Sensibilidad de Métodos de Estimación de parámetros de la distribución de Gibbs Autobinomial para clasificación de imágenes satelitales

Show simple item record

dc.contributor.advisor Bustos, Oscar H. es_ES
dc.contributor.other Santamaría, Mariana es_ES
dc.creator Pistonesi, Silvina
dc.date 2010
dc.date.accessioned 2019-05-28T12:18:13Z
dc.date.available 2019-05-28T12:18:13Z
dc.identifier http://rdi.uncoma.edu.ar/handle/uncomaid/15220
dc.description.abstract Las imágenes satelitales contienen una enorme cantidad de información espacial. Para capturarla varios autores proponen, en el marco del modelado estocástico de una imagen, el uso de Campos Aleatorios Gibbs-Markov. Entre la variedad de modelos de Markov, diversos autores sugieren, en particular, el modelo Autobinomial como modelo apropiado para la caracterización de datos reales y generación de texturas sintéticas. Esta clase de modelos estocásticos provee una descripción intuitiva de la imagen a través del vector de parámetros de su función energía. La estimación de este vector de parámetros es el paso clave en la extracción de la información espacial y en la caracterización del contenido de una imagen. El objetivo principal de este trabajo de tesis es evaluar la sensibilidad de los métodos de estimación del vector de parámetros de un modelo Gibbs - Autobinomial: Máxima Pseudo- verosimilitud y el estimador de Mínimos Cuadrados Condicional ante la presencia de “outliers”, desviaciones del modelo supuesto y/o distintos grados de contaminación de diferentes patrones homogéneos de textura. Para lograrlo se efectuó un estudio Monte Carlo en ciertas situaciones específicas del modelo Autobinomial. Se implementó un algoritmo para simular distintas texturas a partir de la asignación de diferentes valores al vector de parámetros del modelo Autobinomial y se efectuaron modificaciones necesarias a las rutinas de software disponibles para determinar las estimaciones de los parámetros de un modelo Gibbs - Autobinomial utilizando los estimadores mencionados. Por otra parte, se estudió la performance de reglas de clasificación basadas en la hipótesis de que en pequeños sectores de imágenes satelitales puede considerarse que la textura de la imagen está descrita razonablemente bien por modelos Autobinomiales con pocos parámetros. En el análisis presentado, en general, los métodos MCC y MP emitieron resultados equivalentes. Sin embargo, el estimador MP presentó una mejor performance en las estimaciones que el MCC. El método MCC resultó ser más sensible que el MP frente a los distintos grados de contaminación considerados. Los resultados obtenidos de la clasificación de la imagen satelital, a través de los métodos CMC y MP mostraron nivel de concordancia “muy bueno”, por lo que, podría concluirse que serían clasificadores intercambiables. es_ES
dc.format application/pdf es_ES
dc.language spa es_ES
dc.publisher Universidad Nacional del Comahue. Facultad de Economía y Administración. es_ES
dc.rights Atribución-NoComercial-SinDerivadas 2.5 Argentina *
dc.rights.uri https://creativecommons.org/licenses/by-nc-sa/2.5/ar/ *
dc.subject Estimador de Mínimos Cuadrados Condicional es_ES
dc.subject Sensibilidad es_ES
dc.subject Campos aleatorios gibbs-markov es_ES
dc.subject Texturas sintéticas es_ES
dc.subject Estimador de máxima pseudo-verosimilitud es_ES
dc.subject Estimador de mínimos cuadrados condicional es_ES
dc.subject.other Ciencias Aplicadas es_ES
dc.title Sensibilidad de Métodos de Estimación de parámetros de la distribución de Gibbs Autobinomial para clasificación de imágenes satelitales es_ES
dc.type TesisdePosgrado es
dc.type doctoralThesis eu
dc.type acceptedVersion eu
unco.tesis.grado Magister en Estadística Aplicada es_ES
dc.description.fil Fil: Pistonesi, Silvina. Universidad Nacional del Comahue. Facultad de Economía y Administración; Argentina. es_ES
dc.cole Tesis de Posgrado es_ES


Files in this item

This item appears in the following Collection(s)

Show simple item record

Atribución-NoComercial-SinDerivadas 2.5 Argentina Except where otherwise noted, this item's license is described as Atribución-NoComercial-SinDerivadas 2.5 Argentina

Search RDI


Browse

My Account

Statistics