Recuperación de imágenes usando modelos auto-regresivos condicionales: CAR e IAR

• Danna Lesley Cruz Reyes ^[1]
  1. [1] Universidad del Rosario

     Universidad del Rosario

     Colombia

     
• Localización: Comunicaciones en Estadística, ISSN 2027-3355, ISSN-e 2339-3076, Vol. 14, Nº. 1, 2021, págs. 8-14
• Idioma: español
• DOI: 10.15332/23393076.6376
• Títulos paralelos:
  • Image recovery using conditional autoregressive models:: CAR and IAR.
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    Este artículo realiza la estimación Bayesiana de campos aleatorios gausianos de Markov. En particular, se propone realizar un análisis de dependencia espacial por medio de un grafo que caracteriza las intensidades observadas de una imagen con un modelo ampliamente utilizado en estadística espacial y geoestadística conocido como modelo autorregresivo condicional (CAR por sus siglas en inglés). Este modelo es útil para obtener distribuciones conjuntas multivariadas de un vector aleatorio basado en especificaciones condicionales univariadas. Estas especificaciones condicionales se basan en las propiedades de Markov, de modo que la distribución condicional de un componente del vector aleatorio depende solo de un conjunto de vecinos, definido por el grafo. Los modelos autorregresivos condicionales son casos particulares de campos aleatorios de Markov y se utilizan como distribuciones a priori, que combinadas con la información contenida en los datos de la muestra (función de verosimilitud), inducen una distribución a posteriori en las que se basa la estimación. El modelo CAR tiene un caso particular llamado IAR, en el cual, la distribución a priori no es propia. En este artículo se aplica ambos modelos haciendo una comparación entre ellos. Todos los parámetros del modelo se estiman en un entorno completamente Bayesiano, utilizando el algoritmo Metropolis-Hastings. Los procedimientos completos de estimación posterior se ilustran y comparan utilizando varios ejemplos artificiales. Para estos experi- mentos, el modelo CAR y el modelo IAR se comporta muy favorablemente con imágenes homogéneas

  • English

    This article performs Bayesian estimation of Gaussian Markov random fields. In particular, it is proposed to perform a spatial dependency analysis by means of a graph that characterizes the observed intensities of an image with a model widely used in spatial statistics and geostatistics known as the conditional autoregressive model (CAR). This model is useful for obtaining multivariate joint distributions from a random vector based on univariate conditional specifications. These conditional specifications are based on the Markov properties, so that the conditional distribution of a component of the random vector depends only on a set of neighbors, defined by the graph. Conditional autoregressive models are particular cases of random Markov fields and are used as a priori distributions, which, combined with the information contained in the sample data (likelihood function), induce a a posteriori distribution on which the estimate is based. The CAR model has a particular case called IAR, in which the a priori distribution is not proper, in this article both models are applied making a comparison between them. All model parameters are estimated in a completely Bayesian environment, using the Metropolis-Hastings algorithm. The complete estimation procedures are illustrated and compared using various artificial examples. For these experiments, the CAR model and the IAR model performed very favorably with homogeneous images

• Referencias bibliográficas
  • Citas Arslan, O. & Akyurek, (2018), `Spatial modelling of air pollution from pm10 and so2 concentrations during winter season in...
  • Assun_c~ao, R. & Krainski, E. (2009), `Neighborhood dependence in bayesian spatial models', Biometrical Journal 51(5), 851-869.*https://onlinelibrary.wiley.com/doi/abs/10.1002/bimj.200900056
  • Banerjee, S., P. Carlin, B. & E. Gelfand, A. (2004), `Hierarchical modeling and analysis of spatial data', Chapman and Hall/CRC...
  • Besag, J. (1974), `Spatial interaction and the statistical analysis of lattice systems', Journal of the Royal Statistical Society....
  • Besag, J. (1986), `On the statistical analysis of dirty pictures', Journal of the Royal Statistical Society. Series B (Methodological)...
  • Besag, J. & Higdon, D. (1999), `Bayesian analysis of agricultural _eld experiments', Journal of the Royal Statistical Society:...
  • Besag, J. & Kooperberg, C. (1995), `On conditional and intrinsic autoregressions', Biometrika 82(4), 733-746.*https://doi.org/10.1093/biomet/82.4.733
  • Chen, C.-C. & Huang, C.-L. (1993), `Markov random _elds for texture classi_cation', Pattern Recognition Letters 14(11), 907- 914....
  • Cross, G. R. & Jain, A. K. (1983), `Markov random _eld texture models', IEEE Transactions on Pattern Analysis and Machine Intelligence...
  • Elliott, P. & Wartenberg, D. E. (2004), `Spatial epidemiology: Current approaches and future challenges'.
  • Givens, G. H. & Hoeting, J. A. (2012), Computational statistics, 2 edn, John Wiley & Sons, Hoboken, NJ, USA. Halim, S. (2008), `Modi_ed...
  • Horiguchi, T., Honda, Y. & Miya, M. (1997), `Restoration of digital images of the alphabet by using ising models', Physics Letters...
  • LeSage, J. P. & Thomas-Agnan, C. (2015), `Interpreting spatial econometric origin-destination flow models', Journal of Regional...
  • Liu, S. & Cooper, D. B. (2010), `Ray markov random _elds for image-based 3d modeling: Model and e_cient inference', pp. 1530-1537.
  • Mao, J. & Jain, A. K. (1992), `Texture classi_cation and segmentation using multiresolution simultaneous autoregressive models',...
  • Morris, R. D., Descombes, X. & Zerubia, J. (1996), `The ising/potts model is not well suited to segmentation tasks', pp. 263-266.
  • Qian, W. & Titterington, D. M. (1991), `Multidimensional markov chain models for image textures', Journal of the Royal Statistical...
  • Rue, H. & Held, L. (2005), `Gaussian Markov random _elds: Theory and applications', 104. *http://dx.doi.org/10.1201/9780203492024
  • Van Leemput, K., Maes, F., Vandermeulen, D. & Suetens, P. (1999), `Automated model-based tissue classi_cation of mr images of the...
  • Ver Hoef, J., Peterson, E., Hooten, M., Hanks, E. & Fortin, M.-J. (2017), `Spatial autoregressive models for statistical inference...
  • Wall, M. M. (2004), `A close look at the spatial structure implied by the CAR and SAR models', Journal of Statistical Planning and...
  • Xing, W., Deng, N., Xin, B., Chen, Y. & Zhang, Z. (2019), `Investigation of a novel automatic micro image-based method for the recognition...