SciELO - Scientific Electronic Library Online

 
vol.15 número2EditorialSegmentación de imágenes en escala de gris con base en memorias asociativas índice de autoresíndice de materiabúsqueda de artículos
Home Pagelista alfabética de revistas  

Servicios Personalizados

Revista

Articulo

Indicadores

Links relacionados

  • No hay artículos similaresSimilares en SciELO

Compartir


Computación y Sistemas

versión On-line ISSN 2007-9737versión impresa ISSN 1405-5546

Comp. y Sist. vol.15 no.2 México oct./dic. 2011

 

Artículos

 

An Adaptive Beamformer Algorithm–Based BMEVA Method for Enhanced Radar Imaging

 

Método BMEVA para formación mejorada de imágenes de radar basado en el algoritmo formador de haz adaptivo

 

René F. Vázquez Bautista1, Luis J. Morales Mendoza1, Andrés Blanco Ortega2, and Francisco Beltrán Carbajal3

 

1 Universidad Veracruzana, FIEC, Poza Rica, Veracruz, Mexico. E–mail: favazquez@uv.mx, javmorales@uv.mx

2 CENIDET Ingeniería Mecatrónica, Cuernavaca, Morelos, Mexico. E–mail: andres.blanco@cenidet.edu.mx

3 Universidad Politécnica de la Zona Metropolitana de Guadalajara, Tlajomulco de Zúñiga, Jalisco, Mexico. E–mail: francisco.beltran@upjal.edu.mx

 

Article received on 11/19/2010.
Accepted 05/05/2011.

 

Abstract

In this paper, an adaptive beamformer algorithm LMS is presented and showed to improve the Bayesian Maximum Entropy–Variational Analysis (BMEVA) performance for high resolution radar imaging and denoising. A formalism to fuse the BMEVA and its integration inside the LMS structure is also presented. Finally, the image enhancement and denoising produced by the proposed Adaptive BMEVA method is analyzed, and the filter computational performance is demonstrated via SAR images scenarios.

Keywords: Data fusion, adaptive filter, LMS, SAR images, Bayesian maximum entropy.

 

Resumen

En este artículo se presenta la aplicación del algoritmo formador de haz adaptivo: Mínimos Cuadrados Medios (LMS), para mejorar el desempeño del método fusionado Máxima Entropía Bayesiana con Análisis Variacional (BMEVA) para formación de imágenes de radar de alta resolución y reducción del ruido. Además, el formalismo para integrar el método BMEVA fusionado, así como la inclusión bajo la estructura del LMS, es presentado. Finalmente, el mejoramiento de la imagen y la reducción del ruido producido por el método Adaptivo BMEVA es analizado, así como el desempeño computacional del filtro en función del IOSNR a través de diferentes escenarios con imágenes de Radar de Apertura Sintética.

Palabras clave: Fusión de datos, filtrado adaptivo, LMS, imágenes SAR, máxima entropía bayesiana.

 

DESCARGAR ARTÍCULO EN FORMATO PDF

 

References

1. Black, M.J., Sapiro, G., Marimont, D.H., & Hegger, D. (1998). Robust anisotropic diffusion. IEEE Transaction on Image Processing, 7(3), 421–432.         [ Links ]

2. Cichocki, A. & Amari, S. (2002). Adaptive blind signal and image processing. Chichester; New York: John Wiley.         [ Links ]

3. Hamza, A.B., Krim, H. & Unal, G.B. (2002). Unifying probabilistic and variational estimation. IEEE Signal Processing Magazine, 19(5), 37–47.         [ Links ]

4. Joshi, M. & Jalobeanu, A. (2010). MAP estimation for multiresolution fusion in remotely sensed images using an IGMRF prior model. IEEE Transactions on Geoscience and Remote Sensing, 48(3), 1245–1255.         [ Links ]

5. Likas, A. & Galatsanos, N.P. (2007). Bayesian methods based on variational approximations for blind image deconvolution. In P. Campisi & K. Egiazarian (Eds.), Blind image deconvolution: Theory and applications (141–168). Boca Raton: CRC Press.         [ Links ]

6. Martin, N. (2006). Minimum variance. In F. Castanié (Ed.), Spectral analysis: Parametric and non–parametric digital methods (175–211), London; Newport Beach, CA: ISTE Ltd.         [ Links ]

7. Morales–Mendoza, L.J., Vazquez–Bautista, R.F. & Shkvarko, Y.V. (2005). Unifying the maximum entropy and variational analysis regularization methods for reconstruction of the remote sensing imagery. IEEE Latin America Transactions, 3(4), 362–375.         [ Links ]

8. Nguyen, M. K. & Mohammad–Djafari, A. (1994). Bayesian approach with the maximum entropy principle in image reconstruction from microwave scattered field data. IEEE Transaction on Medical Imaging, 13(2), 254–262.         [ Links ]

9. Plaza, A. & Chang, C. (2008). High–performance computer architectures for remote sensing data analysis: overview and case study. In A. J. Plaza & C. Chang (Eds.), High performance computing in remote sensing (9–41). Boca Raton: Chapman & Hall/CRC.         [ Links ]

10. Shkvarko, Y.V. (2002). Estimation of wavefield power distribution in the remotely sensed environment: Bayesian maximum entropy approach. IEEE Transactions on Signal Processing, 50(9), 2333–2346.         [ Links ]

11. Shkvarko, Y.V. (2004). Unifying regularization and Bayesian estimation methods for enhanced imaging with remotely sensed data–part I: Theory. IEEE Transactions on Geoscience and Remote Sensing. 42(5), 923–931.         [ Links ]

12. Solberg, A.H.S. (2007). Data fusion for remote sensing applications. In C.H. Chen (Ed.), Signal and image processing for remote sensing (515–537).Boca Raton: CRC/Taylor & Francis.         [ Links ]

13. Vázquez–Bautista, R. F., Shkvarko, Y.V. & Morales–Mendoza, L.J. (2003). Aggregating the statistical estimation and variational analysis methods in radar imagery. 2003 IEEE International Geoscience and Remote Sensing Symposium (IGARSS'03), Toulouse, France, 3, 2008–2010.         [ Links ]

14. Vázquez–Bautista, R.F., Morales–Mendoza, L.J., Ortega–Almanza, R. & Blanco–Ortega, A. (2010). Adaptive algorithm–based fused Bayesian maximum entropy–variational analysis methods for enhanced radar imaging. Advances in Pattern Recognition. Lectures Notes in Computer Science, 6256, 154–163.         [ Links ]

Creative Commons License Todo el contenido de esta revista, excepto dónde está identificado, está bajo una Licencia Creative Commons