On the Method of Logarithmic Cumulants for Parametric Probability Density Function Estimation - Archive ouverte HAL Access content directly
Reports (Research Report) Year : 2011

On the Method of Logarithmic Cumulants for Parametric Probability Density Function Estimation

(1) , (2) , (2) , (1)
1
2

Abstract

Parameter estimation of probability density functions is one of the major steps in the mainframe of statistical image and signal processing. In this report we explore the properties and limitations of the recently proposed method of logarithmic cumulants (MoLC) parameter estimation approach which is an alternative to the classical maximum likelihood (ML) and method of moments (MoM) approaches. We derive the general sufficient condition of strong consistency of MoLC estimates which represents an important asymptotic property of any statistical estimator. With its help we demonstrate the strong consistency of MoLC estimates for a selection of widely used distribution families originating (but not restricted to) synthetic aperture radar (SAR) image processing. We then derive the analytical conditions of applicability of MoLC to samples generated from several distribution families in our selection. Finally, we conduct various synthetic and real data experiments to assess the comparative properties, applicability and small sample performance of MoLC notably for the generalized gamma and K family of distributions. Supervised image classification experiments are considered for medical ultrasound and remote sensing SAR imagery. The obtained results suggest MoLC to be a feasible yet not universally applicable alternative to MoM that can be considered when the direct ML approach turns out to be unfeasible.
L'estimation de paramètres de fonctions de densité de probabilité est une étape majeure dans le domaine du traitement statistique du signal et des images. Dans ce rapport, nous étudions les propriétés et les limites de l'estimation de paramètres par la méthode des cumulants logarithmiques (MoLC), qui est une alternative à la fois au maximum de vraisemblance (MV) classique et à la méthode des moments. Nous dérivons la condition générale suffisante de consistance forte de l'estimation par la méthode MoLC, qui représente une propriété asymptotique importante de tout estimateur statistique. Grâce à cela, nous démontrons la consistance forte de l'estimation par la méthode MoLC pour une sélection de familles de distributions particulièrement adaptées (mais non restreintes) au traitement d'images acquises par radar à synthèse d'ouverture (RSO). Nous dérivons ensuite les conditions analytiques d'applicabilité de la méthode MoLC à des échantillons générés qui suivent les lois des différentes familles de distribution de notre sélection. Enfin, nous testons la méthode MoLC sur des données synthétiques et réelles afin de comparer les différentes propriétés inhérentes aux différents types d'images, l'applicabilité de la méthode et les effets d'un nombre restreint d'échantillons. Nous avons, en particulier, considéré les distributions gamma généralisée et K. Comme exemple d'application, nous avons réalisé des classifications supervisées d'images médicales à ultrason ainsi que d'images de télédétection acquises par des capteurs RSO. Les résultats obtenus montrent que la méthode MoLC est une bonne alternative à la méthode des moments, bien qu'elle contienne certaines limitations. Elle est particulièrement utile lorsqu'une approche directe par MV n'est pas possible.
Fichier principal
Vignette du fichier
RR-7666.pdf (1005.4 Ko) Télécharger le fichier
Origin : Files produced by the author(s)
Loading...

Dates and versions

inria-00605274 , version 1 (01-07-2011)
inria-00605274 , version 2 (16-08-2011)

Identifiers

  • HAL Id : inria-00605274 , version 2

Cite

Vladimir Krylov, Gabriele Moser, Sebastiano B. Serpico, Josiane Zerubia. On the Method of Logarithmic Cumulants for Parametric Probability Density Function Estimation. [Research Report] RR-7666, INRIA. 2011. ⟨inria-00605274v2⟩
377 View
525 Download

Share

Gmail Facebook Twitter LinkedIn More