estructuras de interdependencia locales?
Es claro que un tal modelo debe ser único para cada estructura de interde-
pendencia locales.
Supongamos que para cada punto de coordenadas geográ…cas (s1 ; s2 ) en un
cierto escenario S; X(s1 ; s2 ) representa el valor de la variable X en (s1 ; s2 )
cuya representación en un formato conveniente convenimos en llamar “imagen” .
En este sentido X puede no solamente representar el valor de la energía de
retorno a partir de un punto de S; sino valores de magnitudes diversas que
conjuntamente son consideradas en el momento de la formación de una imagen.
Por ello es razonable considerar que X tiene rango en un conjunto E.
Por “análisis” de la imagen formada a partir de X entendemos “tener una
idea lo más certera posible” de la distribución de X sobre E cuando (s1 ; s2 ) se
mueve a lo largo de S:
Desde la década del 80 del siglo pasado, muchas técnicas basadas en el uso
de procesos markovianos han demostrado ser muy útiles en el análisis y proce-
samiento de imágenes, no sólo de las satelitales sino de toda clase de imágenes.
Una buena parte de los aspectos formales del tema de nuestro interés está
contenida en una rama de la Teoría de Probabilidad de creciente y rápido desa-
rrollo que algunos llaman sistemas espaciales aleatorios con interacciones. Uno
de sus objetivos importantes es la comprensión de los efectos interactuantes en
sistemas aleatorios espaciales.
El impulso inicial proviene de la Física Estadística. Posiblemente el an-
tecedente más remoto de la aplicación de tales procesos es el célebre modelo
de Ising que fue propuesto como una forma de explicar el fenómeno de magne-
tización espontánea que muestran los materiales ferromagnéticos. Por alguna
razón Ising no pudo concluir exitosamente su trabajo, pero su modelo recibe
todavía la atención de una gran comunidad de investigadores en todo el mundo.
La cantidad de trabajos que usan procesos de Markov en el procesamiento de
imágenes viene creciendo en forma exponencial en los últimos años.
En este curso nos limitaremos a presentar los elementos y resultados básicos
de los procesos de Markov orientados a su aplicación en el análisis y proce-
samiento de imágenes. Lo haremos simpli…cando en la mayor medida posible,
la matemática involucrada en los mismos. No obstante, lo que aquí veremos

25

será su…ciente para iniciarse en el estudio del tema.
Suponemos que el lector tiene los conocimientos de Probabilidad y Estadís-
tica que se dan habitualmente en los primeros años de las carreras que tienen
tales disciplinas en sus planes de estudio.
A seguir, un poco de la notación que usaremos a lo largo de este curso.
S será un subconjunto …nito de Z o Z Z. Es el soporte de la imagen. Esto
es, S representa el conjunto de píxeles.
E es un conjunto …nito. Si estamos trabajando con imágenes binarias puede
ser:
E = f 1; +1g ;
o bien
E = f0; 1g ;
o también
E = fblanco; negrog :
Si trabajamos con imágenes de radar (un solo canal espectral) podría ser:

E = f0; 1; ; 255g ;

con el signi…cado habitual de que 0 es "negro", 255 es"blanco" y los números
entre ambos son tonos de gris.
Si trabajamos con imágenes de color, esto es de tres canales espectrales: uno
para el rojo, otro para el verde y uno para el azul, bien podría considerarse

E = f(e1 ; e2 ; e3 ) / ei 2 f0; 1; ; 255g ; i = 1; 2 y 3g :

En …n, si trabajamos con imágenes multiespectrales (LANDSAT, SAC-C, etc)
o hiperespectrales con K canales espectrales disponibles, sería adecuado tomar

E = f(e1 ; ; eK ) / ei 2 f0; 1; ; 255g ; i = 1; ; Kg :

Pondremos

E S = fx / x es una función con dominio en S y rango en Eg :

Este será el conjunto de la totalidad de imágenes que se quiere considerar. Esto
es, un punto x de E S será una "imagen" desde el punto de vista formal.
Como E y E S son conjuntos …nitos, las -álgebras, E sobre E y E S sobre
E será la de todos los subconjuntos correspondientes, P(E) y P(E S ) respec-
S

tivamente.
Finalmente, si X es un conjunto y A X; pondremos 1A para denotar la
función de…nida sobre X por:

0 si x 2 A
=
1A (x) = :
1 si x 2 A

26

2.2 Conceptos y resultados preliminares
De…nición 1 Sea una probabilidad nunca nula sobre E S : Para cada s 2 S
sea s : E S ! [0; 1] dada por

s (x) = y 2 E S / y(s) = x(s) j y 2 E S / y(t) = x(t); t 2 S; t 6= s :

Llamaremos familia de características locales asociadas a a la familia
de funciones f s / s 2 Sg :

Proposición 2 Sean y probabilidades nunca nulas sobre E S : Si s = s
para todo s 2 S; entonces = :

Este resultado no es válido en general si S no es …nito.

De…nición 3 Para cada s 2 S sea Vs S no vacío tal que:
(i) s 2 Vs :
=
(ii) s 2 Vt S() t 2 Vs :
(iii) S = Vs :
s2S
Diremos que V = fVs / s 2 Sg es un sistema de vecindades sobre S:

De…nición 4 Sea V un sistemas de vecindades sobre S: Al par (S; V) lo lla-
maremos grafo sobre S con sistemas de vecindades V:

De…nición 5 Sea G =(S; V) un grafo. Diremos que una probabilidad nunca
nula sobre E S es G-markoviana si

s (x) = y 2 E S / y(s) = x(s) j y 2 E S / y(t) = x(t); t 2 Vs :

Ejercicio 6 Para cada s 2 S sea

Vs0 = Sn fsg = ft 2 S / t 6= sg :

Entonces V 0 = Vs0 / s 2 S es un sistemas de vecindades sobre S. Al grafo
G 0 =(S; V 0 ) lo llamaremos grafo trivial.

De…nición 7 Diremos que una función V : E S P(S) !R es un potencial
si:
(i) V (x; ;) = 0; para todo x 2 E S :
(ii) Si S; x 2 E S ; y 2 E S e y(s) = x(s) para todo s 2 ; entonces
V (x; ) = V (x; ):

Sea $ un punto de E:

De…nición 8 Sea V un potencial. Diremos que V está normalizado con
respecto al punto $, si
{ S; x 2 E S ; x(t) = $ para algún t 2 } ) V (x; ) = 0:

27

De…nición 9 Sea G =(S; V) un grafo. Diremos que S no vacío es G-
completo si: #( ) = 1 o es cierta la siguiente a…rmación:
{s 2 ; t 2 ; s 6= t}) t 2 Vs :
De…nición 10 Sea G =(S; V) un grafo. Diremos que S no vacío es un
G-clique si: es G-completo maximal. Esto es:
{ S es G-completo y }) = :
Notación 11 Sea G =(S; V) un grafo. Pondremos C(G) para denotar la familia
de todos los G-completos.
Ejemplo 12 Sea G 0 =(S; V 0 ) el grafo trivial. Entonces
0
C(G ) = f S / #( ) 1g :
Ejemplo 13 Sea N 1 entero. S = 0; 1; ; N: De…nimos: V0 = f1g ; Vn =
fn 1; n + 1g para n = 1; ; N 1 y VN = fN 1g : Entonces V = fV0 ; V1 ; ; VN g
es un sistema de vecindades. Si G =(S; V) entonces
C(G) = ffng / n 2 Sg [ ffn; n + 1g / n = 0; ;N 1g :
S
De…nición 14 Sea V : E S P(E ) !R un potencial. Llamaremos función
de energía asociada a V a la función HV : E S !R de…nida por
X
HV (x) = V (x; ):
;6= S

De…nición 15 Sean: G =(S; V) un grafo; V : E S P(S) !R un potencial.
Diremos V es un G-potencial si:
no es G-completo ) V (x; ) = 0; para todo x 2 E S :
De…nición 16 Sean: G =(S; V) un grafo; V : E S P(S) !R un G-potencial.
Diremos que una probabilidad sobre E S es una distribución de Gibbs con
respecto a G y V , si
1
(fxg) = exp ( HV (x)) ;
ZV
para todo x 2 E S ; donde a
X
ZV = exp ( HV (y))
y2E S

la llamaremos función de partición de :
Sea ahora ( ; A; P ) un espacio de probabilidades. Sea X : ! E S una
función medible que llamaremos también campo aleatorio con valores en E S .
Sea PX la probabilidad sobre E S dada por:
PX (fxg) = P (X = x):
Supondremos que PX (fxg) > 0; para todo x 2 E S :
Tambinén, si

28

De…nición 17 Sea G =(S; V) un grafo. Diremos que X es un campo G-
markoviano (o un G-MRF) si PX es G-markoviana.

De…nición 18 Sean: G =(S; V) un grafo; V : E S P(S) !R un G-potencial.
Diremos que X es un campo de Gibbs con respecto a G y V , si PX es una
distribución de Gibbs con respecto a G y V:

3 Ejemplos de campos markovianos y de Gibbs
Recordemos la de…nición de cadena de Markov y veamos cómo es posible con-
siderarla como un ejemplo de campo markoviano.

De…nición 19 Sean: ( ; A; P ) un espacio de probabilidades; S = f0; 1; ; Ng
con N 1 entero. Sea X : ! E S un campo aleatorio. Diremos que X es
una cadena de Markov con respecto a P o una P -cadena de Markov o
simplemente una cadena de Markov si no hay lugar a confusión, con especio de
estados igual a E; si para todo n = 0; 1; ; N; y todo x 2 E S se cumple que

P (X(n + 1) = x(n + 1)jX(n) = x(n); ; X(0) = x(0))
= P (X(n + 1) = x(n + 1)jX(n) = x(n)) :

En tal caso, para cada n = 1; ; N; de…nimos Pn : E E ! [0; 1] por

Pn (a; b) = P (X(n) = bjX(n 1) = a) ;

la llamaremos probabilidad de transición de X(n 1) en el estado a a
X(n) en el estado b:
También llamaremos probabilidad inicial de la cadena a la probabilidad P0
sobre E dada por
P0 (fag) = P (X(0) = a) ;
para todo a 2 E:

Proposición 20 Sean: ( ; A; P ) un espacio de probabilidades; S = f0; 1; ; Ng
con N 1 entero; X : ! E S una cadena de Markov con respecto a P: De…n-
imos V0 = f1g ; Vn = fn 1; n + 1g para n = 1; ; N 1 y VN = fN 1g y
V = fV0 ; V1 ; ; VN g : Sea G =(S; V). Entonces X es un G-MRF.

Ejemplo 21 Modelo de Ising 1-D. Sean: ( ; A; P ) un espacio de proba-
bilidades; S = f0; 1; ; N g con N 1 entero; E = f 1; +1g; X : ! E S
una cadena de Markov con respecto a P con probabilidades de transición dadas
por
exp( ab)
Pn (a; b) = ;
exp( ) + exp( )
donde > 0; para todo n = 1; ; N y todo a y b en E: La probabilidad inicial
es
1
P0 (f 1g) = P0 (f+1g) = :
2

29

De…nimos Vn para n = 0; 1; ; N , V = fV0 ; V1 ; ; VN g y G =(S; V) como en
la proposición anterior.
A…rmación 1: Sea C = ff0; 1g ; f1; 2g ; ; fN 1; N gg : Si 2 C, entonces
es G-completo.
S
A…rmación 2: Sea V : E S P(E ) !R dado por

0 si 2 C
=
V (x; ) = :
x(n)x(n + 1) si = fn; n + 1g ; con n = 0; 1; ;N 1

Entonces V es un G-potencial y su función de energía está dada por:
N 1
X
HV (x) = x(n)x(n + 1):
n=0

A…rmación 3:
exp ( HV (x))
PX (fxg) = N
;
2: (exp( ) + exp( ))
para todo x 2 E S :
Luego, X es un campo de Gibbs con respecto a G y V:

Ejemplo 22 Modelo de Ising 2-D. Sean: N 2 entero y

S = f(s1 ; s2 ) / 1 si N , i = 1; 2g :Z Z:

A…rmación 1: Para cada s = (s1 ; s2 ) en S, sea

Vs = ft = (t1 ; t2 ) / ks tk = js1 t1 j + js2 t2 j = 1g :

Entonces V = fVs / s 2 Sg es un sistema de vecindades sobre S. Pongamos
v(s) = #(Vs ) para todo s 2 S: Sea G =(S; V):
Ejercicio 2: Determinar C, la familia de todos los G-cliques. Veri…car que
#(C) = 2n(n 1) y que si 2 C entonces #( ) = 2 :
Sean E = f 1; +1g ; k > 0; T > 0; H; J y m números reales.
Ejercicio 3: Sea V : E S P(S) !R dado por
(
0 si 2C
=
V (x; ) = J mH x(s) x(t) :
kT x(s)x(t) + kT v(s) + v(t) si = fs; tg ; con 2C

J X mH X
HV (x) = x(s)x(t) + x(s):
2kT kT
ks tk=1 s2S

Ejemplo 23 Modelos binarios de vecinos más próximos. Sean G =(S; V)
y C como en el Ejemplo anterior.

30

Sea E = f0; 1g : Para cada s 2 S sea s un número real y para cada (s; t) 2 S S
sea (s;t) un número real. Supongamos que:

(s;t) =0 si ks tk = 16
:
(s;t) = (t;s) si (s; t) 2 S S

Ejercicio 1: Sea V : E S P(S) !R dado por
(
0 si 2 C =
V (x; ) = x(s) x(t) :
(s;t) x(s)x(t) + s v(s) + t v(t) si = fs; tg ; con 2C

1 X X
HV (x) = (s;t) x(s)x(t) + s x(s):
2
ks tk=1 s2S

Casos particulares
1) s = ; y para todo s = (s1 ; s2 ) 2 S

(s;t) = v si t = (s1 1; s2 )
:
(s;t) = h si t = (s1 ; s2 1)

Este modelo es llamado auto-logistico por algunos autores.
2) s = ; y para todo s 2 S

(s;t) =0 si ks tk = 1
6
:
(s;t) = si ks tk = 1

Este modelo es llamado isotrópico.

4 Relación entre distribuciones markovianas y
de Gibbs
Consideremos elegido como referencia un cierto punto, digamos $; de E:
Para cada S y cada x 2 E S de…nimos x 2 E S por

$ si s 2
=
x (s) = :
x(s) si s 2

Proposición 24 Sea una probabilidad nunca nula sobre E S :
Sea V C( ) : E S P(S) !R dado por
(
P 0 si = ;; para todo x 2 E S
V C( )(x; ) = ( 1)#( n )
ln x si 6= ;; para todo x 2 E S :

31

Sea G 0 =(S; V 0 ) el grafo trivial. Entonces:
a) X
V C( )(x; ) = ( 1)#( n ) ln x = $S ;

siendo $S el elemento de E S dado por

$S (s) = $;

para todo s 2 S:
b) V C( ) es un G 0 -potencial normalizado con respecto al punto $, llamado el
potencial canónico de :
c) es una distribución de Gibbs con respecto a G 0 y V C( ).
d) Si U es otro G 0 -potencial normalizado con respecto al punto $ tal que es
una distribución de Gibbs con respecto a G 0 y U entonces U y V C( ) coinciden.

Proposición 25 Sean: una probabilidad nunca nula sobre E S ; V C( ) el
potencial canónico de ; V un G 0 -potencial no necesariamente normalizado con
respecto al punto $ tal que es una distribución de Gibbs con respecto a G 0 y
V; S no vacío x 2 E S : Entonces:
X X
V C( )(x; ) = ( 1)#( n ) V (x ; ):
S

Notación 26 Sean: una probabilidad nunca nula sobre E S , s 2 S; S;
x 2 E S : Pondremos:

s; (x) = y 2 E S / y(s) = x (s) j y 2 E S / y(t) = x (t); t 6= s :

Proposición 27 Sean: una probabilidad nunca nula sobre E S , V C( ) el
potencial canónico de ; s 2 S; S no vacío; x 2 E S : Entonces
X
V C( )(x; ) = ( 1)#( n ) ln ( s; (x)) :

Antes de enunciar el resultado más importante de esta Sección, veamos al-
gunas notaciones útiles.

Notación 28 a) Sea V = fVs / s 2 Sg un sistema de vecindades sobre S: Para
cada S sea [
V( ) = (Vt n ) :
t2
S
b) Para cada S y cada x 2 E sea

fx; g = y 2 E S / y(s) = x(s); s 2 :

Para cada z 2 E sea
z(t) si t 2
I (z; x) = :
x(t) si t 2
=

32

c) Sean: G =(S; V) un grafo; V un G-potencial; S no vacío; x 2 E S .
Pondremos: X
HV (x) = V (x; );
2C(G)

donde C(G) = f 2 C(G) / 6= ;g :

Teorema 29 Hammersley y Cli¤ ord. Sean: G =(S; V) un grafo y una
probabilidad nunca nula sobre E S :
a) Sea V un G-potencial tal que es de Gibbs con respecto a G y V: Entonces
es G-markoviana.
b) Si es G-markoviana entonces V C( ) es un G-potencial y es de Gibbs con
respecto a G y V C( ): Además

exp( HV C( )fsg (x))
s (x) = P :
exp( HV C( )fsg (Ifsg (z; x)))
z2E

Proposición 30 Sean: G =(S; V) un grafo; una probabilidad nunca nula so-
bre E S ; V un G-potencial tal que es de Gibbs con respecto a G y V ; S
no vacío; S tal que V( ) con = ;; x 2 E S . Entonces:

exp( HV (x))
(fx; g j fx; g) = (fx; g j fx; V( )g) = P :
exp( HV (I (z; x)))
z2E

5 La Estadística en el procesamiento de imá-
genes
La idea central subyacente al procesamiento de imágenes es la de transformar
una imagen por medio de una ecuación o una serie de ecuaciones (usando la
computadora), para obtener una nueva imagen digital o pictórica, que a su
vez pueda ser manipulada por otros programas computacionales o mostrada en
pantalla, por impresora, etc.
A las transformaciones más usuales que se realizan sobre las imágenes obtenidas
de los sensores antes de su utilización con diversos objetivos las podemos agrupar
en:
1- Recti…cación y restauración de imágenes.
2- “Mejoramiento” de imágenes.
3- Clasi…cación de imágenes.
4- Combinación de imágenes e integración con S.I.G. (sistemas de informa-
ción geográ…ca).
5- Construcción de modelos biofísicos.
Ahora bien, toda imagen de teledetección presenta perturbaciones no de-
seadas, que son debidas a diversas causas provenientes de de…ciencias en los
procesos de percepción, digitalización de señales y/o registro de datos.

33

El ruido puede o bien degradar o bien ocultar totalmente el contenido de
información radiométrica de una imagen digital. Por ello la remoción del ruido
habitualmente debe preceder a cualquier técnica de mejoramiento o clasi…cación
de una imagen. El objetivo en la remoción de ruidos es restaurar una imagen
para obtener una lo más aproximada posible a la escena real focalizada en la
imagen.
Veamos a seguir cómo incorporar el mencionado ruido en un modelo matemático
adecuado. Lo haremos en el caso muy simple de imágenes binarias.

Ejemplo 31 Imágenes binarias y ruido. Consideremos el Modelo de Ising
2-D con los parámetros: k = T = 1; H = m = 0 y J 6= 0: Luego, el potencial V
está dado por:
0 si 2 C =
V (x; ) = ;
Jx(s)x(t) si = fs; tg ; con 2C
y su función de energía es
J X
HV (x) = x(s)x(t):
2
ks tk=1

Sean: ( ; A; P ); X : ! E S un campo aleatorio con valores en E S tal que PX
es de Gibbs con respecto a G y V , esto es:
0 1
1 J X
P (X = x) = exp @ x(s)x(t)A ;
ZJ 2
ks tk=1

con 0 1
X J X
ZJ = exp @ z(s)z(t)A :
S
2
z2E ks tk=1
1
Sea 0 < " < 2:
Sea W : ! E S un campo aleatorio tal que fW (s) / s 2 Sg es una familia de
variables independientes con

P (W (s) = 1) = " = 1 P (W (s) = 1) :

No es difícil ver que se cumple:
1
P
w(s)
1 " 2
s2S
P (W = w) = KN (") ;
"
con
N 2 =2
KN (") = ("(1 ")) :
Suponemos ahora que el proceso realmente observado no sea X sino otro proceso
Y : ! E S dado por:

Y (!) (s) = X (!) (s):W (!) (s);

34

para todo ! 2 y todo s 2 S, y que X y W son independientes.
En este contexto, el problema de recti…cación y restauración de imágenes se
puede plantear en términos formales como: estimar X conocido Y.
Sea : E S E S ! (0; 1] dada por:

(x; y) = P (X = xjY = y):

Se puede probar que en este caso particular se cumple:
0 1
1 J X 1 X y(s) 1 " A
(x; y) = exp @ x(s)x(t) ln ;
ZJ;y 2 2 x(s) "
ks tk=1 s2S

donde
0 1
X J X 1 X y(s) 1 " A
ZJ;y = exp @ z(s)z(t) ln :
2 2 z(s) "
z2E S ks tk=1 s2S

Como en general, J y " no son conocidos, debemos sustituirlos por estimadores
(basados en Y ). Este problema de estimación puede verse por ejemplo en ([1]).
Por un abuso de notación pongamos J y " para los respectivos estimadores.
Hecho esto, debemos encarar el problema de estimar X conocido Y .
Dos estimadores "naturales" son:
1) Estimador MR o "misclassi…cation rate" Está de…nido para cada ! 2 por:
( P 1
1 si ((1; z)s ; Y (!)) 2
b
XM R (!)(s) = z2E Snfsg ;
1 caso contrario

para todo s 2 S: (1; z)s es el elemento de E S de…nido por

1 si t = s
(1; z)s (t) = :
z(t) si t 6= s

2) Estimador MAP o "maximum a posteriori" Está dado para cada ! 2 por
b
XM AP (!) tal que

b
XM AP (!); Y (!) (x; Y (!)) ;

para todo x 2 E S :

Ejemplo 32 Un modelo general para imágenes con distorsión y ruido
([2]). Sean: S un subconjunto …nito de Z Z; E un conjunto …nito; V = fVs / s 2 Sg
un sistema de vecindades sobre S; G =(S; V) un grafo; ( ; A; P ) un espacio de
probabilidades; X : ! E S un G-MRF con PX (fxg) = P (X = x) > 0, para
todo x 2 E S ; F y G dos conjuntos …nitos, que representan los posibles valores
de las distorsiones y ruido respectivamente que podrían afectar a una imagen;

35

B = fBs / s 2 Sg otro sistema de vecindades sobre S:
Para cada s 2 S sean: Bs = Bs [ fsg ; Hs : E Bs ! F suryectiva. Con Hs
denotamos la posible distorsión en la señal de retorno desde s causada por la
in‡uencia de los retornos desde los píxeles situados en una cierta vecindad de
s: Finalmente, sean: : F ! G suryectiva; : G G ! G, : G G ! G
suryectivas tales que
(a; (a; b)) = b = (a; (a; b));
para todo (a; b) 2 G G:
Sea e : ! GS un campo markoviano con respecto a (S; B) ; con B = fBs / s 2 Sg
"
tal que con P (e = g) > 0, para todo g 2 GS :Este campo e representa el “ruido”
" "
aleatorio. Supongamos que X y e son independientes.
"
Finalmente, sea Y : ! GS el campo aleatorio que representa las observaciones
dado por
Y (!) (s) = Hs X (!)Bs ; e(!) (s) :
"
En el ya mencionado trabajo ([2]) se prueba con detalle la propiedad enunci-
ada en ([3]) de que el campo aleatorio X condicional a la imagen observada
Y sigue siendo markoviano con respecto a un cierto sistema de vecindades que
comprende a los sistemas V y B.
Ejemplo 33 Caso particular del modelo general para imágenes con
distorsión y ruido. Sean: N 2; S; V = fVs / s 2 Sg; G =(S; V) y E =
f 1; +1g como en el Modelo de Ising 2-D. Para cada s = (s1 ; s2 ) en S, sea
n o
2 2
Bs = t = (t1 ; t2 ) / 0 < (s1 t1 ) + (s2 t2 ) 2 ;

y B = fBs / s 2 Sg :
Para facilitar la notación, pongamos
Int = f(s1 ; s2 ) / 1 < si < N , i = 1; 2g ;
Esq = f(1; 1); (1; N ); (N; 1); (N; N )g ;
Lad = Sn (Int [ Esq) :
Se puede veri…car fácilmente que
8
< 4 si s 2 Esq
# (Bs ) = 6 si s 2 Lad :
:
9 si s 2 Int
De…nimos la distorsión por
1 X
Hs xBs = xBs (t);
# (Bs )
t2Bs

para todo s 2 S:
Sea
1 3 1 5 6 7
F = 0; ; ; ; ; ; ; 1 ;
9 9 2 9 9 9

36

y
G = E:
Luego
G G = f( 1; 1); ( 1; 1); (1; 1); (1; 1)g :
Sea :G G ! G dada por

1 si i = j
((i; j)) =
1 si i = j

Sea : G G ! G igual a : Esta operación se puede interpretar de la
siguiente manera: supongamos que los píxeles que toman el valor 1 y +1
indican, respectivamente, ausencia y presencia de señal, tanto para la imagen
verdadera como para el ruido. signi…ca que la superposición de no-señal y
no-ruido o de señal y ruido dan no-señal, mientras que la de señal y no-ruido
o no-señal y ruido producen señal.
La función de distorsión : F ! G podría ser

1 si z 0
(z) = :
1 si z > 0

A su vez, esta función puede interpretarse como una función “umbral de res-
puesta” que enfatiza el efecto de “borroneo” aquellos píxeles que toman valores
, :
grises oscuros (no positivos) son asociados con el color negro (valor 1) y los
grises claros (positivos) son asociados con el blanco (+1).
Suponemos ahora que las características locales correspondientes al campo aleato-
rio X que representa la imagen verdadera están dadas por:
1+x(s)
exp 2 ( s + s)
s (x) = P (X (s) = x(s)jXVs = xVs ) = ;
1 + exp ( s + s)

donde, suponiendo que s = (i; j) 2 Int de…nimos:

s = x(i 1; j) + x(i + 1; j);
s = x(i; j 1) + x(i; j + 1):

Con modi…caciones evidentes para los casos en que s = (i; j) 2 Esq y s =
(i; j) 2 Lad: Esto es, suponemos que la familia de probabilidades de transición
asociadas con X es una paramétrica con parámetro ( ; ) :
Finalmente, suponemos que el campo representativo del ruido "; es markoviano
con respecto al sistema de vecindades B y que la familia de sus características
locales también es paramétrica dada por:
1+g(s)
exp 2 ( As + Cs )
es (g) = P (e (s) = g(s)jeBs = gBs ) =
" " " ;
1 + exp ( As + Cs )

37

donde, suponiendo que s = (i; j) 2 Int de…nimos:

As = g(i 1; j) + g(i + 1; j) + g(i; j 1) + g(i; j + 1);
Cs = g(i 1; j 1) + g(i + 1; j 1) + g(i 1; j + 1) + g(i + 1; j + 1):

Con modi…caciones evidentes para los casos en que s = (i; j) 2 Esq y s =
(i; j) 2 Lad:

6 Algoritmos para simulación de distribuciones
de Gibbs
6.1 Preliminares.
Sean: S un subconjunto …nito de Z Z; E un conjunto …nito; V = fVs / s 2 Sg
un sistema de vecindades sobre S; G =(S; V) un grafo; C la familia de todos los
subconjuntos G-completos de S; V : E S P(S) !R un G-potencial; HV : E S !R
la función de energía asociada a V ; ( ; A; P ) un espacio de probabilidades;
X : ! E S un campo aleatorio que es de Gibbs con respecto a G y V: Esto es:
1
PX (x) = exp ( HV (x)) ;
ZV
donde X
HV (x) = V (x; ):
2C
y X
ZV = exp ( HV (y)) :
y2E S

Para …jar ideas, veamos el siguiente

Ejemplo 34 Campo aleatorio de Gibbs con ruido aditivo gaussiano.
Consideremos el Ejemplo 31 con las siguientes modi…caciones:
E = f0; 1; ; Lg . El potencial V está dado por:
0 si 2 C =
V (x; ) = ;
J1fx(s)g (x(t)) si = fs; tg ; con 2C
y su función de energía es
J X
HV (x) = 1fx(s)g (x(t)) :
2
ks tk=1

Sean: ( ; A; P ); X : ! E S un campo aleatorio con valores en E S tal que PX
es de Gibbs con respecto a G y V , esto es:
0 1
1 J X
P (X = x) = exp @ 1fx(s)g (x(t))A ;
ZJ 2
ks tk=1

38

con 0 1
X J X
ZJ = exp @ 1fz(s)g (z(t))A :
S
2
z2E ks tk=1
S
Sea W : ! E un campo aleatorio tal que fW (s) / s 2 Sg es una familia de
variables independientes con
1
1 1 e 2
P (W (s) = e) = K exp ;
2
con 1 !
X 1 d 2
K = exp :
2
d2E
Es decir, W es “gaussiano discreto”.
Suponemos ahora que el proceso realmente observado no es X sino otro proceso
Y : ! E S dado para todo ! 2 y todo s 2 S por:
Y (!) (s) = X (!) (s) W (!) (s);
donde entre dos elementos de E a y b signi…ca
a b = (a + b) mod L:
para todo s 2 S y que X y W son independientes.
Sea : E S E S ! (0; 1] dada por:
(x; y) = P (X = xjY = y):
En este caso particular se cumple:
0 1
1 J X 1 X 2A
(x; y) = exp @ 1fx(s)g (x(t)) 2
(y(s) x(s)) ;
ZJ; ;y 2 2
ks tk=1 s2S

donde
0 1
X J X 1 X 2
ZJ; ;y = exp @ 1fz(s)g (z(t)) 2
(y(s) z(s)) A :
2 2
z2E S ks tk=1 s2S

Como vemos entonces, la probabilidad condicional de la “verdadera” imagen,
X, dada la imagen observada, y = Y , es un campo de Gibbs. Luego, una vez
estimados los parámetros J y , resta estimar X observada la imagen dada
y = Y: Para esto último es que debemos saber cómo generar campos de Gibbs
(a partir de los valores estimados de J y y a patir de la imagen y).
En este breve curso veremos en forma muy simpli…cada dos algoritmos
para simular campos de Gibbs: los algoritmos de Metrópolis y el así llamado
“muestreo de una distribución de Gibbs” .
Pero antes veamos algunos conceptos y resultados que nos serán de utilidad
tanto para enunciar los algoritmos en cuestión como para justi…car su exactitud.

39

De…nición 35 Se dice que una función q : E S E S ! [0; 1] es una matriz
de transición si

q(x; y) 0; para todo (x; y) 2 E S ES ;
X
q(x; y) = 1; para todo x 2 E S :
y2E S

Se dice que una tal q es irreducible si para todo (x; y) 2 E S E S existen n 1;
x0 ; x1 ; ; xn en E S con x0 = x, xn = y y q(xk 1 ; xk ) > 0 para k = 0; ; n 1:

Notemos que para cada x 2 E S ; se tiene que la función qx : E S ! [0; 1]
dada por
qx (y) = q(x; y);
es una función de probabilidad sobre E S :

Proposición 36 Sean: q una matriz de transición; una probabilidad nunca
nula sobre E S ; (x; y) 2 E S E S : De…nimos p ( ; ; ; q) sobre E S E S por:
8
> q(x; y) (fyg)
> si (fyg) < (fxg) ;
< (fxg)
p (x; y; ; q) = q(x; y) si (fyg) (fxg) ; x 6= y;
> 1 P p (x; z; ; q) si x = y:
>
:
z6=x

Entonces p ( ; ; ; q) es una matriz de transición.

Notación 37 Sea
I = f0; 1; 2; g:
I
Consideremos a E S como espacio medible con la -álgebra producto que de-
notaremos por B.
Para cada probabilidad, , nunca nula sobre E S y cada sucesión de matrices de
I
transición (pn )n 1 sea P ; ; (pn )n 1 la única probabilidad sobre E S ; B
tal que:
n I
o
P x 2 E S / x (0) = x0 ; x (1) = x1 ;
e e e e
; x (n) = xn ; ; (pn )n 1
= (fx0 g) :p1 (x0 ; x1 ) : :pn (xn 1 ; xn ) ;

para todo n 0; x0 ; x1 ; ; xn en E S : Si x 2 E S y es la probabilidad sobre
S
E con masa 1 en x; pondremos

P ; x; (pn )n 1 =P ; ; (pn )n 1 ;

y si para todo n; pn = p (matriz de transición) ponemos

P ( ; ; p) = P ; ; (pn )n 1 :

40

Notemos que decir (Xn )n 0 es una cadena de Markov con respecto a P ; ; (pn )n 1
S I S
sobre E ; B con valores en E signi…ca decir que (Xn )n 1 es una sucesión
S I
de funciones medibles con dominio en E y rango en E S tal que:

P fX0 = xg ; ; (pn )n 1 = (fxg) ;

para todo x 2 E S y

P fXk = yjXk 1 = xg ; ; (pn )n 1 = pk (x; y) ;

para todo k 1 y todo (x; y) 2 E S E S :
Supongamos que q es simétrica, esto es:

q (x; y) = q (y; x) ;

para todo (x; y) 2 E S ES :

Proposición 38 Sea una probabilidad nunca nula sobre E S .Se cumplen:
a)
(fxg) p (x; y; ; q) = (fyg) p (y; x; ; q) ;
para todo (x; y) 2 E S E S :
b) es p ( ; ; ; q)-estacionaria. Es decir:
X
(fyg) = (fxg) p (x; y; ; q)
x2E S

para todo y 2 E S :
c) p ( ; ; ; q) es irreducible si y sólo si q es irreducible.

Teorema 39 Sean: , probabilidad nunca nula sobre E S , x 2 E S : Si (Xn )n 0
I
es una cadena de Markov con respecto a P ( ; x; p) sobre ES ; B con valores
en E S ; donde p es la matriz de transición p (x; y; ; q) ; entonces

lim P (fXn = yg ; x; p) = (fyg)
n!1

para todo y 2 E S :

6.2 Dinámica de Metropolis
Sea una probabilidad nunca nula y no idénticamente constante sobre E S : El
algoritmo de Metropolis consiste en generar una “muestra” de la distribución
, valiéndose del Teorema del …nal de la Subsección anterior.
Supongamos que q es una matriz de transición irreducible.
Sea x 2 E S cualquiera.

41

De…niremos por inducción una sucesión (Xn )n 0 de funciones con dominio
S I
en E de manera tal que esta sucesión resulte ser una cadena de Markov con
I
respecto a P ( ; x; p) sobre ES ; B con valores en E S ; siendo p la matriz de
transición p ( ; ; ; q) :

Algoritmo 40 Metropolis. Sea

X0 = x:

Sea k 0 y supongamos de…nidas X0 ; ; Xk :
De…niremos a seguir Xk+1 :
Para simpli…car la notación pongamos

Xk = v:

Paso 1: Generar una muestra “y” de la probabilidad sobre E S ; P(E S ) dada
por la función de probabilidad qv :
Paso 2: Si y = v; de…nir
Xk+1 = v:
Paso 3: Si y 6= v y (fyg) (fvg) ; de…nir

Xk+1 = y:

Paso 4: Si y 6= v y (fyg) < (fvg) ; entonces:
4.1) Generar una muestra “u” de la distribución uniforme sobre (0; 1) :
4.2) Si
(fyg)
u< ;
(fvg)
de…nimos
Xk+1 = y:
Si
(fyg)
u ;
(fvg)
de…nimos
Xk+1 = v:

Veamos ahora un resultado que justi…ca el algoritmo de Metropolis.
I
Sea x 2 E S cualquiera. Sea X0 la función medible de…nida sobre E S por

X0 (e) = x;
y
I
para todo y 2 E S :
e

42

Sean:
A= v; z) 2 E S ES / (fvg) < (fzg) ;
I
y U funciones medibles de…nidas sobre E S con valores en E S y [0; 1] re-
spectivamente que son P ( ; x; p)-independientes y tales que:
1)
P ( = zjXk = v) = q (v; z) ;
para todo z y v en E S ;
2) U y (X0 ; ; Xk ) son P ( ; x; p)-independientes;
3) Bajo P ( ; x; p), U tiene distribución uniforme sobre [0; 1] : Esto es:
8
< 0 si t 0;
P (U t; x; p) = t si 0 < t < 1;
:
1 si t 1:
I
Sea W función medible con valores en f0; 1g de…nida sobre E S por

W (e) = 1A ( (e); Xk (e)) :1[i(e);1) (U (e)) ;
y y y y y

donde
(f (e)g)
y
i (e) =
y :
(fXk (e)g)
y
I
Finalmente, sea Xk+1 de…nida sobre E S por

Xk+1 (e) = (e) + W (e) (Xk (e)
y y y y (e)) :
y

Proposición 41 Se cumple

P (fXk+1 = yjXk = vg ; x; p) = p (v; y) ;

para todo y y v en E S :

Luego (Xn )n 0 es una P ( ; x; p)-cadena de Markov.
Notemos que este algoritmo puede ser aplicado a cualquier probabilidad, ;
nunca nula sobre E S : Esto es, si queremos generar una muestra de una distribu-
ción que sabemos es de Gibbs, este algoritmo no usa este mayor conocimiento.
Por lo tanto, es razonable preguntarse si no será posible encontrar un algo-
ritmo que sí use esa información y que sea más e…ciente en algún sentido que el
algoritmo de Metropolis. Una respuesta a esta cuestión la veremos a seguir.

6.3 Muestreo de una distribución de Gibbs propiamente
dicha (Gibbs sampler)
Como antes, una probabilidad nunca nula y no idénticamente constante sobre
E S : V = fVs / s 2 Sg un sistema de vecindades sobre S; G =(S; V) un grafo; C
la familia de todos los subconjuntos G-completos de S; V : E S P(S) !R un

43

G-potencial; HV : E S !R la función de energía asociada a V ; una distribución
de Gibbs con respecto a G y V: Esto es:
1
(fxg) = exp ( HV (x)) ;
ZV
donde X
HV (x) = V (x; ):
2C
y X
ZV = exp ( HV (y)) :
y2E S

Este algoritmo toma en consideración la familia de características locales aso-
ciadas a , s : E S ! [0; 1] ; de…nidas para todo s 2 S; según vimos en la
De…nición 1 y que en este caso están dadas por:

exp( HV fsg (x))
s (x) = P ;
exp( HV fsg (Ifsg (z; x)))
z2E

con X
HV fsg (x) = V (x; );
s2 2C
y
z si t = s;
Ifsg (z; x) (t) =
x (t) si t 6= s:
Sea (sk )k 1 una sucesión en S tal que

# (fk / sk = sg) = 1;

para todo s 2 S:
Para cada k = 1; 2; , sea : E S E S ! [0; 1] de…nida por

sk(y) si y(t) = v(t) para todo t 6= sk ;
pk (v; y) =
0 caso contrario.

Sea x0 2 E S cualquiera.
De…niremos por inducción una sucesión (Xn )n 0 de funciones con dominio
S I
en E de manera tal que esta sucesión resulte ser una cadena de Markov con
I
respecto a P ; x0 ; (pk )k 1 sobre ES ; B con valores en E S :

Algoritmo 42 Sea
X0 = x0 :


44

De…niremos a seguir Xk+1 :
I
Para cada s 2 S sea s : E S ! E S una función medible tal que:

P( s = zjXk = v; Xk 1 = w2 ; ; X1 = wk ; X0 = x0 ) = s Ifsg (z; v) ;

cualesquiera sean z 2 E; v; w2 ; ; wk en E S :
I
De…niremos a seguir Xk+1 sobre E S por

Xk+1 (e) (t) si t 6= sk+1 ;
y
Xk+1 (e) (t) =
y
sk+1 (e)
y si t = sk+1 :

Se puede ver entonces que:
I
(Xn )n 0 es una cadena de Markov con respecto a P ; x0 ; (pk )k 1 sobre ES ;B
S
con valores en E :
También que se cumple el siguiente Teorema que fundamenta el algoritmo
propuesto.

Teorema 43 Teorema de convergencia de Geman y Geman

lim P fXn = yg ; x0 ; (pk )k 1 = (fyg)
n!1

para todo y 2 E S :

Bibliografía
[1] FRIGESSI, A. y PICCIONI, M. (1988), Parameter estimation for the two-
dimensional Ising …elds corrupted by noise, Quaderno, IAC-CNR, Roma.
[2] BUSTOS, O. H. y FRERY, A. C. (1992), A contribution to the study of
markovian degraded images: an extension of a theorem by Geman and Ge-
man, Computational & Applied Mathematics, 11, pags. 17-29.
[3] GEMAN, S., and GEMAN, D. (1984), Stochastic relaxation, Gibbs distrib-
ution, and the bayesian restoration of images, IEEE Trans. Pattern Anal.
Machine Intell., PAMI 6, pags. 721-741.

45

Aexa introduccion procesos markovianos

Más contenido relacionado

La actualidad más candente (20)

Similar a Aexa introduccion procesos markovianos (20)

Aexa introduccion procesos markovianos