Analisi Multifrattale Di Immagini SAR Relative A Zone Di Mare Inquinate Da Tensioattivi

UNIVERSIT DEGLI STUDI DI NAPOLI
FEDERICO II
FACOLT DI INGEGNERIA
CORSO DI LAUREA IN
INGEGNERIA DELLE TELECOMUNICAZIONI
(CLASSE DELLE LAUREE IN INGEGNERIA DELLINFORMAZIONE N.9)
DIPARTIMENTO DI INGEGNERIA BIOMEDICA, ELETTRONICA E DELLE
TELECOMUNICAZIONI
TESI DI LAUREA
ANALISI MULTIFRATTALE
DI IMMAGINI SAR RELATIVE A ZONE DI MARE
INQUINATE DA TENSIOATTIVI
RELATORE CANDIDATO
Ch.mo Prof. Antonio Iodice Roberto Coscione
CORRELATORE Matr. 540/1081
Ing. Gerardo Di Martino
ANNO ACCADEMICO 2009/2010
A Claudia e Antonio,
futuri ingegneri.
Il mondo un posto pericoloso,
non a causa di quelli che compiono azioni malvagie
ma per quelli che osservano senza dire nulla.
- Albert Einstein -
Indice
1 Inquinamento da idrocarburi 5
2 Telerilevamento 13
2.1 Introduzione . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.2 Radar ad apertura reale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2.1 Radar ad onda continua (CW) . . . . . . . . . . . . . . . . . . . . . . 15
2.2.2 Radar ad impulsi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.3 SAR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.3.1 Principio di funzionamento . . . . . . . . . . . . . . . . . . . . . . . . 20
2.3.2 Modalit di acquisizione dati . . . . . . . . . . . . . . . . . . . . . . . 22
2.3.3 Polarizzazione . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.4 Speckle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.5 Telerilevamento del mare . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.5.1 Fenomeno di Bragg . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.5.2 Parametri geometrici . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.5.3 Parametri sici . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3 Elaborazione immagini 31
3.1 Integrazione dati . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.2 Processo di analisi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.2.1 Individuazione . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.2.2 Estrazione delle caratteristiche . . . . . . . . . . . . . . . . . . . . . . 36
3.2.3 Classicazione . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4 Geometria frattale 39
4.1 Introduzione . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3
Indice Indice
4.2 Richiami . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4.3 Frattali IFS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
4.4 Insiemi frattali . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
4.5 Dimensione frattale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
4.5.1 Dimensione di autosimilarit . . . . . . . . . . . . . . . . . . . . . . . 51
4.5.2 Dimensione di box counting . . . . . . . . . . . . . . . . . . . . . . . 52
4.6 Propriet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
4.7 Frattali aleatori . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
4.7.1 Moti browniani . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
4.7.2 Moti browniani frazionari (fBm) . . . . . . . . . . . . . . . . . . . . . 58
4.7.3 Superci browniane frazionarie . . . . . . . . . . . . . . . . . . . . . 59
4.8 Multifrattali . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
4.9 Applicazioni . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
5 Analisi multifrattale: procedure e risultati 65
5.0.1 Introduzione . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
5.0.2 Modelli e software utilizzati . . . . . . . . . . . . . . . . . . . . . . . 67
5.0.3 Metodologia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
5.0.4 Problema. Sliding grid . . . . . . . . . . . . . . . . . . . . . . . . . . 71
5.0.5 Analisi dei dati . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
5.0.6 Sintesi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
6 Conclusioni e sviluppi futuri 85
4
1 Inquinamento da idrocarburi
La forte dipendenza dai combustibili fossili come fonte energetica della societ odierna, sot-
topone quotidianamente lambiente ad enormi rischi. Loccorrenza di disastri alle piattaforme
petrolifere offshore e alle petroliere che attraversano quotidianamente gli oceani, una minac-
cia costante al naturale equilibrio degli ecosistemi marini, della vita degli uccelli e della salute
delle zone costiere. Gli effetti chimici, sici e biologici dellinquinamento da petrolio hanno
disastrose ripercussioni sulla pesca, sullagricoltura, sul turismo e, in generale, sulle economie
locali. Simili avvenimenti destano sempre enorme preoccupazione attirando lira e lo sconforto
dellopinione pubblica, com avvenuto in tutti i pi grandi disastri petroliferi della storia, non
ultimo quello della Deep Water Horizon nellaprile del 2010, i cui ingenti danni ambientali ed
economici permarrano per anni.
Tuttavia disastri ben peggiori avvengono, quotidianamente, lontano dallattenzione dei mass
media. Ogni anno vengono sversati in mare milioni di tonnellate di petrolio e di questi solo
una percentuale relativamente esigua del totale deriva da disastri accidentali [30]. Il maggior
contributo agli sversamenti , infatti, costituito dalle quotidiane routine di pulizia della navi
cargo, che sversano deliberatamente in mare il contenuto residuo delle proprie cisterne, che
dovrebbe invece essere smaltito attraverso opportune e pi costose procedure a terra.
Limportanza dellambiente per la vita sulla Terra, sembra non essere un buon deterrente verso
questi deprecabili comportamenti che dovrebbero essere puniti da organi nazionali e sovranazion-
ali. Purtroppo ci non sempre possibile: gli sversamenti volontari avvengono sempre a debita
distanza dalle coste, spesso direttamente durante la navigazione, in modo da eludere i controlli
degli organi preposti.
Un controllo costante delle rotte marine e delle piattaforme offshore dunque necessario ed
auspicabile, ma le zone da sottoporre a monitoraggio sono numerose, estese e molto distanti
tra loro, rendendo inefcace o troppo dispendioso lutilizzo di mezzi di sorveglianza aerea e
navale.
5
CAPITOLO 1. INQUINAMENTO DA IDROCARBURI
Vantaggi del telerilevamento
In tale contesto, di grande utilit pratica si rivelato lutilizzo di sensori per il telerilevamen-
to montati a bordo di satelliti e/o navicelle spaziali. La notevole distanza dalla Terra, infatti,
consente di coprire zone molto estese in tempi relativamente brevi, offrendo la possibilit di un
monitoraggio globale e continuo.
Il numero di satelliti orbitanti nello spazio estremamente elevato e molti di essi sono speci-
camente dedicati allosservazione della Terra. Il telerilevamento del petrolio entrato a far
parte di svariati programmi di monitoraggio ambientale e diversi sensori attualmente in orbita,
anche se nati con scopi diversi, possono fornire utili indicazioni circa la presenza di idrocarburi
in mare.
Il monitoraggio delle zone a rischio (i.e. le rotte oceaniche delle navi cargo e le postazioni delle
piattaforme petrolifere) e delle zone inquinate indubbiamente unoperazione fondamentale
per diversi scopi:
valutazione dellimpatto ambientale causato dagli sversamenti
coordinamento degli interventi navali e/o aerei
organizzazione delle procedure di pulizia e contenimento
esecuzione di analisi e previsioni idrodinamiche per il controllo della propagazione del
petrolio
identicazione dei colpevoli dellinquinamento
In tale ambito, il radar ha dimostrato di essere uno strumento essenziale, grazie alla sua capacit
di operare indipendentemente dalle condizioni atmosferiche e dalla presenza di luce solare,
offrendo quindi un servizio always on.
In particolare, il radar ad apertura sintetica (SAR, Synthetic Aperture Radar) si rivelato il pi
appropriato per il telerilevamento del petrolio sulla supercie marina, in particolare grazie alle
spinte risoluzioni geometriche cui in grado di operare (no a 3 metri per Radarsat-2 della
Canadian Space Agency, da 1 a 3 metri per COSMO-SkyMed dellAgenzia Spaziale Italiana).
Nel capitolo 2 illustrato in modo pi dettagliato il principio di funzionamento del SAR, con
particolare riferimento al telerilevamento del mare, che pu essere cos sintetizzato: il sen-
sore invia un campo elettromagnetico di caratteristiche sico-matematiche note, che raggiunge
6
la Terra da cui viene retrodiffuso portando con se informazioni geomorfologiche e geosiche
della supercie illuminata. Il segnale ricevuto viene dunque opportunamente elaborato ed il
risultato nale unimmagine bidimensionale in scala di grigi, in cui la luminosit dei pixel
proporzionale allintensit del ritorno elettromagnetico. La visibilit della supercie marina
garantita dalla sua rugosit e in particolare dalla presenza delle onde capillari
1
che assicurano
un backscattering
2
al sensore non nullo. La gura 1.0.1 illustra tale fenomeno.
Figura 1.0.1: Interazione mare-radar (Fonte: ESA)
La presenza di surfattanti sulla supercie marina, a causa della loro caratteristiche visco-elastiche,
tende a contrastare la formazione delle onde capillari: in tal caso il campo elettromagnetico
inviato dal sensore riesso prevalentemente nella direzione speculare a quella dincidenza,
determinando un backscattering molto basso e quindi zone scure nellimmagine acquisita.
Ambiguit nellidenticazione dei tensioattivi
Uno dei limiti delluso dei sensori SAR per il telerilevamento della supercie marina, rap-
presentato dalla velocit del vento: in condizioni di vento debole (non superiore a 3 m/s) la
1
Onde di lunghezza dellordine dei centimetri prodotte da vento locale o dalla gravit
2
Ritorno elettromagnetico nella stessa direzione di incidenza
7
supercie marina potrebbe non essere sufcientemente rugosa per il sensore, determinando la
formazione di una zona scura nellimmagine anche in assenza di inquinanti; viceversa se il ven-
to supera i 10-15 m/s la presenza del petrolio potrebbe non inciare la rugosit della supercie
marina in modo sufciente da ottenere una zona scura nellimmagine. In generale, con vento
di velocit maggiore di 7 m/s solo gli sversamenti pi consistenti (i.e. di maggior spessore)
risultano visibili nellimmagine. Tali dati sono da ritenersi comunque indicativi, in quanto la
visibilit del petrolio dipende da diversi fattori, quali, ad esempio, la polarizzazione e langolo
di elevazione del sensore, nonch dal tipo di petrolio.
La gura 1.0.2, acquisita dal satelite europeo Envisat al largo delle coste della Norvegia, non
rivela alcuna presenza di petrolio nonostante i circa 27.000 barili di greggio sversati in mare in
seguito al disastro petrolifero della piattaforma Statfjord-A: la velocit del vento, rilevata dal
SAR in quella zona al momento dellacquisizione, era di circa 13-15 m/s [28].
Figura 1.0.2: Mare del Nord - 14.12.07 - (Fonte: ESA)
La presenza di idrocarburi non rilevata a causa della forte
velocit del vento. Immagine acquisita dal sensore ASAR
del satellite europeo Envisat.
8
In aggiunta, anche altri fenomeni naturali, ad esempio la presenza di toplancton, possono de-
terminare la formazione di zone scure nelle immagini radar
3
, determinando unambiguit che
complica notevolmente le procedure di rilevamento di sversamenti di petrolio non gi identi-
cati per altre vie (i.e. segnalazioni da mezzi di sorveglianza navale o aerea). Daltro canto, per
motivi pratici ed economici, non tutti i presunti sversamenti possono essere vericati tramite
accertamenti in loco. Ci rappresenta una possibile scappatoia per i polluters e, in generale, un
limite notevole dellefcacia di tali tecniche.
La gura 1.0.3 evidenzia tale problema comparando due immagini radar acquisite dal satellite
RADARSAT-1. La gura 1.0.3a riporta due zone scure, di cui quella in alto a destra causata
da un calo di vento mentre quella in basso a sinistra dovuta alla presenza di un banco di alghe.
La gura 1.0.3b riporta lo sversamento di petrolio al largo della Louisiana causato dal disastro
della Deepwater Horizon. Sebbene, in tal caso, unoperatore esperto potrebbe essere in grado
di identicare correttamente lo sversamento di petrolio, grazie alla forma e al diverso contrasto
delle zone scure, le condizioni non sempre sono cos favorevoli.
Lanalisi delle immagini SAR, per la ricerca degli oil slick, si compone di diverse fasi, di cui la
prima , generalmente, unispezione oculare in cui un operatore seleziona le immagini conte-
nenti presunte zone inquinate da idrocarburi e vi applica opportuni algoritmi di segmentazione
4
.
Successivamente, un sistema automatico di identicazione (i.e. un software ad hoc), effettua
una serie di test volti a classicare correttamente la porzione dimmagine come oil slick o
look-alike usufruendo di una collezione di informazioni di diversa natura. Nel capitolo 3 sar
illustrato questo processo con maggior dettaglio.
I sistemi automatici hanno un vantaggio indubbio sia in termini di smaltimento del carico di la-
voro, sia di oggettivit nellanalisi delle immagini. Tuttavia i problemi di ambiguit evidenziati,
possono minare considerevolmente lefcacia di tali strumenti. dunque auspicabile sviluppare
algoritmi e tecniche in grado di ridurre sempre pi la possibilit derrore nellindividuazione
degli oil slick.
La comunit scientica al lavoro da molti anni al ne di risolvere i problemi succitati, an-
che in considerazione del fatto che le possibili strade da seguire sono molteplici e spesso
complementari.
3
Mutuando, per semplicit, una terminologia anglosassone, con look-alike si indicheranno le zone scure
causate da fenomeni naturali, mentre con oil slick si far riferimento alle zone interessate dalla presenza
di idrocarburi.
4
Suddivisione dellimmagine in gruppi di pixel con caratteristiche simili
9
(a) RADARSAT-1 - Nord della Germania - 21.06.07 (b) RADARSAT-1 - Louisiana - 20.05.10
Figura 1.0.3: Confronto fra immagini radar di alghe, cali di vento e petrolio (Fonte: CSA)
Lanalisi delle performance di un algoritmo di detezione semi-automatico, applicato a 59 im-
magini SAR acquisite dal satellite europeo ERS-1 (non pi operativo), ha messo in luce che
la maggior parte degli oil slick non correttamente classicati rientra perlopi nelle 3 seguenti
categorie[9]:
1. Oil slick sottili e di forma lineare oblunga, causati principalmente da sversamenti di navi
in movimento.
2. Oil slick con basso contrasto su sfondo omogeneo.
3. Oil slick su sfondo molto eterogeneo.
In generale si osservato che alcuni fattori geometrici possono essere indicativi della reale natu-
ra della zona scura nellimmagine acquisita. La viscosit del petrolio, ad esempio, determina la
formazione di chiazze che, nelle prime ore successive allo sversamento
5
, presentano contorni
piuttosto regolari, generalmente distinguibili dai look-alike. Tuttavia col passare delle ore il lm
5
Il tempo effettivo dipende da diversi fattori tra cui la quantit e il tipo di petrolio, la velocit del vento e le
correnti marine.
10
di petrolio tende a spalmarsi sulla supercie marina assumendo contorni irregolari paragonabili
a quelli determinati dai fenomeni naturali.
Ci suggerisce che uno studio geometrico della porzione sospetta dellimmagine pu fornire
utili indicazioni: in tale ambito si rivelata molto utile lapplicazione degli strumenti matem-
atici della geometria frattale, di cui il capitolo 4 riporta alcune nozioni basilari, in quanto
particolarmente adatta allo studio di forme dai contorni irregolari.
Nel capitolo 5, sar illustrata una tecnica di discriminazione basata sullanalisi multifrattale
del contorno delle immagini telerilevate, che consente di discriminare oil slick da look-alike
anche laddove il grado di irregolarit dei relativi contorni pressoch identico. Lalgoritmo
implementato stato applicato, in particolare, ad oil slick simulati di forma oblunga. I risultati
illustrati, evidenziano le potenzialit di questa tecnica di sicuro interesse pratico, che pu essere
soggetta ad ulteriori studi e sviluppi.
11
2 Telerilevamento
2.1 Introduzione
Il telerilevamento quella branca delle telecomunicazioni che riguarda losservazione di oggetti
e superci posti a distanza da un sensore. Il vettore delle informazioni il campo elettromag-
netico che trasporta informazioni differenti a seconda della frequenza a cui oscilla. Sensori
operanti nella banda 400700m (luce visibile), ad esempio, sono i ben noti sensori ottici, le
cui immagini sono molto diverse da quelle prodotte, ad esempio, dai sensori radar di seguito
illustrati.
Si possono distinguere due grandi categorie di sensori:
Sensori passivi - rilevano la radiazione elettromagnetica riessa o generata dalloggetto os-
servato. Il loro funzionamento dipende dalla presenza di una fonte luminosa naturale
(generalmente il Sole) o articiale. Rientrano in questa categoria i sensori ottici e quelli
ad infrarossi.
Sensori attivi - operano in trasmissione e ricezione trasmettendo un segnale elettromagnetico
che investe una certa area e, dopo aver subito fenomeni di riessione e rifrazione, torna al
sensore trasportando informazioni peculiari della scena illuminata. Tali sensori possono
dunque operare indipendentemente dalla presenza di una fonte esterna di illuminazione.
Il RADAR (RAdio Detection And Ranging) un sensore attivo che opera nella banda delle
microonde, in grado di rilevare (detection) e valutare la distanza delle superci e degli oggetti
osservati (ranging). Lintensit del segnale retrodiffuso dipende da diversi fattori ed in parti-
colare dalle caratteristiche geosiche e geometriche della scena osservata. Tale segnale viene
dunque memorizzato ed opportunamente elaborato, al ne di ottenere unimmagine digitale in
cui il livello di grigio di ogni pixel proporzionale allintensit del segnale stesso.
13
2.1. INTRODUZIONE CAPITOLO 2. TELERILEVAMENTO
La lunghezza donda delle microonde (dellordine dei centimetri) consente al campo elettro-
magnetico di attraversare i diversi strati dellatmosfera terrestre senza subire alterazioni rilevanti
(si parla di nestra atmosferica).
In particolare la presenza delle nuvole praticamente irrilevante ai ni delloperativit del radar,
in quanto le microonde possono attraversarle senza subire praticamente alcun effetto. Ci
dovuto al fatto che la lunghezza donda del campo maggiore delle dimensioni siche delle
molecole e delle gocce dacqua presenti nelle nuvole, dunque non sono possibili fenomeni di
risonanza che determinerebbero lassorbimento di gran parte dellenergia trasmessa. Ci si
traduce nella capacit del radar di operare in qualsiasi condizione meteorologica.
Di seguito sono elencati i principali parametri che caratterizzano i sistemi radar.
Banda di funzionamento Nellosservazione da satellite sono generalmente utilizzate le bande
L, C ed X (lunghezze donda di, rispettivamente, 15-30 cm, 3.8- 7.5 cm e 2.4-3.8 cm).
Polarizzazione Si possono avere diverse combinazioni di polarizzazione, tra cui HH, VV, HV,
VH (la prima lettera si riferisce alla trasmissione, la seconda alla ricezione). Alcuni sen-
sori sono in grado di operare in pi modalit, nonch in alcune modalit ibride illustrate
pi avanti.
Risoluzione geometrica la minima distanza tra due oggetti afnch essi siano distinguibili
nellimmagine acquisita. Come si vedr a breve, il tipo di segnale utilizzato in fase di
trasmissione gioca un ruolo cruciale nella determinazione della risoluzione geometrica.
Chiaramente due oggetti su un piano possono avere una spaziatura diversa rispetto ai due
assi: si parla quindi di risoluzione azimuth (x ) e risoluzione range (y ), anche dette,
rispettivamente, risoluzioni along-track e across-track con riferimento alla direzione di
volo del sensore. Si dice cella di risoluzione il rettangolo di dimensioni x e y cui
corrisponde un pixel dellimmagine nale.
Footprint larea di copertura del sensore ovvero lestensione della zona illuminata. A foot-
print maggiori corrispondono, generalmente, risoluzioni minori. Varia a seconda dalla
distanza del sensore, delle dimensioni dellantenna e della frequenza di lavoro.
Tempo di ripetizione Indica il tempo impiegato dal sensore per tornare ad acquisire una stessa
scena durante il moto del satellite intorno al pianeta.
14
CAPITOLO 2. TELERILEVAMENTO 2.2. RADAR AD APERTURA REALE
La tipica congurazione di funzionamento per un sensore radar, che sia esso montato su un
satellite o su un aeromobile, detta side-looking, ovvero il sensore punta la scena lateralmente,
al ne di evitare ambiguit.
Figura 2.1.1: Sensore radar in congurazione side-looking
2.2 Radar ad apertura reale
Con apertura si intende la nestra spaziale usata per raccogliere lenergia retrodiffusa da
oggetti e superci.
In generale la risoluzione funzione dellapertura. Nel caso di sistemi RAR (Real Aperture
Radar) lapertura coincide approssimativamente con le dimensioni siche dellantenna.
2.2.1 Radar ad onda continua (CW)
Si supponga di trasmettere un segnale ad onda continua.
Lo schema di riferimento per il calcolo della risoluzione in gura 2.2.1.
15
2.2. RADAR AD APERTURA REALE CAPITOLO 2. TELERILEVAMENTO
Figura 2.2.1: Schema per il calcolo della risoluzione range.
Afnch due oggetti siano distinguibili necessario che non si trovino contemporaneamente
allinterno dello stesso footprint.
W la dimensione apparenente dellantenna (la dimensione della proiezione dellantenna nel
piano ortogonale alla direzione di osservazione)
langolo di elevazione
il settore angolare dilluminazione
Si pu dimostrare che:
=

W
(2.2.1)
dove la lunghezza donda del segnale inviato.
Tenendo presente che le antenne sono sempre progettate con W , risulta 1 [rad], da
cui:
y =

W
h
cos
2
(2.2.2)
dove y la risoluzione ground-range, ovvero la minima distanza fra due oggetti necessaria
afnch siano distinguibili. Spesso si fa riferimento alla risoluzione slant-range (r ), ovvero
16
la risoluzione valutata rispetto al raggio vettore tra satellite e scena osservata. Un calcolo
analogo sussiste per la risoluzione azimuth.
La 2.2.2 mostra che la risoluzione dipende dallaltezza in modo lineare: per sensori nello spazio,
ssata la lunghezza donda, per avere risoluzioni dellordine del metro bisognerebbe utilizzare
antenne chilometriche.
2.2.2 Radar ad impulsi
Un incremento notevole della risoluzione si pu ottenere inviando segnali impulsivi. Un impul-
so che raggiunge due oggetti, produce, ignorando eventuali fenomeni di multipath, due echi che
tornano al sensore in tempi differenti in funzione della distanza dal sensore stesso. In tal caso,
afnch gli oggetti siano distinguibili, sufciente che i segnali retrodiffusi siano temporal-
mente separati e dunque i vari oggetti possono anche trovarsi contemporaneamente allinterno
del footprint.
Risoluzione range
Siano r
1
e r
2
le distanze degli oggetti rispetto al satellite e sia la durata dellimpulso. Il round
trip time dellimpulso trasmesso pari a 2r
i
/c, (i = 1, 2), dove c 3 10
8
m/s.
semplice dimostrare che in tal caso la risoluzione slant-range
1
:
r =
c
2
(2.2.3)
Quindi afnch i due oggetti siano distinguibili, deve risultare
[r
2
r
1
[
c
2
(2.2.4)
Dalla 2.2.3, con semplici considerazioni geometriche, possibile ricavare la relativa risoluzione
ground-range:
y =
c
2sin
(2.2.5)
1
Vale lipotesi che gli oggetti siano puntiformi e pertanto la durata dellimpulso resta invariata
17
2.2. RADAR AD APERTURA REALE CAPITOLO 2. TELERILEVAMENTO
In tal caso la risoluzione indipendente dallaltezza, ma per avere risoluzioni dellordine dei
metri necessario inviare impulsi di durata pari a frazioni di microsecondo. Tuttavia la durata
dellimpulso trasmesso non pu essere ridotta eccessivamente per almeno due motivi:
1. Dalla teoria dei segnali noto che minore la durata del segnale maggiore la sua banda.
Tuttavia, al ne di evitare fenomeni di dispersione, necessario lavorare in banda stretta.
Ci implica che al diminuire della durata dellimpulso bisogna aumentare la frequenza
della portante, la quale , tuttavia, limitata alla banda di frequenze delle microonde per i
motivi precedentemente evidenziati.
2. Impulsi di durata inferiore trasportano meno energia. Tenendo in considerazione gli in-
evitabili effetti di attenuazione, unenergia troppo bassa potrebbe non essere sufciente
a garantire un backscattering apprezzabile. Inoltre la potenza trasmessa limitata dalle
caratteristiche del sistema.
Modulazione dimpulsi
Per ovviare a questi problemi, lo stato dellarte rappresentato da un impulso modulato linear-
mente in frequenza detto chirp:
p(t) = cos
_
0
t +
t
2
2
_

_
t
_
(2.2.6)
dove
0
la frequenza portante e R un parametro, detto chirp rate, legato alla banda del
segnale dalla 2.2.9.
La frequenza istantanea di tale segnale :
f
ist
=
1
2
(
0
+t) = f
0
+
t
2
(2.2.7)
quindi si ha una frequenza che varia linearmente con il tempo.
Tenendo conto che limpulso ha durata si ha:
f
ist

_
f
[[
2

2
, f +
[[
2

2
_
(2.2.8)
18
da cui segue che lescursione di frequenza sperimentata dal segnale pari a:
f =

2
(2.2.9)
La 2.2.9 pone in evidenza che la banda del segnale chirp cresce linearmente con la sua durata
e per tale motivo vengono impiegati impulsi di durata maggiore possibile. Il trade-off valutato
rispetto al PRF (Pulse Repetition Frequency), cio il numero di impulsi trasmessi al secondo.
Dovendo evitare che i ritorni elettromagnetici relativi ad impulsi successivi si sovrappongano,
allaumentare della durata dellimpulso bisogna diminuire il PRF e di conseguenza, al ne
di coprire completamente le regioni di interesse, la velocit della piattaforma che trasporta il
sensore va altres ridotta.
I segnali retrodiffusi necessitano di unoperazione di compressione che consiste in una con-
voluzione tra il segnale ricevuto e un segnale di riferimento, ovvero un ltraggio adattativo. Si
dimostra che la risoluzione ground-range/slant-range pari a:
y =
c
2f sin
(2.2.10)
r =
c
2f
(2.2.11)
Risoluzione azimuth
Per quanto riguarda la risoluzione across-track, lintroduzione del chirp non comporta vantag-
gi in quanto, cos come per il radar CW, punti alla stessa distanza dal sensore determinano
backscattering contemporanei e dunque non risolvibili. In tal caso afnch due oggetti siano
rilevati come distinti necessario che non si trovino contemporaneamente allinterno del foot-
print. La risoluzione azimuth coincide, quindi, con la dimensione del footprint nella direzione
di volo.
Sia:
L dimensione apparente dellantenna nel piano xz
ampiezza del fascio espressa in radianti
19
2.3. SAR CAPITOLO 2. TELERILEVAMENTO
Figura 2.2.2: Schema per il calcolo della risoluzione azimuth
Risulta:
x = r r
L
(2.2.12)
La 2.2.12 pone in evidenza che per ottenere risoluzioni dellordine del metro bisognerebbe usare
antenne chilometriche. Per migliorare la risoluzione azimuth si ricorre dunque al concetto di
antenna sintetica.
2.3 SAR
2.3.1 Principio di funzionamento
Per migliorare la risoluzione azimuth necessario aumentare la dimensione dellapertura. Non
potendo agire sulle dimensioni siche dellantenna necessario simulare unantenna di grosse
dimensioni. ci che avviene con il Radar ad Apertura Sintetica (SAR, Synthetic Aperture
Radar) in cui si sfrutta la permanenza prolungata, allinterno del footprint, del generico punto
osservato e i conseguenti shift di frequenza (effetto Doppler) degli echi retrodiffusi.
Si consideri la gura 2.3.1.
20
CAPITOLO 2. TELERILEVAMENTO 2.3. SAR
Figura 2.3.1
Durante il volo del sensore il punto P effettua un movimento apparente allinterno del footprint,
da A a B, durante il quale investito da numerosi impulsi, inviati dal sensore, cui corrispondo
altrettanti echi. In un sistema RARognuno di tali echi produrrebbe unimmagine singola. Lidea
del SAR, invece, di combinare tutte le immagini grezze, al ne di produrre ununica immagine
ad alta risoluzione del punto P e della scena circostante. Lelaborazione consiste, anche in
questo caso, in unoperazione di convoluzione che prende il nome di focusing oppure, nel caso
pi semplice, in una media mobile tra i vari contributi [14]. Un risultato analogo si potrebbe
ottenere allineando tante antenne quanti sono gli impulsi che raggiungono il punto P
2
. In tal
senso, dunque, il SAR simula un array di antenne e X la dimensione dellantenna sintetica.
possibile dimostrare che in tal caso la risoluzione azimuth pari a:
x =
L
2
(2.3.1)
dove L la proiezione lungo x della dimensione longitudinale dellantenna.
La 2.3.1 suggerisce che per migliorare la risoluzione sufciente utilizzare antenne pi piccole,
esattamente il contrario di ci che avviene con i sistemi RAR. Il trade-off da considerare nel
dimensionamento di un sistema SAR il carico di lavoro per i sistemi di elaborazione di bordo
e di terra. noto, infatti, che antenne pi piccole hanno un fascio di apertura pi largo il che
2
Indicata con v la velocit del sensore, il numero di impulsi che raggiungono P : N = PRF X/v
21
si traduce in un footprint maggiore, ovvero unantenna sintetica pi lunga e quindi un maggior
numero di dati da elaborare; lacquisizione di pi dati implica risoluzioni migliori, in base
a quanto precedentemente esposto, il che fornisce uninterpretazione intuitiva della 2.3.1, ma
anche un maggior carico di lavoro che, per i sistemi SAR, di per se gi molto oneroso.
2.3.2 Modalit di acquisizione dati
In questa breve esposizione sul funzionamento del SAR si implicitamente fatto riferimento ad
una delle sue modalit di funzionamento pi utilizzate, detta stripmap, in cui lantenna ferma
rispetto alla piattaforma che la trasporta e dunque illumina una porzione di supercie limitata in
range e illimitata in azimuth. La dimensione in range della striscia ottenuta detta swath (vedi
g. 2.1.1 )
Esistono altre modalit di funzionamento i cui dettagli implementativi possono variare a secon-
da del particolare sensore.
Spotlight mode Durante il volo della piattaforma lantenna ruota nel piano azimutale e/o in
quello di elevazione al ne di puntare sempre su una stessa zona. Ci consente di au-
mentare considerevolmente la risoluzione dellimmagine della zona osservata. Il trade-off
rappresentato dalla perdita di area di copertura.
ScanSAR mode In questa modalit di funzionamento lantenna cambia periodicamente in-
clinazione cos da ottenere unarea di copertura pi ampia al costo di una perdita di
risoluzione geometrica. Lo swath che si ottiene pi ampio rispetto alla modalit stripmap
ed composto da diversi sotto-swath: il fascio dantenna direzionato ciclicamente in
ognuno di tali sotto-swath ad una velocit di ripetizione tale da consentire una copertura
globale. Naturalmente, rispetto alle altre modalit, ogni porzione di scena monitorata
per un tempo inferiore e ci va a discapito della risoluzione geometrica.
La gura 2.3.2 illustra 2 modalit di funzionamento del radar ASAR (Advanced SAR) trasporta-
to dal satellite europeo EnviSat:
Image mode corrisponde alla modalit stripmap, con la possibilit di selezionare fra 7
diversi swath, modicando elettronicamente langolo di elevazione del fascio. Consente
di ottenere una risoluzione di circa 30m a fronte di unampiezza di swath pari a 100km.
22
CAPITOLO 2. TELERILEVAMENTO 2.3. SAR
Wide Swath mode consente di ottenere uno swath pari a 405kmusando la tecnica ScanSAR
appena illustrata, a fronte di una risoluzione geometrica di soli 150m.
(a) Envisat ASAR Image Mode (b) Envisat ASAR Wide Swath Mode
Figura 2.3.2: Modalit di funzionamento dellASAR di Envisat (Fonte: ESA)
2.3.3 Polarizzazione
La polarizzazione del campo incidente un parametro che inuenza in modo considerevole le
informazioni che si possono estrarre dallimmagine radar. A seconda della scena illuminata,
infatti, determinate polarizzazioni possono interagire in modo pi o meno consistente con essa.
Gli alberi, ad esempio, determinano un ritorno elettromagnetico pi forte se investiti da un
campo con polarizzazione verticale (V) e se, allo stesso tempo, lantenna impostata per
ricevere nuovamente la stessa polarizzazione, ovvero campo trasmesso e campo ricevuto sono
co-polarizzati.
Eventuali riessioni multiple subite dal campo possono causarne una depolarizzazione, che
consiste in una rotazione del piano di oscillazione del campo. Tale fenomeno pu essere pi
o meno marcato a seconda della scena osservata. La vegetazione, ad esempio, causa spesso
23
una forte depolarizzazione. In tali casi pu essere utile monitorare la scena con campi cross-
polarizzati (HV o VH), ovvero si invia un campo con una determinata polarizzazione e si sonda
il backscattering nellaltra polarizzazione.
Sono anche possibili post-processing in cui vengono sovrapposte immagini relative ad una stes-
sa scena monitorata con polarizzazioni differenti, mentre alcuni sensori, come ASAR, pos-
sono trasmettere e ricevere entrambe le polarizzazioni contemporaneamente, consentendo di
effettuare analisi polarimetriche particolarmente interessanti.
Envisat consente di utilizzare alcune combinazioni di polarizzazione, dette Alternating Polar-
ization Mode.
Figura 2.3.3: Alternating Polarization Mode (Fonte: ESA)
Nella modalit APM co-polare il trasmettitore commuta periodicamente tra la modalit HH e
quella VV.
Nella modalit cross-polare, invece, ssata la polarizzazione del campo trasmesso, il ricevitore
commuta ciclicamente tra H e V.
24
CAPITOLO 2. TELERILEVAMENTO 2.4. SPECKLE
2.4 Speckle
Unimmagine radar una matrice di pixel i cui livelli di grigio dipendono dallintensit del
backscattering da ogni cella di risoluzione. Il campo riesso dalle superci illuminate porta
informazioni sulla loro rugosit, in quanto interagisce con quelle entit che hanno dimensioni
siche paragonabili alla lunghezza donda incidente. Tali informazioni sono, per, confuse nel-
limmagine acquisita, in quanto la risoluzione , allo stato attuale, nettamente maggiore della
lunghezza donda. Ci comporta che a regioni macroscopicamente omogenee vengano associati
livelli di grigio differenti, in quanto microscopicamente (i.e. sulla scala della lunghezza don-
da) diverse. Tale fenomeno determina un effetto di granulosit nellimmagine detto speckle.
Laleatoriet del campo retrodiffuso, causata dalle sue microscopiche interazioni con la scena
osservata, determina la necessit di una sua caratterizzazione statistica.
Sotto opportune ipotesi possibile dimostrare che il modulo del campo ricevuto ha una dis-
tribuzione di probabilit di tipo Rayleigh. Una zona macroscopicamente omogenea, come pu
essere un oil slick sulla supercie marina, composta da varie celle di risoluzione ognuna delle
quali ha un ritorno di tipo Rayleigh. Si ottiene cos un processo aleatorio bidimensionale in
funzione di variabili spaziali.
Anche se zone adiacenti diverse tra loro (ad esempio olio e acqua) determinassero, come spesso
accade, backscattering con medie diverse, lincertezza del valore assunto dal campo a causa
della varianza, potrebbe determinare livelli di grigio simili, rendendo ardua o impossibile la
separazione tra le due zone.
La gura 2.4.1 chiarisce quanto detto. Le 3 curve rappresentano la distribuzione di probabilit
dellintensit del backscattering da altrettante zone diverse. Se x il valore del campo che torna
al sensore evidente come non sia possibile individuare la giusta categoria per il pixel associato.
Tecniche di multi-look e post-processing, qualora possibili, consentono di risolvere o contenere
tale problema riducendo la varianza del backscattering e migliorando, quindi, la risoluzione
radiometrica, ovvero la capacit di discernere fra livelli di grigio diversi. Tuttavia, tali tec-
niche determinano quasi sempre una riduzione della risoluzione geometrica che per alcune
applicazioni un fattore critico.
25
2.5. TELERILEVAMENTO DEL MARE CAPITOLO 2. TELERILEVAMENTO
Figura 2.4.1: Pdf del backscattering da 3 zone diverse (Fonte: WolframAlpha)
I dati inseriti sono puramente indicativi
2.5 Telerilevamento del mare
La complessit e laleatoriet dei fenomeni marini, rendono particolarmente difcile linterpre-
tazione delle relative immagini radar. Il mare unentit in continuo movimento che presenta
fenomeni sici estremamente peculiari, quali ad esempio le correnti oceaniche, il moto ondoso,
la formazione e il galleggiamento di lastre di ghiaccio ecc., ognuno dei quali determina un
particolare effetto nelle immagini radar.
Tale complessit ha determinato la nascita di tecniche, modelli teorici e aree di ricerca, speci-
catamente dedicate al telerilevamento marino, che ormai divenuto uno strumento fondamen-
tale per gli studi oceanograci e non solo.
2.5.1 Fenomeno di Bragg
Tra i modelli proposti per lo studio della supercie marina vi lapproccio di ottica si-
ca per lapprossimazione del campo elettromagnetico retrodiffuso, in base al quale il coef-
ciente di backscattering proporzionale allo spettro di potenza della supercie, valutato in
corrispondenza di una particolare frequenza spaziale:
0
W(2ksin) (2.5.1)
dove langolo di incidenza del campo, k il coefciente di propagazione e K = 2ksin si
dice numero donda di Bragg.
26
CAPITOLO 2. TELERILEVAMENTO 2.5. TELERILEVAMENTO DEL MARE
La supercie marina pu essere vista come la sovrapposizione di Fourier di innite armoniche
spaziali. La 2.5.1 esprime che tra queste, soltanto una determina un campo retrodiffuso di
intensit apprezzabile. La spiegazione di ci risiede in un fenomeno di interferenza costruttiva
dei ritorni elettromagnetici, determinato dalle onde marine di lunghezza donda paragonabile
alla lunghezza donda della portante elettromagnetica.
La riga spettrale 2ksin , infatti, una sinusoide avente lunghezza donda pari a:
=
2
2ksin
=

2sin
(2.5.2)
La differenza di fase tra i campi incidenti su due punti della sinusoide distanti pari a:
= 2ksin = 2 (2.5.3)
Figura 2.5.1: Fenomeno di Bragg
Quindi i campi retrodiffusi sono in fase tra loro e in ricezione si sommano in modo coerente, il
che si traduce in una maggior intensit del campo al ricevitore. Tale effetto si dice fenomeno
di Bragg e la corrispondente riga spettrale si dice frequenza risonante di Bragg. Tutte le
altre frequenza si sommano in maniera aleatoria, ovvero presentano fenomeni di interferenza
27
costruttiva e distruttiva che determinano, in media, un campo di intensit nettamente inferiore
rispetto al ritorno risonante.
Si osservi che, afnch i ritorni elettromagnetici si sommino in modo coerente, sufciente che
la differenza di fase tra gli echi sia un multiplo intero di 2, ovvero la relazione tra e pu
essere estesa come segue:
= n

2sin
(2.5.4)
Quindi ssata tutte le onde di lunghezza /n (n N) determinano un effetto risonante.
Ci sembra essere in disaccordo con quanto espresso dalla 2.5.1. Per risolvere questa apparente
discrepanza, basta osservare che in una cella di risoluzione (dellordine dei metri) vi sono diversi
periodi risonanti, in quanto dellordine dei centimetri. Indicato con N il numero di periodi
di lunghezza /2sin, quelli di lunghezza n/2sin sono in numero pari a N/n, pertanto i
ritorni relativi ad n = 1 sono in numero maggiore e, di conseguenza, prevalgono nel computo
della luminosit del backscattering. Ci conferma qualitativamente la validit della 2.5.1.
La supercie marina presenta lunghezze donda che vanno dalle centinaia di metri (onde lunghe
gravitazionali) no ai millimetri (onde corte capillari e gravito-capillari) ma, in accordo con
lequazione 2.5.2, solo quelle di lunghezza dellordine dei centimetri sono direttamente visi-
bili al sensore. Si per osservato che le onde lunghe modulano in ampiezza le onde corte,
modicando lintensit del backscattering determinato da queste ultime. Ci si traduce nel-
la possibilit di vedere, nellimmagine radar, le onde lunghe in funzione delle onde risonanti
grazie allalternanza della luminosit dei pixel determinata dalla modulazione.
Il fenomeno di Bragg gioca un ruolo cruciale nellindividuazione degli oil slick. Le caratteris-
tiche visco-elastiche degli strati oleosi, infatti, determinano fenomeni che tendono a contrastare
la formazione delle onde capillari, riducendo notevolmente i ritorni risonanti di Bragg e deter-
minando, quindi, zone scure nellimmagine radar. In tal caso, dunque, come spesso avviene,
lassenza di dati di per se uninformazione.
2.5.2 Parametri geometrici
La dimensione delle zone scure allinterno delle immagini, dipende, oltre che, naturalmente,
dallestensione del lm di petrolio, anche dalla risoluzione geometrica del sensore. Infatti,
28
CAPITOLO 2. TELERILEVAMENTO 2.5. TELERILEVAMENTO DEL MARE
come precedentemente evidenziato, ad ogni cella di risoluzione corrisponde un pixel dellim-
magine. In particolare a risoluzioni migliori (i.e. celle di risoluzione pi piccole) corrispondono
immagini pi grandi. La disponibilit di immagini ad alta risoluzione , dunque, auspicabile ai
ni di una corretta individuazione degli oil slick. Zone scure di dimensioni esigue, potrebbero,
infatti, non essere rilevate durante la fase di individuazione; inoltre diverse tecniche adottate
nella fase di estrazione delle caratteristiche
3
potrebbero altres beneciare di immagini ad alta
risoluzione. Ad esempio, come illustrato nel capitolo 3, lanalisi dei contorni pu essere riv-
elare la natura della zona scura nellimmagine, in quanto contorni molto regolari sono poco
probabili nei look-alike. A tal proposito facile intuire quanto incida la risoluzione geometrica
sulla capacit di rilevare con precisione i contorni della zona scura. Tuttavia, non sempre pos-
sibile usufruire di tali immagini, in particolare perch immagini ad alta risoluzione offrono, allo
stato attuale, unarea di copertura molto limitata, annullando di fatto il vantaggio, offerto dal
telerilevamento da satellite, di coprire vaste zone in tempi brevi. I satelliti della costellazione
COSMO-SkyMed, ad esempio, montano un sistema SAR in grado di offrire risoluzioni no ad
1m a fronte di uno swath di soli 10km. Per risoluzioni di 3m la larghezza dello swath arriva
no a 40km e aumentando ulteriormente lo swath si raggiungono gli stessi livelli di risoluzione
di Envisat.
Diversi fattori inuenzano linterpretabilit delle immagini radar riportanti tratti marini.
Il coefciente di backscattering anche funzione dellangolo di elevazione e, in particolare,
diminuisce allaumentare di questultimo offrendo i migliori risultati approssimativamente tra i
20 e i 45 [9].
2.5.3 Parametri sici
Lo speckle rappresenta un problema critico delle immagini radar e, nel caso del telerilevamento
del mare, pu risultare particolarmente gravoso. In base a quanto precedentemente esposto, il
mare mosso visto dal sensore come unentit fortemente rugosa. Il continuo moto ondoso e
la presenza di onde di lunghezze diverse, risonanti e non, determina una varianza del backscat-
tering molto estesa causando una forte alternanza di pixel chiari e scuri. Un background cos
disomogeneo pu mettere in crisi i sistemi di detezione e/o segmentazione degli sversamen-
ti, rendendo spesso necessario luso di ltraggi ad hoc nalizzati alla riduzione dello speckle;
3
Cfr. sezione 3.2
29
questi potrebbero, tuttavia, risultare fallimentari soprattutto nel caso dei lmsottili e/o di piccole
dimensioni che si confondono facilmente con la texture del mare.
Un parametro spesso utilizzato per lo studio e le simulazioni della supercie marina interessata
da oil slick il coefciente di smorzamento (damping ratio), denito come il rapporto tra i
coefcienti di backscattering del mare e dellolio (
0,sea
/
0,oil
).
Sebbene con risultati variabili a seconda del tipo di olio presente sulla supercie marina, diverse
analisi hanno dimostrato che i migliori risultati in termini di damping ratio si ottengono con
scansioni nelle bande C ed X. La banda L invece si rivelata inefcace per il telerilevamento
degli oil slick: il motivo di ci da ricercarsi nella scarsa capacit dellolio di impedire la
formazione delle onde di lunghezza maggiore di 10cm.
ERS-1/2, RADARSAT-1/2 e ENVISAT montano (o hanno montato) sistemi SAR operanti in
banda C. COSMO-SkyMed e TerraSAR-X, invece, lavorano in banda X cos come TanDEM-X,
lanciato a giugno 2010 dallAgenzia Spaziale Tedesca e KOMPSAT-5 che sar messo in orbita
dallIstituto di Ricerca Aerospaziale Coreano.
Dati empirici derivanti da analisi polarimetriche hanno evidenziato che luso della polariz-
zazione VV particolarmente indicato per il telerilevamento degli sversamenti di petrolio, in
quanto fornisce risultati migliori in termini di risoluzione radiometrica e di contrasto, il che si
traduce in una maggior sensibilit in fase di detezione. Tuttavia con immagini di questo tipo si
altres osservata una maggior incidenza di look-alike, rendendo necessaria una maggior atten-
zione nella fase di classicazione delle immagini [11]. A tal ne non da escludere luso di dati
ausiliari derivanti da scansioni effettuate attraverso altre polarizzazioni; ad esempio le modal-
it cross-polari, forniscono buone prestazioni per la detezione delle navi, le quali determinano
de-polarizzazioni molto pi marcate rispetto al mare [15].
Si noti inne che, a queste frequenze di lavoro, il coefciente di penetrazione del campo elet-
tromagnetico nettamente maggiore dello spessore medio degli oil slick (generalmente una
frazione di millimetro), rendendo irrilevanti le caratteristiche elettromagnetiche di questi ultimi
ai ni dellanalisi del dato telerilevato.
30
3 Elaborazione immagini
I problemi di ambiguit evidenziati nei precedenti capitoli, rendono particolarmente ardua li-
denticazione degli oil slick, determinando la necessit di effettuare opportune analisi e post-
elaborazioni sulle immagini acquisite. A tal ne, agenzie spaziali e centri di elaborazione dati
utilizzano speciche procedure grazie alle quali, ad oggi, numerosi sversamenti sono stati cor-
rettamente identicati. Tuttavia i limiti di tali procedure sono ancora ragguardevoli e con-
tinui progressi tecnico-scientici sono richiesti al ne di incrementarne lefcacia e lefcienza
dellinsieme delle tecniche adottate.
In questo capitolo sar presentata unesaustiva panoramica dei criteri adottati per discernere gli
oil slick dai fenomeni naturali.
3.1 Integrazione dati
Come avviene in molti settori anche lo studio del mare pu avvalersi delluso congiunto di
sensori operanti in diverse bande di frequenza.
Le agenzie spaziali e i numerosi centri di ricerca nel mondo, sono in costante attivit al ne
di progettare sensori con caratteristiche tecniche sempre pi spinte ma, per motivi economici
e strategici, auspicabile sviluppare tecniche e metodi basate sullutilizzo di strumenti attual-
mente in orbita e che, com avvenuto ad esempio per ERS-1, in casi particolarmente favorevoli
potrebbero permanervi ben oltre il tempo previsto.
Luso congiunto di sensori, attivi o passivi, operanti in diverse bande di frequenza, consente
di effettuare analisi multispettrali o iperspettrali grazie alle quali possibile estrapolare in-
formazioni complementari della scena osservata, ricavandone la cosiddetta rma spettrale.
ben noto infatti che il campo elettromagnetico in grado di trasportare informazioni diverse in
bande diverse.
31
3.1. INTEGRAZIONE DATI CAPITOLO 3. ELABORAZIONE IMMAGINI
Sensori operanti nelle bande degli infrarossi e dellultravioletto e radiometri a microonde, ad
esempio, possono essere usati per valutare lestensione e/o lo spessore degli strati oleosi, e
sensori laser-uoro permettono di classicare il tipo di petrolio [9]. Questi ultimi, in particolare,
rappresentano lo stato dellarte nel telerilevamento del petrolio in quanto non sono affetti dai
problemi di ambiguit del SAR e sono altres in grado di operare sia di giorno sia di notte.
Tuttavia le performance di tali strumenti non sempre sono sufcienti a soddisfare le speciche
esigenze. Ad esempio gli strumenti IR sono spesso sensibili alla luce solare e dunque hanno
limitate capacit di osservazione, mentre i sensori laser-uoro non possono essere utilizzati a
bordo dei satelliti a causa delleccessiva attenuazione atmosferica che si sperimenta nella banda
di frequenza in cui operano.
Nellambito del New Millenium Program, la NASA (National Aeronautics and Space Adminis-
tration) ha lanciato nel 2000 il satellite EO-1 (Earth Observing One) con lobiettivo di testare
e sviluppare nuove tecnologie per losservazione della Terra; Hyperion Imaging Spectrome-
ter tra gli strumenti trasportati da EO-1 e fornisce quotidianamente numerose e signicative
immagini iperspettrali con acquisizioni in 220 bande, da 0.4 a 2.5 m, cio nel visibile e nellin-
frarosso, e risoluzione spaziale di 30 metri. Uno dei limiti di Hyperion la sua area di copertura
di soli 7.5 100Km che non consente di ottenere una copertura globale in tempi ragionevoli
[33].
Il satellite ambientale Envisat (ENVIronmental SATellite), sviluppato e messo in orbita nel 2002
dallESA (European Space Agency), riunisce sulla stessa piattaforma diversi sensori dedicati al
monitoraggio ambientale, quali ad esempio AATSR, MERIS e il gi citato ASAR, che operando
simultaneamente
1
, offrono interessanti possibilit di elaborazione dati.
Il radiometro avanzato AATSR (Advanced Along Track Scanning Radiometer) un sensore
passivo che consente di effettuare misurazioni precise della temperatura della supercie mari-
na, dei terreni e dellatmosfera con accuracy di 0, 3K o superiore, acquisendo dati nella banda
del visibile e dellinfrarosso termico (lunghezze donda comprese tra 0.55 e 12 m); in par-
ticolare, a causa della scarsa capacit di penetrazione dellinfrarosso termico, la temperatura
stimata si riferisce ad uno strato superciale di alcune decine di micron. Associando vari colori
ai differenti gradienti di temperatura dunque possibile ottenere una mappatura globale delle
temperature.
1
Larea di copertura di tali strumenti diversa e dunque non sempre, per una specica area, i dati sono
contemporaneamente disponibili.
32
CAPITOLO 3. ELABORAZIONE IMMAGINI 3.1. INTEGRAZIONE DATI
Nel caso specico tali dati possono essere utilizzati per distinguere gli oil slick dai look-alike,
grazie alla diversa capacit di riemettere lenergia solare assorbita sotto forma di energia ter-
mica. Nel caso degli oil slick, inoltre, lenergia termica riemessa funzione dello spessore del
lm di petrolio, il che consente di stimare la quantit di idrocarburi depositati in mare.
Tuttavia non sempre la temperatura del petrolio ha una differenza particolarmente marcata
rispetto a quella del mare circostante. Inoltre la risoluzione geometrica dellAATSR pari
al massimo ad 1Km, cio ogni pixel dellimmagine riporta la temperatura media di una zona
che si estende su una supercie di 1Km
2
, il che rende tale strumento utilizzabile solo nel caso
di sversamenti, reali o presunti, di dimensioni considerevoli.
MERIS (MEdium Resolution Imaging Spectrometer) uno spettrometro passivo che misura la
radiazione solare riessa dalla Terra ed in particolare la colorazione dei mari. Opera ad una
risoluzione spaziale di circa 300m con acquisizione simultanea in 15 bande spettrali, nel visi-
bile e nellinfrarosso vicino. Il colore del mare pu cambiare, tra le altre cose, al variare della
concentrazione del pigmento di clorolla della ora sottomarina. MERIS dunque in grado
di rilevare la presenza di concentrazioni di toplancton grazie alla loro attivit di fotosinte-
si clorolliana [34]. Tali dati possono essere utilizzati in associazione con le immagini SAR
per distinguere oil slick da banchi di toplancton, sebbene anche in questo caso la risoluzione
rappresenti un collo di bottiglia. Inoltre non sempre le immagini radar e ottiche sono contem-
poraneamente disponibili per una stessa scena, ad esempio a causa della presenza di formazioni
nuvolose.
Trasportato a borso dei satelliti NASA Earth Observing System (EOS) Terra e Aqua, MODIS
(MOderate Resolution Imaging Spectroradiometer) altres in grado di rilevare la presenza
di toplancton sulla supercie marina operando in 36 bande spettrali con lunghezze donda
comprese tra 0.4m e 14.4m [32]. La risoluzione spaziale, nelle bande utilizzate per ap-
plicazioni oceanograche, di 1Km, analoga, quindi, al sensore SeaWiFS (Sea-viewing Wide
Field-of-view Sensor) dedicato a questo tipo di applicazioni [31].
Le gure 3.1.1 illustrano formazioni di toplancton (di colore blu intenso) rilevate da MERIS
e MODIS nellOceano Atlantico settentrionale, al largo delle coste dellIrlanda e dellisola di
Terranova. Nelle immagini sono chiaramente visibili formazioni nuvolose che oscurano la zona
sottostante, mettendo in luce uno dei limiti di questo tipo di sensori.
33
3.2. PROCESSO DI ANALISI CAPITOLO 3. ELABORAZIONE IMMAGINI
(a) MERIS - Irlanda - 23.05.2010 (Fonte: ESA) (b) MODIS - Terranova - 9.10.2010 (Fonte: NASA)
Figura 3.1.1: Agglomerati di toplancton (in blu elettrico) rilevati da MERIS e MODIS
nellOceano Atlantico settentrionale
3.2 Processo di analisi
Per meglio capire in che modo possibile affrontare le problematiche relative alla detezione
degli oil slick, in questa sezione sar illustrato il processo di analisi ed elaborazione delle im-
magini. Si tenga presente che il framework presentato indicativo, in quanto ogni agenzia pu
gestire il complesso delle operazioni nel modo che ritiene pi opportuno sulla base dei risultati
degli studi scientici. A tal proposito bene sottolineare che a causa dei diversi data set di im-
magini utilizzati, un confronto dellefcacia delle tecniche proposte dalla comunit scientica
difcilmente attuabile.
In generale si possono distinguere 3 fasi operative, indicate in gura 3.2.1 dov altres messo
in evidenza il possibile utilizzo di eventuali dati ausiliari.
34
CAPITOLO 3. ELABORAZIONE IMMAGINI 3.2. PROCESSO DI ANALISI
Figura 3.2.1: Framework di elaborazione dati
3.2.1 Individuazione
Lindividuazione di oil slick nelle immagini radar pu avvenire mediante ispezione oculare e/o
tramite software. Lispezione oculare effettuata da un operatore che seleziona le immagini
contenenti zone scure, vi applica opportuni algoritmi di segmentazione e le assegna ad una
categoria che rappresenta la probabilit che la zona in esame sia un oil slick. Ci si basa unica-
mente sulle capacit e sullesperienza delloperatore che tuttavia pu, in alcuni casi, avvalersi
delluso di dati ausiliari, come ad esempio la velocit locale del vento o la posizione geograca
del presunto oil slick, provenienti da altri strumenti di misura, da database collegati o da post-
elaborazioni sulle stesse immagini SAR. evidente che questa fase pu essere affetta da errori
non sistematici legati alla non oggettivit del tipo di analisi. auspicabile che tali operazioni
siano effettuate, in misura sempre maggiore, da sistemi automatici o semi-automatici, sia per
loggettivit che offrono in fase di analisi, sia per la capacit di gestire ingenti carichi di lavoro.
A tale scopo sono stati proposti diversi algoritmi che affrontano il problema con approcci dif-
ferenti. Solberg[10], ad esempio, propone un algoritmo di rilevazione a soglia adattativa. La
soglia rappresenta il valore al di sotto della quale la zona in esame ritenuta scura. Una
nestra di dimensione opportuna scansiona limmagine a piccoli passi e valuta la luminosit
dei pixel rispetto alla soglia, impostata k dB al di sotto del valore medio del backscattering
locale (i.e. allinterno della nestra), dove k scelto in base alle condizioni di vento. La veloc-
it del vento pu essere impostata manualmente o, preferibilmente, in base ad unelaborazione
parallela dellimmagine SAR o di altri strumenti presenti a bordo del satellite (ad esempio uno
scatterometro), o ancora provenire dal database di un centro meteorologico. Tale processo af-
35
fetto da possibili errori, soprattutto nel caso in cui la texture dellimmagine (i.e. i dintorni della
zona scura) non omogenea, come avviene ad esempio in condizioni di vento particolarmente
sfavorevoli. In [11] stata proposta unulteriore modica di tale processo.
3.2.2 Estrazione delle caratteristiche
In questa fase vengono collezionate una serie di informazioni basate sia sulle coordinate ge-
ograche dellimmagine acquisita, sia su caratteristiche siche e geometriche della scena e
della zona segmentata. Tali caratteristiche sono utilizzate per calcolare la probabilit che la
zona scura sia un oil slick o un look-alike.
La presenza di piattaforme petrolifere nei dintorni della zona scura, ad esempio, fa aumentare
la probabilit che questultima sia limmagine di uno sversamento di petrolio.
Di seguito sono elencate alcune caratteristiche attualmente utilizzate in diversi centri di analisi.
Un elenco pi esaustivo si pu trovare in [11] e [18].
1. Caratteristiche siche
Distanza dalle piattaforme petrolifere pi vicine
Una mappatura delle piattaforme petrolifere esistenti utile alluopo.
Presenza di navi nei dintorni dellimmagine
Le navi sono visibili come punti brillanti nellimmagine SAR. Solberg[11] propone
un semplice algoritmo per la loro rilevazione automatica.
Velocit del vento
Valutata sulla base delle informazioni provenienti da uno o pi centri meteorologici
o in base a misurazioni effettuate dal SAR o da strumenti ad hoc.
Possibile presenza di toplancton
Alcune zone del mondo, ad esempio alcune aree del Nord Europa, offrono un am-
biente particolarmente favorevole alla proliferazione di alghe. Tale informazione
pu essere contenuta in un database ed elaborata in questa fase. Inoltre lutilizzo
di specici strumenti, quali ad esempio MERIS e MODIS, pu fornire indicazioni
dettagliate circa la presenza di plancton.
36
CAPITOLO 3. ELABORAZIONE IMMAGINI 3.2. PROCESSO DI ANALISI
Temperatura della supercie marina e del presunto sversamento
Indicativa della presenza di depositi di idrocarburi ed eventualmente del loro spes-
sore, in particolare di notte, come precedentemente illustrato.
2. Caratteristiche grache
Forma del segmento dimmagine
Alcune caratteristiche geometriche sono indicative del tipo di fenomeno osserva-
to. Ad esempio, zone scure dalla forma oblunga hanno una maggior probabilit di
essere dovute ad oil slick.
Regolarit dei contorni
Contorni regolari suggeriscono, generalmente, unelevata probabilit di essere in
presenza di oil slick. Contorni irregolari sono tipici di fenomeni naturali o di sversa-
menti non recenti (lm di petrolio spalmati sulla supercie marina dal vento o dalle
correnti marine). Un analisi della dimensione frattale del segmento opportuna in
questa fase.
Contrasto
il rapporto tra il valore medio di luminosit della zona scura e dellarea circostante.
Tale parametro pu essere fortemente condizionato dalla presenza contemporanea
di diversi fenomeni (es. petrolio e toplancton) e da condizioni di vento debole.
Omogeneit del background
Se i pixel nei dintorni della zona scura hanno una spiccata variabilit dei livelli
di grigio, la probabilit di non rilevare sversamenti o di avere falsi allarmi aumenta.
Lomogeneit del background pu essere valutata attraverso il PMR(Power to Mean
Ratio), ovvero il rapporto / della pi grande nestra contenente lo sfondo della
zona scura, dove la deviazione standard e la media dei livelli di grigio.
Omogeneit della zona scura
Pu essere valutata attraverso il PMR della zona scura.
Numero di zone scure
In condizioni di vento debole atteso un elevato numero di look-alike nellimmag-
ine. Con vento medio-forte la probabilit che una zona scura sia causata da uno
sversamento di petrolio aumenta.
37
Non sempre tutte le informazioni su elencate sono contemporaneamente disponibili. Con riferi-
mento ad Envisat, ad esempio, avverse condizioni meteorologiche possono rendere indisponibili
i dati dellAATSR ovvero le misure di temperatura della supercie marina.
Tutte le informazioni collezionate formano un vettore delle caratteristiche che svolge un ruolo
cruciale nella successiva fase di classicazione.
3.2.3 Classicazione
In questa fase si calcolano la probabilit che la zona scura rilevata sia un oil slick o un look-alike
sulla base delle informazioni collezionate nella fase precedente. A tal ne sono diverse le strade
che si possono intraprendere. Ad esempio, linformazione relativa alla presenza di piattaforme
petrolifere nei dintorni della zona in esame, pu essere inclusa nel computo delle probabilit a
priori e poi usare le altre informazioni per calcolare le probabilit a posteriori.
Una delle difcolt da affrontare in questa fase il peso da associare alle diverse caratteristiche
estratte, ovvero il modello da usare per la PDF (Probability Distribution Function) del vettore
delle caratteristiche. Uno strumento automatico di analisi dovrebbe essere in grado di valutare,
contestualmente alla fase calcolo, il peso delle varie informazioni disponibili cos come farebbe
un essere umano. A tal ne sono stati proposti anche approcci basati sullutilizzo di reti neurali.
Bisogna altres tenere presente che loccorrenza di look-alike molto pi elevata rispetto agli
oil slick: in base a ci la probabilit a priori che una chiazza scura sia un look-alike netta-
mente maggiore rispetto ad un oil slick. Tuttavia, classicare erroneamente un oil slick come
look-alike pu essere ritenuto un evento pi sfavorevole rispetto al commettere lerrore inverso.
Nellottica di mantenere bassa la probabilit di non rilevare oil slick, pu essere utile ribilancia-
re opportunamente le probabilit, sebbene ci comporti il rischio di ottenere un maggior numero
di falsi allarmi.
38
4 Geometria frattale
4.1 Introduzione
I frattali sono strutture geometriche dallaspetto frastagliato caratterizzate da speciche pro-
priet matematiche quali lautosimilarit (o invarianza di scala): osservando un frattale ad
ingrandimenti sempre pi spinti, laspetto dellimmagine resta sostanzialmente immutato. In
altri termini ogni dettaglio somiglia al tutto. Nel seguito di questo capitolo sar fornita una
caratterizzazione pi esaustiva dei frattali.
La propriet dellinvarianza di scala determina un legame molto stretto tra la Natura e i frattali.
Piante, ori, alberi, conchiglie, coste, terreni, montagne, nuvole, paesaggi e molto altro, pre-
sentano caratteristiche autosimilari. Numerosi esempi di frattali biomor si possono trovare nel
libro The fractal geometry of nature [3], di Benot Mandelbrot, matematico polacco consid-
erato il fondatore della geometria frattale.
In effetti fu Mandelbrot a vericare le straordinarie peculiarit di tale geometria e la sua capacit
di adattarsi bene a numerosi ambiti scientici.
Perch la geometria spesso denita fredda e arida? Un motivo risiede nella
sua incapacit di descrivere la forma di una nuvola, di una montagna, di una costa o
di un albero. Le nuvole non sono sfere, le montagne non sono coni, le linee costiere
non sono cerchi, la corteccia non piana e un fulmine non si propaga in linea retta
Mandelbrot - The fractal geometry of nature
Secondo Mandelbrot, quindi, i modelli storici della matematica non sono sufcienti per descri-
vere la Natura: la Natura frattale.
Fu lo stesso Mandelbrot a coniare il termine frattale che deriva dal latino fractus, ovvero spez-
zato, frastagliato, e ad utilizzarlo per la prima volta nel suo libro Gli oggetti frattali: forma,
39
4.1. INTRODUZIONE CAPITOLO 4. GEOMETRIA FRATTALE
caso e dimensione (1975).
Un esempio tipico di frattale biomorfo rappresentato dalla felce la cui fronda composta
da molte pinne che somigliano alla fronda stessa; ogni pinna a sua volta composta da di-
verse pinnule somiglianti alla pinna. La gura 4.1.1 mostra la ricostruzione al computer di una
felce ottenuta tramite un processo di iterazione, come meglio spiegato in seguito. Con lo stes-
so processo si potrebbe ottenere un albero i cui rami hanno una forte somiglianza con lintero
albero.
Figura 4.1.1: Ricostruzione frattale di una felce
Ci si potrebbe chiedere perch la Natura segua cos fedelmente le regole della geometria frat-
tale. Probabilmente una spiegazione da ricercarsi nella semplicit degli algoritmi che de-
scrivono frattali comunque complessi, come sar illustrato a breve: nelle loro evoluzioni le
entit naturali scelgono algoritmi semplici, replicando numerose volte i mattoni elementari che
le costituiscono.
Con la pubblicazione di The fractal geometry of nature linteresse della comunit scientica
verso i frattali crebbe rapidamente in virt del fatto che la geometria frattale dimostr di non
40
CAPITOLO 4. GEOMETRIA FRATTALE 4.2. RICHIAMI
essere soltanto una mera curiosit matematica. Bisogna tuttavia sottolineare che la Natura non
ha caratteristiche frattali in senso stretto, ma solo approssimate; negli oggetti reali linvarianza
di scala deve ovviamente arrestarsi a un certo punto, mentre solo negli oggetti matematici pu
sussistere a tutte le scale: ad esempio il numero di rami di un albero , ovviamente, limitato. Il
dettaglio e il tutto, inoltre, sono spesso simili solo in senso statistico.
La teoria matematica dei frattali, sebbene ancora in via di sviluppo, stata ampiamente trattata
nel corso degli ultimi 20 anni dai matematici di tutto il mondo. Tuttavia una trattazione ecces-
sivamente formale, appesantirebbe notevolmente questa esposizione facendo perdere di vista
gli aspetti pi squisitamente pratici e intuitivi di questa elegante teoria: il modo migliore per
trattare questi enti geometrici attraverso le loro propriet.
Per tale motivo in questo capitolo verr adottato un approccio top-down, cominciando col pre-
sentare alcune delle pi famose strutture frattali esistenti ed estrapolandone propriet valide
per un ampia gamma di frattali: si tenga per presente che molti frattali hanno caratteristiche
proprie non presenti in altri frattali.
4.2 Richiami
Dimensione topologica Prima di procedere utile richiamare il concetto di dimensione
topologica per mettere in evidenza un aspetto fondamentale della teoria dei frattali: il calcolo
della dimensione topologica di un frattale, quando possibile, porta a risultati poco signicativi.
Nella sezione 4.5 sar denita la pi appropriata dimensione frattale.
Sebbene i matematici si siano prodigati al ne di dare una denizione il pi possibile soddis-
facente di dimensione topologica, ricorrere al formalismo matematico esula dagli scopi di ques-
ta trattazione. Una denizione semplice ed intuitiva di dimensione topologica la seguente:
in un sistema di riferimento ssato, la dimensione topologica di un oggetto il numero di co-
ordinate necessarie per individuare univocamente un punto appartenente alloggetto. In altri
termini la dimensione delloggetto coincide col numero di vettori linearmente indipendenti che
lo descrivono, ovvero con la base dello spazio vettoriale in cui rappresentato. Essa quindi
sempre un numero intero:
dimensione 0 per un insieme totalmente sconnesso, composto cio solo da punti isolati
dimensione 1 per un insieme di dimensione D > 0 i cui estremi hanno dimensione 0
41
4.2. RICHIAMI CAPITOLO 4. GEOMETRIA FRATTALE
dimensione n per un insieme di dimensione D > n1 i cui estremi hanno dimensione n1
Gli esempi esposti in questo capitolo, mostreranno che tale denizione poco si addice al caso
delle strutture frattali.
Trasformazioni afni Unafnit (o trasformazione afne) fra due sottoinsiemi dello spazio
euclideo A e A
/
unapplicazione biettiva T che fa corrispondere al punto P = (x
1
, ..., x
n
) il
punto P
/
= (x
/
1
, ..., x
/
n
) secondo la formula:
_
_
x
/
1
= a
1
x
1
+a
2
x
2
+... +a
0
...
x
/
n
= z
1
x
1
+z
2
x
2
+... +z
0
(4.2.1)
dove a
0
, ..., a
n
, z
0
, ..., z
n
sono coefcienti reali. Lapplicazione biettiva se:
det
a
1
a
2
... a
n
...
z
1
z
2
... z
n
,= 0 (4.2.2)
La denizione data si pu facilmente estendere ad uno spazio n-dimensionale.
Si pu dimostrare che unafnit gode delle seguenti propriet:
trasforma rette in rette;
a rette parallele corrispondono rette parallele;
a rette incidenti corrispondono rette incidenti;
conserva il rapporto fra segmenti paralleli: in particolare al punto medio di un segmento
corrisponde il punto medio del segmento omologo.
In generale unafnit non conserva la forma delle gure. Infatti limmagine di un rettangolo
in generale un parallelogramma, cos come limmagine di una circonferenza unellisse.
Sono trasformazioni afni le rotazioni, le traslazioni, le riessioni e le omotetie.
Unomotetia una trasformazione geometrica dello spazio euclideo che dilata o contrae le
gure di un fattore k mantenendone invariate le forme.
42
CAPITOLO 4. GEOMETRIA FRATTALE 4.3. FRATTALI IFS
4.3 Frattali IFS
Si analizzer ora una particolare tipologia di frattali che, oltre ad essere particolarmente estesa
(ed estendibile), ben si presta a comprendere alcuni aspetti peculiari della teoria dei frattali.
Consideriamo un insieme di n trasformazioni (non necessariamente afni) del piano cartesiano
T
1
, ..., T
n
ed applichiamole allo stesso sottoinsieme A
0
del piano. Come risultato otterremo
una famiglia di n sottoinsiemi del piano cartesiano:
T
1
(A
0
), ..., T
n
(A
0
) (4.3.1)
Sia A
1
linsieme ottenuto come unione di questi sottoinsiemi.
A
1
= T
1
(A
0
) T
2
(A
0
) ... T
n
(A
0
) (4.3.2)
Applichiamo di nuovo le N trasformazioni 4.3.1 allinsieme A
1
cos ottenuto e consideriamo
lunione degli N insiemi immagine. Chiamiamo questo insieme A
2
. Iterando il procedimento si
ottiene la sequenza:
A
1
= T
1
(A
0
) T
2
(A
0
) ... T
n
(A
0
)
A
2
= T
1
(A
1
) T
2
(A
1
) ... T
n
(A
1
) (4.3.3)
...
A
k
= T
1
(A
k1
) T
2
(A
k1
) ... T
n
(A
k1
)
Ci si chiede ora se la successione di insiemi cos ottenuta converga ad un insieme F, dove
per convergenza si intende che, da un certo k in poi, non si notano cambiamenti apprezzabili
nellimmagine ottenuta.
Si pu dimostrare che se le trasformazioni T
i
sono delle trasformazioni afni, la successione
4.3.3 certamente convergente e linsieme F di convergenza si dice frattale. Spesso, data
questa propriet di convergenza, F viene anche detto attrattore e per esso vale la seguente:
F = T
1
(F) ... T
n
(F) n (4.3.4)
43
4.4. INSIEMI FRATTALI CAPITOLO 4. GEOMETRIA FRATTALE
ovvero continuando ad applicare lo stesso set di trasformazioni afni, la gura ottenuta non
cambia.
I frattali cos ottenuti si dicono IFS (Iterated Function Systems), in quanto ottenuti iterando un
insieme di trasformazioni.
La felce di g. 4.1.1 un esempio di frattale IFS; altri esempi sono il merletto di Koch e la
polvere di Cantor.
La denizione data mette in luce un aspetto spesso evidenziato anche da Mandelbrot durante
i suoi convegni: lapplicazione iterata di trasformazioni afni pu richiedere grandi capacit
di calcolo e dispendio di tempo. Per tale motivo lo sviluppo e la diffusione di computer con
potenze di calcolo sempre maggiori ha dato una spinta signicativa allo sviluppo della geome-
tria frattale, consentendo di applicare un numero elevato di trasformazioni e di visualizzarne i
risultati in tempi relativamente brevi.
Molto interessante dal punto di vista applicativo il problema inverso, ovvero: data unimmag-
ine possibile estrarne un sottoinsieme cui applicare iterativamente delle trasformazioni afni
ottenendo limmagine di partenza? Se ci possibile si pu, ad esempio, ottenere una forte
compressione di unimmagine digitale. Il problema, come si pu ben intuire, non , in generale,
di semplice soluzione e tuttoggi sono in corso studi approfonditi.
4.4 Insiemi frattali
Di seguito sono riportati alcuni esempi signicativi di insiemi frattali; si osservi che linsieme
di Mandelbrot e il occo di Koch non sono IFS.
Insieme di Mandelbrot Uno dei pi famosi, nonch uno dei primi frattali esistenti quello
ideato da Mandelbrot.
Dal punto di vista matematico un insieme di numeri complessi ottenuto attraverso un algorit-
mo descritto dalla seguente successione:
44
CAPITOLO 4. GEOMETRIA FRATTALE 4.4. INSIEMI FRATTALI
_
_
z
n+1
= z
2
n
+c
c C
z
0
= 0
(4.4.1)
Al crescere di n si ottiene una successione che, a seconda del valore di c, potrebbe divergere.
Con la condizione z
0
= 0 la successione diviene, infatti:
_
c, c
2
+c,
_
c
2
+c
_
2
+c,
_
(c
2
+c
2
) +c
_
2
+c, ...
_
(4.4.2)
Linsieme di tutti i valori di c per i quali la successione converge detto insieme di Mandel-
brot. Quindi linsieme di Mandelbrot altro non che un sottoinsieme dei numeri complessi.
Formalmente, indicando con M linsieme di Mandelbrot si pu scrivere:
M =c C/ n N, s R : [z
n
[ s (4.4.3)
Linsieme di Mandelbrot rappresentato in gura 4.4.1 ottenuta riportando sul piano comp-
lesso i valori di c che soddisfano la 4.4.3 (colorati di nero). Gli altri punti, non appartenenti
allinsieme M, sono riportati con colori differenti in funzione di quanto rapidamente fanno di-
vergere la serie. Nella gura sono stati riportati 4 ingrandimenti del frattale al ne di metterne
in evidenza lautosimilarit.
45
(a) (b)
(c) (d)
Figura 4.4.1: Insieme di Mandelbrot. I rettangoli bianchi evidenziano i vari ingrandimenti
(Fonte: Wikipedia).
Linsieme di Mandelbrot presenta una caratteristica comune ad unampia classe di frattali: un
algoritmo molto semplice (nello specico un polinomio quadratico complesso) in grado di
produrre forme geometriche estremamente frammentate e articolate.
Si osservi che praticamente impossibile determinare la dimensione topologica del contorno
dellinsieme di Mandelbrot: a prima vista esso sembra una linea spezzata chiusa, ma dopo alcu-
ni ingrandimenti si ritrova in esso linsieme di partenza, vanicando ogni tentativo di applicare
la denizione data al paragrafo 4.2.
Frattali di Von Koch Altri tipici esempi di frattali sono rappresentati in gura 4.4.2 e sono
curve continue ma non differenziabili.
Anche questi possono essere costruiti tramite algoritmi molto semplici.
46
CAPITOLO 4. GEOMETRIA FRATTALE 4.4. INSIEMI FRATTALI
Merletto di Koch
1. si parte da un segmento di lunghezza 1
2. si divide il segmento in 3 parti uguali
3. si elimina il segmento centrale e lo si sostituisce con 2 segmenti uguali a quello eliminato
disposti come in gura
4. per ogni lato si itera il procedimento partendo dal punto 2
Fiocco di neve di Koch
1. si parte da un triangolo equilatero con lati unitari
2. si applica lalgoritmo descritto per il merletto di Koch
(basta osservare che il occo di Koch un merletto di Koch chiuso su se stesso)
Si osservi che le iterazioni possono continuare no allinnito.
evidente che anche in questo caso rispettata la propriet di autosimilarit.
(a) Costruzione merletto di Von Koch
(Fonte: SciELO)
(b) Costruzione del occo di neve di Von
Koch (Fonte: Wikipedia)
Figura 4.4.2: Frattali di Von Koch
Si osservino ora i risultati cui conduce unanalisi basata sulla geometria classica.
facile osservare che, in entrambi i casi, la lunghezza dei lati data, ad ogni iterazione, dalla
seguente progressione geometrica:
47
_
1,
1
3
,
1
9
,
1
27
, ...,
1
3
n
_
(4.4.4)
Quando la costruzione effettuata no allinnito si ricava che la lunghezza dei lati tende a
zero:
lim
n
1
3
n
= 0
Si consideri ora il perimetro del occo di Koch.
Si pu dimostrare che alla (n+1)-esima iterazione il perimetro dato da:
P
n+1
= 3
_
4
3
_
n
Iterando lalgoritmo allinnito si ha:
lim
n
3
_
4
3
_
n
=
Quindi la somma di lati di lunghezza zero forma un contorno di lunghezza innito.
Valutando larea del occo di Koch si pu facilmente dimostrare che questa 1.6 volte pi
grande dellarea del triangolo equilatero di partenza. Quindi un perimetro innito sottende
unarea nita.
Ci suggerisce che relativamente ai frattali di Koch il concetto classico di lunghezza della curva,
e quindi di dimensione topologica, non ha senso ed quindi necessario introdurre un nuovo tipo
di dimensione.
Insieme di Cantor Anche linsieme di Cantor descritto da un semplice algoritmo simile
a quello usato per gli insiemi di Von Koch. Si parte da un segmento di lunghezza 1 (o da un
insieme compatto [0, 1]), lo si divide in 3 parti uguali e si elimina quella centrale. Per ognuno
dei segmenti ottenuti si effettua la stessa operazione. Iterando il procedimento allinnito si
ottiene linsieme di Cantor che, gracamente, ha laspetto di un insieme di punti, ma uno zoom
su uno di questi mostra che si tratta, in realt, di segmenti.
Essendo un insieme completamente non connesso pu essere descritto come unione disgiunta
di piccoli intervalli aperti ed ha dunque dimensione topologica pari a zero. Tuttavia evidente
che linsieme di Cantor occupa pi spazio di un insieme numerabile di punti.
48
CAPITOLO 4. GEOMETRIA FRATTALE 4.5. DIMENSIONE FRATTALE
Figura 4.4.3: Costruzione dellinsieme di Cantor (Fonte: Wikipedia)
4.5 Dimensione frattale
Gli esempi precedenti illustrano che il concetto di dimensione topologica per gli insiemi frattali
poco signicativo. Tuttavia molto utile poter associare alla gura in esame un numero che
ne identichi alcune caratteristiche.
Nel corso della storia della matematica sono state proposte differenti denizioni di dimensione,
utili a diversi scopi (in modo analogo sono state denite metriche molto differenti la cui utilit
ai ni pratici indubbia).
Per gli insiemi frattali la dimensione di Hausdorff-Besicovitch particolarmente appropriata.
A tal proposito Mandelbrot diede la seguente denizione di frattale:
Un frattale un insieme per il quale la dimensione di Hausdorff-Besicovitch
strettamente pi grande della dimensione topologica.
Mandelbrot - The Fractal Geometry of Nature
Il calcolo della dimensione di Hausdorff di una gura frattale porta spesso ad un risultato non
intero: i frattali hanno dimensione frazionaria.
Ancora una volta bene mettere in evidenza che la dimensione di Hausdorff ben diversa dalla
dimensione topologica e dunque questo risultato non deve sorprendere; la dimensione frattale
in effetti un indice del grado di irregolarit della gura in esame.
49
4.5. DIMENSIONE FRATTALE CAPITOLO 4. GEOMETRIA FRATTALE
La dimensione di Hausdorff-Besicovitch ha la fondamentale propriet di poter essere denita
per qualsiasi sottoinsieme; tuttavia, come evidenzi lo stesso Mandelbrot [3], tale dimensione
risulta essere poco utile allatto pratico, in quanto difcile da calcolare o stimare in modo di-
retto. Fortunatamente esistono diversi metodi per stimare la dimensione di Hausdorff, seppure
in modo approssimato, non applicando direttamente la denizione. bene sottolineare che il
calcolo della dimensione frattale operato con tecniche diverse pu condurre a risultati diver-
si: tuttavia spesso preferibile ricorrere a metodi approssimati quando luso di tecniche pi
accurate comporta complessit di calcolo eccessive.
Per completezza si riporta di seguito la denizione formale di dimensione di Hausdorff: per una
trattazione pi approfondita si rimanda a [2].
Sia F un insieme frattale contenuto in R
n
e sia U
i
una collezione numerabile di sottoinsiemi
non vuoti di R
n
di diametro 0 < [U
i
[ , tali da ricoprire F, i.e. F
i=1
U
i
. Sia inoltre
s 0, s R .
Si denisce misura di Hausdorff s-dimensionale di F la seguente quantit:
H
s
(F) = lim
0
inf
_

i=1
[U
i
[
s
_
(4.5.1)
dove lestremo inferiore calcolato al variare di tutte le possibili successioni U
i
.
Si pu dimostrare che la 4.5.1 generalizza il concetto di misura di Lebesgue e quindi di lunghez-
za, area e volume di un insieme. Esiste sempre una soglia critica per s al di sotto della quale la
misura vale innito e al di sopra vale 0; tale valore si dice dimensione di Hausdorff-Besicovitch
dell insieme F :
D
HB
(F) = inf
s
s : H
s
(F) = 0 = sup
s
s : H
s
(F) = (4.5.2)
Nonostante la difcolt nel calcolare la dimensione di HB usando le formule appena riportate, i
teoremi che ne derivano sono estremamente utili per ricavare caratteristiche generali e propriet
degli insiemi frattali.
possibile ad esempio dimostrare che un insieme totalmente non connesso, come quello di
Cantor, ha una dimensione frattale D
HB
< 1.
50
4.5.1 Dimensione di autosimilarit
Come precedentemente osservato anche molti oggetti della geometria classica godono della
propriet di autosimilarit. Ci pu essere sfruttato per generalizzare in modo semplice il con-
cetto di dimensione agli oggetti frattali.
Si considerino un segmento, un quadrato e un cubo con lunghezza, area e volume unitari, rispet-
tivamente. Il segmento pu essere suddiviso in N segmenti, simili a quello di partenza, di
lunghezza 1/N . Il quadrato pu essere diviso in M = N
2
quadratini di area pari a 1/N
2
. Il
cubo pu essere diviso in M = N
3
cubetti ciascuno con volume pari a 1/N
3
. In questi casi la
dimensione data dallesponente di N. In tutti e tre i casi stata usata unomotetia con un fat-
tore di scala pari a k = 1/N per ogni dimensione spaziale: per un generico oggetto dello spazio
euclideo di dimensione D, con un fattore di scala pari a k = 1/N si ottengono M = N
D
oggetti
simili a quello di partenza. Invertendo lultima relazione si ha:
D
sim
=
logM
logN
=
logM
log1/k
=
logM(k)
logk
(4.5.3)
dove M = M(k) il numero di gure autosimili ottenute attraverso unomotetia con fattore di
scala k.
La 4.5.3 fornisce una spiegazione molto intuitiva del concetto di dimensione frattale. Essa,
infatti, indica di quanto aumenta la misura del frattale quando si modicano le sue dimensioni
lineari: per un quadrato alterando le dimensioni lineari di un fattore la misura aumenta del
fattore
2
, per un cubo di un fattore
3
e per un frattale di dimensione frattale R la misura
aumenta di un fattore
.
Si applichi tale denizione al merletto di Koch. Come si pu osservare nella gura 4.4.2, la
curva ottenuta alliterazione 2 composta da 4 parti identiche a quella delliterazione 1 riscalate
di un fattore k = 1/3. La dimensione di autosimilarit , dunque, pari a:
D
sim
=
log4
log1/3
1.2619 (4.5.4)
Naturalmente si ottiene lo stesso risultato indipendentemente dalla particolare iterazione con-
siderata. Ad esempio la curva alliterazione 3 formato da 4 parti riscalate di k = 1/3 dellit-
51
4.5. DIMENSIONE FRATTALE CAPITOLO 4. GEOMETRIA FRATTALE
erazione 2, ovvero 16 parti identiche a quelle visibili alliterazione 1, riscalate di k = 1/9, che
conduce allo stesso risultato per D
sim
.
Tale risultato in linea con una visione intuitiva del merletto di Koch: esso un po pi di una
curva euclidea, ma non occupa lo spazio di una gura bidimensionale.
Con analogo procedimento semplice vericare che linsieme di Cantor ha dimensione:
D
sim
=
log2
log3
=0.631 (4.5.5)
Tale tecnica richiede dunque di individuare un generatore dellintero frattale, ovvero una porzione
da cui possibile ricavare lintero frattale. Ci certamente possibile per i frattali che godono
di autosimilarit stretta.
Bisogna tuttavia sottolineare che tale denizione, sebbene molto pi pratica della denizione di
dimensione di Hausdorff, non sempre coincide con questultima: noto che D
HB
D
sim
e che
spesso D
HB
= D
sim
, ma non sono noti criteri per stabilire a priori quando questo succede.
4.5.2 Dimensione di box counting
Si consideri un frattale che goda di autosimilarit solo in senso statistico (cfr. sezione 4.7). In tal
caso pu risultare arduo individuare un generatore del frattale per poter applicare la denizione
di dimensione per autosimilarit.
Il box counting il pi semplice metodo conosciuto per valutare la dimensione frattale e, nel
caso di oggetti dello spazio euclideo, essa coincide con la dimensione topologica.
Si consideri una regione di spazio occupata da un frattale e lo si ricopra con tanti box non
sovrapposti contenenti almeno un punto del frattale. Si ha:
N
b
() =C/
D
bc
(4.5.6)
dove
N
b
= numero di box (non vuoti) di diametro
D
bc
= dimensione di box counting
52
C = costante di proporzionalit
Si pu facilmente intuire che con tale metodo la misura risulti essere molto approssimata in
quanto probabile che vi siano box troppo grandi rispetto al numero di punti contenuti. Si
perviene dunque alla seguente denizione di dimensione di box:
D
bc
= lim
0
logClogN
b
()
log
= lim
0
logN
b
()
log
(4.5.7)
Dato il suo ampio utilizzo nei casi pratici, utile porre in evidenza che, com possibile
dimostrare, N
b
() pu essere uno qualsiasi dei seguenti:
1. il pi piccolo numero di insiemi di diametro massimo che ricoprono F;
2. il pi piccolo numero di palle chiuse di raggio che ricoprono F;
3. il pi piccolo numero di cubi di lato che ricoprono F;
4. il pi piccolo numero di insiemi di diametro massimo che ricoprono F;
5. il pi grande numero di palle disgiunte di raggio con centri in F.
La 4.5.7 pone in evidenza che una misura pi precisa della dimensione frattale si ottiene con
box innitesimi: in generale essa funzione della scala a cui valutata. Ovviamente non
detto che tale limite esista e in tal caso si devono considerare la dimensione di box inferiore e
superiore, relativi al limite superiore e inferiore.
La denizione di cui sopra fornisce una pratica interpretazione della dimensione di box. Il
numero di box (che possono essere segmenti, quadrati, cubi, sfere, palle...) che intersecano F
un indice dellirregolarit dellinsieme osservato alla scala . D
bc
dunque una misura della
rapidit con cui aumenta lirregolarit per 0.
Si osservi che, per gure autosimili, la dimensione di box counting coincide con la denizione
data di dimensione di autosimilarit.
Il problema di tale denizione che essa non dipende dal numero di punti contenuti nei box ma
soltanto dal numero di box, fornendo dunque informazioni molto limitate circa la distribuzione
dei punti appartenenti al frattale [5]. Ciononostante tale denizione ampiamente usata allatto
pratico grazie alla sua semplicit: per calcolare la dimensione di una gura piana, ad esempio,
53
4.6. PROPRIET CAPITOLO 4. GEOMETRIA FRATTALE
sufciente ricoprire completamente la gura con dei quadrati di diametro e valutare N
b
al
variare di ; si pu osservare che rappresentando log(N
b
) in funzione di log() si ottiene una
retta la cui pendenza proprio D
bc
.
Concludendo, si pu dimostrare che D
HB
D
bc
e in molti casi vale luguaglianza.
4.6 Propriet
I precedenti esempi consentono di delineare alcune propriet comuni a molti frattali esistenti
[2].
Struttura ne A qualsiasi scala di osservazione sono presenti dettagli dellinsieme
Irregolarit Laspetto frastagliato dellinsieme non ne consente lo studio con la geometria
classica
Autosimilarit Intesa in senso stretto, approssimato o statistico
Dimensione frattale Dimensione non intera strettamente maggiore di quella topologica
Ricorsivit Spesso linsieme denito con algoritmi ricorsivi molto semplici
Si osservi che la propriet di autosimilarit da sola non sufciente per denire un frattale. Per
rendersi conto di ci basta osservare che anche una retta euclidea gode di autosimilarit: infatti
estraendo N segmenti da una retta si pu notare che questi sono tutti simili tra loro e altres
simili alla retta. Tuttavia una retta un oggetto dotato di una spiccata regolarit e non necessita
di una nuova geometria (non euclidea) per essere descritta: in generale un frattale gode della
propriet di autosimilarit, ma non tutte le gure geometriche autosimili sono frattali.
4.7 Frattali aleatori
Nel corso della precedente trattazione si sempre fatto riferimento ad algoritmi deterministici
per ottenere insiemi frattali. Viene dunque naturale analizzare leffetto ottenuto utilizzando
algoritmi aleatori. I frattali desempio riportati nella sezione 4.4 possono essere resi aleatori: ad
esempio possibile decidere, ad ogni iterazione che i segmenti che formano il merletto di Koch
siano orientati verso lalto con probabilit p e verso il basso con probabilit q; limmagine 4.7.1
illustra il processo descritto.
54
CAPITOLO 4. GEOMETRIA FRATTALE 4.7. FRATTALI ALEATORI
Figura 4.7.1: Merletto aleatorio di Koch
Come si pu osservare il risultato ottenuto non gode di autosimilarit come nel merletto di
Koch di gura 4.4.2a, ma gode comunque di una certa autosimilarit: in tal caso si parla di
autosimilarit statistica.
Limportanza dei frattali aleatori dovuta alla loro stretta correlazione con la Natura nonch
con molte entit articiali. Osservando, ad esempio, una montagna si nota che essa gode di
una forte autosimilarit statistica: una qualunque sua parte, se fotografata in modo da eliminare
riferimenti utili a capire le reali dimensioni geometriche, indistinguibile dalla montagna intera
pur non essendo perfettamente identica.
4.7.1 Moti browniani
Il moto browniano (o processo di Wiener) deve il suo nome a Robert Brown, un botanico inglese
che nel 1827 osserv al microscopio alcune particelle di polline nel loro incessante cambia-
mento di posizione nel liquido, manifestantesi in modiche delle loro posizioni relative, ma
anche, e non infrequentemente, in un cambiamento di forma della particella stessa... [6].
Successivamente Brown osserv lo stesso fenomeno anche in altri ambiti. Ne seguirono vari
studi atti ad individuare la natura sica di tali movimenti e ad inquadrarli in una soddisfacente
struttura matematica. Una grossa spinta in tal senso fu data da Albert Einstein, che nel 1905
pubblic un interessante articolo sul moto browniano. Il fenomeno consiste in un contin-
uo moto di agitazione delle particelle, tanto pi vivace quanto pi le particelle sono piccole,
55
4.7. FRATTALI ALEATORI CAPITOLO 4. GEOMETRIA FRATTALE
causato dai continui urti tra le molecole del uido e le particelle in sospensione; a causa della
distribuzione e della frequenza degli urti, la risultante delle forze sulla particella non nul-
la, dando quindi luogo a spostamenti non predicibili [6]. Il moto di una particella inoltre
indipendente da quello delle particelle vicine.
Tracciando la traiettoria seguita da una di queste particelle si ottiene unimmagine frattale, la
cui aleatoriet dettata dalla natura sica del fenomeno illustrato. Tale traiettoria pu essere
formalmente vista come una funzione del tempo

(t) : R R
n
indicante la posizione della
particella al tempo t.
La gura 4.7.2 mostra due possibili rappresentazioni del moto browniano: in un caso come
curva parametrizzata rispetto a t e nellaltro come funzione al variare del tempo (tipica degli
andamenti nanziari e sovente utilizzata in tale ambito); in entrambi i casi limmagine che si
ottiene di tipo frattale.
(a) Simulazione di un percorso browniano in R
3
(b) Realizzazione di un processo browniano
Figura 4.7.2: Moto browniano (Fonte: Wikipedia)
Falconer [2] propone la seguente denizione di moto browniano.
Sia X(t) : R R il processo aleatorio unidimensionale che modella la camminata aleatoria di
una particella immersa in un uido.
1. Con probabilit 1, X(t) una funzione continua del tempo e X(0) = 0;
56
2.
Pr [ X(t +v) X(t) x] =
1
2v
u
2
2v
du (4.7.1)
t 0, v > 0 , ovvero il processo degli incrementi X(t + h) X(t) ha distribuzione
Gaussiana con media 0 e varianza v;
3. t
1
t
2
... t
k1
t
k
gli incrementi X(t
2
) X(t
1
), ... , X(t
k
) X(t
k1
) sono indipen-
denti e stazionari;
4. X(t) N (0, v) ( segue da 1. e 2.).
Dalla 3. discende che X(t) un processo Markoviano.
La gura 4.7.2b mostra una realizzazione del processo aleatorio descritto.
ora possibile estendere il processo browniano X(t) al caso n-dimensionale denendo il seguente
vettore:
X(t) = (X
1
(t), ... , X
n
(t)) (4.7.2)
dove i, X
i
(t) un processo browniano unidimensionale e X
1
(t
1
), ... , X
n
(t
n
) sono indipendenti
t
1
, ... , t
n
, dunque tale processo anche isotropo ovvero i, j, X
i
(t) e X
j
(t) presentano le stesse
caratteristiche.
immediato vericare la seguente uguaglianza:
Pr [X
i
(t +v) X(t) x
i
] = Pr [X
i
( (t +v)) X(t) x
i
] x
i
(4.7.3)
dove > 0. Infatti sostituendo nella 4.7.1 v con v e x con x
, il risultato non cambia (basta

porre v = u/
nellintegrale). Segue che i processi X(t) e

1
X(t) hanno la stessa dis-

tribuzione di probabilit, ovvero cambiando la scala temporale del fattore e la scala spaziale
del fattore
il processo che si ottiene indistinguibile da quello di partenza. In altri termini

il tracciato del moto browniano statisticamente autosimile.
Si pu dimostrare che un moto browniano in R
n
, n 2 ha dimensione di Hausdorff pari a 2 il
che evidenzia la forte irregolarit di tale frattale.
Una possibile ricostruzione di un moto browniano unidimensionale pu essere ottenuta attraver-
so la seguente espansione in serie di Fourier:
57
4.7. FRATTALI ALEATORI CAPITOLO 4. GEOMETRIA FRATTALE
X(t) =
1
C
0
t +
_
2
k=1
C
k
sinkt
k
(4.7.4)
con C
k
N (0, 1). Naturalmente nei casi pratici la sommatoria dovr essere opportunamente
troncata.
4.7.2 Moti browniani frazionari (fBm)
I moti browniani frazionari sono unestensione dei moti browniani ottenuti introducendo una
correlazione temporale tra le posizioni occupate dalla particella durante il suo spostamento,
ovvero facendo decadere lipotesi di indipendenza degli incrementi dei moti browniani (ipotesi
4.). Tale correlazione pesata attraverso un opportuno numero reale H (0, 1) detto indice di
Hurts.
Il nome fractional Brownian motion dovuto a Mandelbrot e Van Ness, che nel 1968 ne
fornirono una rappresentazione integrale in termini di moto browniano standard [8].
Un fBm unidimensionale B(t) un processo gaussiano continuo a media zero e funzione di
autocorrelazione pari a:
R
B
(t, v) = E [B(t) B(t +v)] =
1
2
_
t
2H
+(t +v)
2H
v
2H
t 0, v > 0 (4.7.5)
La 4.7.5 si ricava dalla seguente CDF del processo degli incrementi:
Pr [ B(t +v) B(t) b] =
1
2v
2H
u
2
2v
2H
du (4.7.6)
Si osservi che gli incrementi non sono indipendenti, tranne nel caso limite H =
1
2
per il B(t)
diviene un processo browniano standard. Inoltre B(t) non Markoviano, il che ne rende pi
complessa lanalisi e la sintesi. Tuttavia il fBm un modello applicabile ad una pi ampia
classe di problemi rispetto al moto browniano standard.
Da 4.7.5 e 4.7.6 derivano le seguenti propriet:
1. B(0) = 0 e E [B(t) = 0] t 0;
58
2. Gli incrementi B(t) B(t +v) sono stazionari e E
_
(B(t +v) B(t))
2
_
= v
2H
3. t, v 0 , B(t +h) B(t) B(t) (hanno la stessa distribuzione di probabilit);
4. B(t) ha varianza pari a E
_
B(t)
2
=t
2H
, t 0;
5.
1
B(t) B(t) con > 0 ovvero il graco di un fBm gode di autosimilarit.

Si pu dimostrare che il graco di una qualsiasi realizzazione di B(t) ha dimensione frattale
pari a D = 2H.
inoltre possibile vericare che per H >
1
2
il processo degli incrementi ha correlazione positiva
e viceversa: ci comporta che per H 1 il graco ha un andamento pi dolce, viceversa per
H 0 assume un andamento fortemente irregolare. Ci in accordo con quanto detto nella
sezione 4.5, infatti per H 0 la dimensione frattale del graco di B(t) tende a 2, cio tende ad
occupare tutto lo spazio a disposizione.
Una possibile generalizzazione dei moti browniani frazionari, sono i moti browniani mul-
tifrazionari, ottenuti utilizzando una funzione continua H(t) in luogo di un indice di Hurts
costante:
H : [0, ) (0, 1)
Per simulare un moto browniano frazionario possibile utilizzare la funzione di Weierstrass-
Mandelbrot, espressa dalla 4.7.7.
X(t) =
k=1
C
k
Hk
sin(
k
t +
k
) (4.7.7)
dove > 1, C
k
N (0, 1),
k
U (0, 2), con C
k
, C
j
e
k
,
j
indipendenti j ,= k.
Si pu dimostrare che una funzione cos costruita ha propriet statistiche simili a quelle di un
fBm.
4.7.3 Superci browniane frazionarie
Lestensione dei processi fBm al caso bidimensionale si ottiene, formalmente, sostituendo la
variabile temporale t con le coordinate spaziali (x, y). La variabile aleatoria B(x, y) cos ottenuta
59
4.8. MULTIFRATTALI CAPITOLO 4. GEOMETRIA FRATTALE
pu essere interpretata come laltezza di una supercie (frattale) valutata nel generico punto
(x, y). Lestensione della 4.7.6 di seguito riportata:
Pr [ B(x +v, y +r) B(x, y) z] =
1
_
2 (v
2
+r
2
)
H
u
2
2(v
2
+r
2
)
H
du (4.7.8)
La simulazione di superci browniane frazionarie pu essere ottenuta, anche in tal caso, at-
traverso la seguente funzione di Weierstrass-Mandelbrot, che generalizza la 4.7.7:
X(x, y) =
k=1
C
k
Hk
sin
_
k
(xcos
k
+ysin
k
) +
k
_
(4.7.9)
dove C
k
e
k
sono stati precedentemente deniti e
k
k
.
4.8 Multifrattali
Nel corso degli anni sono state messe in luce le enormi capacit della geometria frattale nella
modellazione e nello studio delle entit e dei fenomeni naturali. In diversi ambiti applicativi,
tuttavia, lutilizzo di un solo indice (la dimensione frattale) per descrivere le propriet di scala di
un insieme si rivelato fortemente inadeguato. Basti pensare ad un frattale ottenuto dallunione
di due o pi frattali con dimensione frattale diversa.
I multifrattali sono una generalizzazione dei frattali in cui la propriet di scala dellinsieme
non omogenea a tutte le scale. Una caratterizzazione soddisfacente di un tale insieme neces-
sita, quindi, di una distribuzione continua di dimensioni frattali. In letteratura esistono diversi
esempi applicativi legati alle generazione di insiemi con caratteristiche multifrattali, che evi-
denziano, tra laltro, che tale insiemi potrebbero non apparire autosimili, in quanto composti
da pi insiemi frattali indipendenti.
Esistono diversi metodi per descrivere lanalisi multifrattale. In questa sezione si fa riferimento
al metodo dei momenti e il calcolo dei parametri di base una generalizzazione del metodo
del box counting.
Si denisce funzione di partizione, anche detta momento di ordine q [27], la seguente quan-
tit:
60
CAPITOLO 4. GEOMETRIA FRATTALE 4.8. MULTIFRATTALI
(q, ) =
N
b
()
i=1
i
()
q
(4.8.1)
dove:
i
, in generale, una misura associata allinsieme frattale e, nel caso specico,
intesa come la probabilit di trovare un punto, appartenente allinsieme frattale,
nelli-esimo box (
i
() 1).
N
b
() il numero di box di lato in cui
i
> 0. Chiaramente N
b
1/.
q R detto ordine del momento ed ha il ruolo di pesare le varie parti computate: per
q > 0 vengono maggiormente pesati i box pi densi e, viceversa, per q < 0 sono i
box meno popolati ad inuire maggiormente sul calcolo.
Analizzando le propriet di scala di (q, ), in funzione di , per un insieme multifrattale
risulta:
(q, )
(q)
(4.8.2)
Si noti la somiglianza con la 4.5.6.
Dalla precedente relazione discende:
(q) = lim
0
log[(q, )]
log()
(4.8.3)
(q) si dice esponente di massa di ordine q. Il termine massa mutuato direttamente alla
teoria della misura. Si pu vedere
i
come una densit di massa, ovvero una distribuzione
locale (i.e. in ogni box) di punti dellinsieme, mentre un indice globale della distribuzione
di massa, ovvero della distribuzione dei punti sul supporto della misura.
Si denisce dimensione frattale generalizzata la seguente funzione:
D(q) =
(q)
q1
(4.8.4)
che una funzione monotona decrescente con un asintoto orizzontale per q . Nel caso di
insiemi monofrattali, invece, D(q) ha un andamento costante al variare di q.
61
4.8. MULTIFRATTALI CAPITOLO 4. GEOMETRIA FRATTALE
Sostituendo q = 0 nella 4.8.1 ed effettuando le dovute sostituzioni, facile vericare che D(0)
la canonica dimensione di box counting denita dalla 4.5.7.
D(1) e D(2) sono note in letteratura come, rispettivamente, dimensione di informazione e di-
mensione di correlazione. Si osservi che per q =1 la 4.8.4 conduce ad una forma indeterminata
e risulta:
D(1) = lim
q1
D(q) = lim
q1
lim
0
1
q1
log[(q, )]
log()
= = lim
0
N
b
()
i=1
i
() log[
i
()]
log()
(4.8.5)
Si denisce, poi, lesponente locale di H older:
(q) =
d
dq
(q) (4.8.6)
Si pu dimostrare che, per un insieme monofrattale, risulta
i
()
, cio indice della

propriet di scala dellinsieme in esame e, in particolare, = D [27].
Nel caso di un multifrattale, invece, tale indice non costante al variare della porzione dinsieme
analizzata, il che spiega laccezione locale conferita a tale parametro.
Sia N
() il numero di box in cui lesponente di H older compreso tra e +d. Si ha:

N
()
f ()
(4.8.7)
dove lesponente f () detto spettro multifrattale (o spettro di singolarit) ed legato alle
precedenti funzioni dalla trasformata di Legendre:
f () = q(q) (q) (4.8.8)
La relazione 4.8.7 generalizza la 4.5.7 introducento una distribuzione di indici per quanticare
le propriet di scala dellinsieme. Un insieme multifrattale pu essere suddiviso in una serie di
sottoinsiemi di indice , la cui dimensione frattale (dimensione di Hausdorff) f (). Quindi
lo spettro multifrattale comprensivo di tutte le dimensioni frattali associate ad ogni singolo
sottoinsieme che compone linsieme originario.
62
CAPITOLO 4. GEOMETRIA FRATTALE 4.9. APPLICAZIONI
Il graco di f () , per un insieme multifrattale, una funzione convessa con un massimo in
corrispondenza di q = 0 in cui assume un valore pari alla dimensione di box counting: f (
0
) =
D
BC
.
stato gi osservato che, nel caso dei frattali semplici, esiste un unico esponente , quindi, in
base allinterpretazione data per lo spettro di singolarit, risulta immediato che, per tali insiemi,
f () degenera in un punto.
4.9 Applicazioni
La geometria frattale indiscutibilmente lo stato dellarte nella modellazione e nello studio dei
fenomeni naturali.
La propriet dellinvarianza di scala implica che linformazione per costruire lintero insieme
tutta contenuta in una qualunque sua parte per quanto piccola essa sia, caratteristica di parti-
colare interesse in numerose applicazioni, ad esempio per la compressione e lelaborazione di
immagini digitali. Numerosi sono i campi in cui gi sono utilizzati gli strumenti della teoria dei
frattali: dalla biologia alla medicina, dalla meccanica alleconomia.
A titolo di esempio sono di seguito elencate alcune applicazioni nel campo dellICT:
Analisi e simulazioni geomorfologiche
Compressione di segnali vocali
Compressione di immagini digitali
Generazione di rumore aleatorio
Analisi e simulazione del trafco in rete
Antenne frattali
Crittograa
La teoria e gli strumenti multifrattali si presentano, inoltre, come una naturale estensione dei
frattali, che vi rientrano come caso particolare, sempre pi utilizzati nellambito dello studio e
della modellazione dei sistemi dinamici turbolenti.
Nel capitolo 5 illustrata unapplicazione dei concetti nora esposti allanalisi di immagini
radar, nalizzata alla corretta classicazione di oil slick e look-alike.
63
5 Analisi multifrattale: procedure e
risultati
5.0.1 Introduzione
In questo capitolo saranno illustrati i risultati delle analisi multifrattali condotte su contorni di
immagini simulate di dimensione frattale nota. I risultati mostrano che possibile discernere
gli oil slick dai look-alike, ancor pi che sulla base della dimensione frattale del contorno,
usufruendo di informazioni multifrattali e in particolare dello spettro multifrattale. La gura
5.0.1 pone a confronto lo spettro multifrattale dei contorni di due immagini simulate.
Levidente differenza fra i due spettri discende da quanto esposto nella sezione 4.8 ed una
conseguenza della diversa conformazione delle immagini analizzate: in un caso si tratta di
unimmagine delimitata da un contorno monofrattale, mentre nel secondo caso il contorno ha
propriet di scala multifrattali, come meglio specicato di seguito.
La natura multifrattale degli oil slick da ricercare nelle interazioni sico-chimiche fra il mare
e il petrolio, che inuenzano le caratteristiche frattali del contorno di questultimo in modo
disomogeneo a diverse scale di grandezza. Ci, che caratteristico dei sistemi dinamici tur-
bolenti, non avviene, o avviene in modo diverso, nel caso dei cali di vento a causa del diverso
tipo di interazione con la supercie marina che, in generale, determina caratteristiche pretta-
mente monofrattali dellimmagine telerilevata. Nel caso dei banchi di toplancton la questione
certamente pi delicata, in quanto anche questi possono essere inuenzati dalle turbolenze
marine. In tal caso sarebbe da indagare se la diversa natura sica del fenomeno determini anche
caratteristiche multifrattali differenti. Ulteriori analisi in tal senso sono dunque necessarie.
I risultati messi in luce nel presente elaborato sono relativi allanalisi tra oil slick derivanti dal-
lo sversamento in mare durante la navigazione e look-alike, di forma analoga, dovuti a cali di
vento.
65
CAPITOLO 5. ANALISI MULTIFRATTALE: PROCEDURE E RISULTATI
(a) Spettro di singolarit di un contorno monofrat-
tale (look-alike)
(b) Spettro di singolarit di un contorno multifrat-
tale (oil slick)
Figura 5.0.1: Confronto tra spettri multifrattali di immagini di natura differente. La diversa
natura delle immagini rende gli spettri totalmente differenti.
Misure di box= 8, 10, 15, 20, 25, 30, 45, 65, 85
Oltre alla naturale turbolenza del mare, gli sversamenti volontari di petrolio effettuati durante
la navigazione sono inuenzati da almeno due ulteriori fenomeni che contribuiscono alla deter-
minazione delle caratteristiche multifrattali delle immagini acquisite. Uno la forma oblunga
della macchia, indotta dal movimento stesso della nave, per simulare la quale stato utilizzato
un modello ottenuto dalla sovrapposizione di unimmagine frattale e di una gaussiana bidi-
mensionale, come meglio specicato nella prossima sezione. Laltro fenomeno lulteriore
turbolenza in mare generata dal movimento stesso della nave e dallattivit dei motori; in tal ca-
so, la complessit e la forte aleatoriet del fenomeno rendono particolarmente arduo lo sviluppo
di un modello appropriato e per tale motivo stato escluso dallambiente simulato: il modello
semplicato che ne consegue, rappresenta il worst case per lanalisi operata, lasciando presagire
risultati ancora migliori con lanalisi di scenari reali.
Il sistema di seguito presentato va concettualmente ad inserirsi, relativamente allo schema
illustrato nel capitolo 3, nella fase di estrazione delle caratteristiche.
66
5.0.2 Modelli e software utilizzati
I modelli utilizzati per la generazione delle immagini sottoposte ad analisi multifrattale, si
basano sulla funzione di Weierstrass-Mandelbrot (WM) che, come illustrato nel capitolo 4, ben
approssima frattali fBm che in diversi ambiti scientici sono utilizzati per modellare sistemi
turbolenti.
I codici per la generazione delle immagini, cos come quello per lanalisi multifrattale, sono
stati scritti in linguaggio IDL (Interactive Data Language)
(a) Supercie di Weierstrass-Mandelbrot con
parametro di Hurst pari a 0.7 da cui sono state
estratte le immagini usate nei test
(b) Immagine bidimensionale estratta tagliando la
supercie di WM con un piano orizzontale
(c) Contorno monofrattale sottoposto a test
Figura 5.0.2: Modelli usati per simulare contorni monofrattali
Per ottenere immagini con contorni monofrattali, rappresentanti look-alike dovuti a cali di ven-
to, sono state generate immagini frattali tridimensionali basate sulla WM, successivamente
tagliate da un piano orizzontale. Laltezza a cui sono stati effettuati i tagli stata di volta in vol-
ta scelta in modo da ottenere immagini di dimensioni non esigue; in tal modo stato possibile
operare, contestualmente allanalisi del software e allanalisi spettrale, una caratterizzazione del
range di box ottimale da utilizzare per il box counting.
67
Attraverso lutilizzo del software di image processing ENVI sono state poi ritagliate singole
regioni dinteresse (ROI, Region Of Interest), scelte prevalentemente in base alla forma e alle
dimensioni. In particolare sono state selezionate perlopi immagini dalla forma allungata, di
modo che i modelli utilizzati fossero paragonabili.
Per simulare oil slick originati da navi in movimento stato eseguito un processo analogo a quel-
lo precedentemente descritto, con la differenza che alla supercie di Weierstrass-Mandelbrot
stata sovrapposta una gaussiana bidimensionale con un un rapporto tra le deviazioni standard,
rispetto alle due dimensioni spaziali x e y, di almeno un ordine di grandezza.
(a) Supercie di Weierstrass-Mandelbrot con
parametro di Hurst pari a 0.7 sovrapposta ad
una supercie gaussiana 3D.
(b) Supercie bidimensionale estratta (c) Contorno multifrattale sottoposto a test
Figura 5.0.3: Modelli usati per simulare contorni monofrattali
Trattandosi di immagini binarie lestrazione del contorno stata relativamente semplice e nello
specico si fatto ricorso ad una procedura per lenfatizzazione dei contorni, nota come Sobel,
spesso utilizzata nellambito dellimage processing. Questa semplicazione ha consentito di
mantenere la concentrazione sugli aspetti pi specici dellanalisi multifrattale. Lapproccio
seguito nella stesura del codice , tuttavia, di tipo modulare il che consente di estenderne facil-
mente le capacit di analisi, facendovi precedere un modulo ad hoc per la creazione di maschere
binarie e/o per lestrazione dei contorni.
Ci spiega anche il motivo per cui non sono state effettuate analisi su immagini reali. Il proble-
ma, com facile intuire, nella gestione delle sfumature: la variazione del livello di intensit
68
del backscattering in prossimit dei bordi della zona scura (determinata principalmente dalla
risoluzione del sistema radar e da eventuali multilook applicati allimmagine), comporta che
i relativi pixel assumano valori corrispondenti a diversi livelli di grigio. Ci non previsto
dallalgoritmo implementato, il quale richiede, invece, che linput sia composto da maschere
binarie, ossia immagini che assumono solo due valori. Sarebbe stato, naturalmente, possibile
ottenere queste ultime applicando un semplice thresholding, ma la scelta della soglia gioca, in
tale contesto, un ruolo cruciale ed in generale funzione di diversi parametri di cui bisogna ten-
er conto. Per tal motivo si ritenuto inopportuno procedere ad una scelta arbitraria della soglia
onde evitare di inuenzare in modo imprevedibile lanalisi multifrattale ed ottenere risultati
fuorvianti.
5.0.3 Metodologia
Questa sezione presenta una panoramica dellimplementazione di quanto esposto nel capitolo
4.
Lanalisi dei dati stata supportata dai comuni strumenti di visualizzazione messi a disposizione
da software specici come IDL o Matlab.
Di particolare interesse sono risultati i seguenti output:
landamento del numero di box non vuoti N
b
in funzione delle misure di box usate, sia
numericamente sia attraverso graci log-log
la dimensione generalizzata D(q)
lo spettro multifrattale

()
lesponente di H older
la funzione

(q)

f
,
, le deviazioni standard di

() e (q)
A
d

f

area di dispersione, denita per avere un unico indice della dispersione di
()
La descrizione degli altri parametri computati qui omessa in quanto di interesse marginale
rispetto a quanto di seguito enucleato.
69
Nel seguito, per semplicit di esposizione, con box counting standard si far riferimento al
graco di log(N
b
) vs log(1/) e/o ai valori di dimensione frattale D
bc
= D(0), D
in f
= D(1).
Lanalisi per mezzo del box counting richiede di preimpostare un vettore di lati box contenente
la lunghezza, espressa in pixel, dei lati dei box da utilizzare nel corso dellanalisi. Ci neces-
sario in quanto non ovviamente possibile, nella pratica, utilizzare innite misure di box, n
possibile effettuare unoperazione di limite.
Per ricavare i parametri sopra indicati stata in primo luogo scansionata limmagine con box di
dimensione pressata, tenendo traccia, ad ogni iterazione, del numero di pixel appartenenti al
contorno dellimmagine nonch del numero di box non vuoti.
Ci ha permesso di procedere al calcolo della funzione di partizione (q, ), come espresso
dalla 4.8.1, in cui la funzione
i
() stata cos ottenuta:
i
() =
m
i
()
N
c
(5.0.1)
dove m
i
il numero di pixel, appartenenti al contorno frattale, contenuti nelli-esimo box e N
c
il numero totale di pixel del contorno.
Per il calcolo dellesponente di massa (q) stata adoperata una procedura di regressione
lineare, nalizzata al calcolo della pendenza della retta approssimante la costellazione di punti
generata dallandamento di log[(q, )] in funzione di log().
Per il calcolo di D(q) stata applicata direttamente la 4.8.4, tranne nel caso particolare q = 1
per il quale si applicata la 4.8.5, anche stavolta utilizzando una regressione lineare.
Le funzioni (q) e

() sono state ottenute sia applicando le formule riportate nella sezione
4.8, sia attraverso un metodo diretto, sintetizzato nelle 5.0.2 e 5.0.3, ad opera di Chhabra et.
al.[22]. Ci ha permesso di operare un confronto fra i due metodi di calcolo e di escludere che
eventuali comportamenti anomali fossero ascrivibili al calcolo della derivata 4.8.6.
f (q) = lim
N
1
lnN
N
i=1
i
()
q
ln[
i
()
q
] = lim
0
i
()
q
ln[
i
()
q
]
ln()
(5.0.2)
(q) = lim
N
1
lnN
N
i=1
i
()
q
ln[
i
()] = lim
0
i
()
q
ln[
i
()]
ln()
(5.0.3)
70
Il computo delle deviazioni standard
f
e
, e quindi di A
d
, stato effettuato in base ai valori
numerici di e

ottenuti con le 5.0.2 e 5.0.3.
Tutti i parametri sono stati trattati come dati di tipo double (64bit), in modo da ridurre gli errori
di approssimazione nonch per evitare fenomeni di overow.
5.0.4 Problema. Sliding grid
Un problema noto del metodo del box counting ben illustrato in gura 5.0.4 in cui rappre-
sentata una curva di Koch aleatoria cui sovrapposta la griglia di conteggio. Supponendo di
mantenere ssa questultima, si noti che se la parte utile dellimmagine non centrata ma, ad
esempio, spostata pi a sinistra, il numero di box non vuoti calcolati cambia.
(a) N
b
(
0
) = 10 (b) N
b
(
0
) = 13
Figura 5.0.4: Lo slittamento, orizzontale o verticale, della regione di interesse pu causare vari-
azioni nel conteggio del numero di box non vuoti.
0
una ssata misura di
box.
Tale errore, inoltre, pu manifestarsi in modo diverso a seconda della scala analizzata, ossia al
variare di , determinando un potenziale errore di stima della dimensione frattale.
Lanalisi multifrattale risulta, invece, meno sensibile a tale problema. In tal caso, infatti, a
differenza del box counting standard, il numero di box non vuoti pesa relativamente poco. Per
rendersene facilmente conto basta osservare che vale la 5.0.4 ed lunica espressione in cui
compare la quantit N
b
:
(q, ) =
N
b
()
i=1
i
()
q
=
+
i=1
i
()
q
, (5.0.4)
71
infatti i > N
b
,
i
() =
_
m
i
()
N
c
_
q
= 0.
In altre parole, ci che conta nellanalisi multifrattale la distribuzione di massa, ovvero
la distribuzione dei pixel. Inoltre, dalla 5.0.4 segue che se un gruppo di pixel si suddivide
in pi box, come indicato dai quadrati rossi in gura 5.0.4, il peso di tali pixel nel computo
totale, sar tanto pi esiguo quanto maggiore il numero N
c
di pixel del contorno e quanto
maggiore q. Viceversa, per q < 0 il problema accentuato, in quanto la massa extra dei pixel
disallineati rispetto alla griglia diviene non trascurabile (basta osservare che
m
i
()
N
C
< 1). La
minor accuratezza dei dati calcolati con q < 0 , infatti, un altro problema noto del metodo del
box counting [2; 21; 25].
Per ovviare al problema presentato si potrebbe utilizzare un algoritmo a griglia scorrevole,
scansionando limmagine ripetutamente e facendo variare, di volta in volta, la posizione della
griglia. Il valore minimo di N
b
e la relativa distribuzione di pixel m
i
, sono, tra quelli calcolati ad
ogni iterazione, i valori da utilizzare nelle successive fasi di elaborazione. Ci ha, tuttavia, un
costo computazionale non trascurabile, soprattutto per linguaggi interpretati come IDL. Per tale
motivo, nellambito di questa ricerca, si optato per non implementare un algoritmo a griglia
scorrevole.
In gura 5.0.5 sono illustrati, per via graca, i risultati dellanalisi multifrattale del triangolo di
Sierpinski utilizzando valori interi di q [5, 5]. Si pu notare come il graco di D(q), atteso
costante, ha una certa variabilit in corrispondenza dei valori negativi di q, cos come rivela
anche landamento di

(q) e dellesponente di H older (q).
Il triangolo di Sierpinski un frattale semplice, e di caratteristiche note, usato come riferimento,
nel corso di tutte le analisi, per vericare la correttezza degli algoritmi implementati.
5.0.5 Analisi dei dati
Uno dei primi fenomeni riscontrati nel corso delle analisi la forte dipendenza degli output dal
range di box utilizzato. Non sono state individuate, in letteratura, linee guida circa il dimen-
sionamento ottimale del range di box, pur risultando essere una parte critica dellanalisi, e per
tale motivo diverse analisi condotte, si sono concentrate proprio su tale aspetto.
72
(a) Spettro multifrattale. Nota: x-
range=1.5
(b) Dimensione generalizzata D(q)
(c)

(q) (d) Esponente di H older (q)
Figura 5.0.5: Analisi del triangolo di Sierpinski con q [5, 5] N
I valori negativi di q causano una dispersione non attesa delle grandezze calcolate.
Dimensionamento range di box: limite superiore Lanalisi dei dati ha mostrato che im-
portante mantenere entro un certo range il rapporto tra il diametro della zona utile dellimmag-
ine e la misura massima di box. In particolare stato riscontrato un buon comportamento dei
parametri di uscita utilizzando box di almeno un ordine di grandezza pi piccoli del diametro del
contorno, con risultati migliori, sia per il box counting standard, sia per lo spettro multifrattale,
con rapporti di scala dellordine di
1
16
1
12
.
73
Le gure 5.0.6 e 5.0.7 comparano gli spettri e il box counting standard delle immagini 5.0.2c e
5.0.3c. La tabella 5.0.1 sintetizza i risultati numerici dellanalisi.
(a) Spettro di singolarit di un contorno
monofrattale (oil slick)
(b) Spettro di singolarit di un contorno
multifrattale (look-alike)
Figura 5.0.6: Spettro multifrattale. Analisi effettuata usando un range di box correttamente
dimensionato
(a) Plot di N
b
vs di un contorno monofrat-
tale
(b) Plot di N
b
vs di un contorno multifrat-
tale
Figura 5.0.7: Box counting standard. Analisi effettuata usando un range di box correttamente
dimensionato
Il range degli assi x, y il medesimo in tutte le gure, tranne quando diversamente indicato,
cosicch un confronto graco possa essere immediato.
74
La differenza fra i due spettri evidente: il rapporto tra le aree di dispersione circa 1/25, quindi
un sistema automatico opportunamente tarato, sarebbe perfettamente in grado di discernere i
due fenomeni. Si noti che, utilizzando esclusivamente un range positivo per i valori di q, la
gura 5.0.6b non mostra la tipica forma convessa dello spettro multifrattale.
Il computo della dimensione di box counting corretto, con unerrore di circa
8
100
, rispetto alla
dimensione attesa, nel solo caso del contorno multifrattale.
In generale si osservato che il comportamento spettrale, al variare del range di box utilizzato,
molto pi stabile rispetto alla dimensione frattale, il che permette di discriminare gli oil slick
dai look-alike anche laddove la dimensione frattale non correttamente stimata.
Frattale semplice Multifrattale
Misure di box 8, 10, 13, 16, 20, 25, 30, 37, 45, 65, 85
Rapporto di scala 1/15 1/16
Ordine dei momenti q [0, 10] N
H 0.7
23.16 10
3
77.88 10
3
f
71.06 10
3
535.43 10
3
A
d
1.65 10
3
41.70 10
3
D
HB
1.3 1.3
D
bc
1.30 1.22
D
in f
1.32 1.23
Tabella 5.0.1: Analisi comparata effettuata usando un range di box correttamente dimensionato.
Dimensionamento range di box: limite superiore errato Le gure 5.0.8 e 5.0.9 mostrano
i risultati delle analisi condotte sulle medesime immagini di cui sopra, ma con un rapporto di
scala, tra la misura massima di box e il diametro dellimmagine, eccessivamente alto. I risultati
numerici sono organizzati in tabella 5.0.2.
75
monofrattale
multifrattale
Figura 5.0.8: Spettro multifrattale. Analisi effettuata usando un range di box mal dimensionato:
misura massima di box eccessiva.
(a) Graco di N
b
() di un contorno
monofrattale
(b) Graco di N
b
() di un contorno
multifrattale
Figura 5.0.9: Box counting standard. Analisi effettuata usando un range di box mal
dimensionato: misura massima di box eccessiva.
Come si pu osservare in gura 5.0.8a, lo spettro di singolarit del contorno monofrattale,
atteso molto concentrato intorno al valore

(
0
), mostra, invece, una dispersione addirittura
pi spiccata rispetto al modello di oil slick utilizzato. La relativa analisi del box counting
standard rivela un comportamento rumoroso dovuto al fatto che la propriet di invarianza di
scala delle immagini non viene esaminata in modo opportuno.
76
Misure di box 16, 26, 32, 40, 50, 60, 80, 100, 140, 180, 256
Rapporto di scala 1/5
H 0.7
127.78 10
3
35.54 10
3
f
366.19 10
3
237.99 10
3
A
d
46.79 10
3
8.46 10
3
D
HB
1.3 1.3
D
bc
1.49 1.13
D
in f
1.48 1.14
Tabella 5.0.2: Analisi comparata effettuata usando un range di box mal dimensionato
I valori di area di dispersione mostrano tuttavia che, in questo caso specico, un sistema au-
tomatico di discriminazione, in funzione della soglia impostata per A
d
, potrebbe comunque
rivelare in modo corretto lo sversamento di petrolio.
Per avere dei parametri di confronto, si faccia riferimento alla gura 5.0.10 e alla tabella 5.0.3
relativi allanalisi sul triangolo di Sierpinski: si noti, in tal caso, la bont dei risultati nonostante
si sia usato un rapporto di scala non ottimale.
Errori computazionali Gli spettri dei contorni monofrattali, si veda ad esempio le gure
5.0.6a e 5.0.10a, dovrebbero, sulla base di quanto esposto nella sezione 4.8, collassare in un
solo punto,

(
0
), pari al valore della dimensione di box counting. La spiegazione della leggera
dispersione dei valori intorno ad

(
0
) da ricercarsi nella natura inevitabilmente approssimata
delle analisi condotte.
In primo luogo si tenga presente che il dettaglio di rappresentazione delle immagini inferi-
ormente limitato dellaccuracy degli strumenti utilizzati e dalla quantizzazione dellimmagine;
ci implica che, cos come avviene per le strutture reali, lautosimilarit si presenta solo su un
range nito di scale ponendo una restrizione sulla misura minima di box utilizzabile (che in teo-
ria dovrebbe tendere a 0). Inoltre, limpossibilit di soddisfare la condizione q (, +), in
77
accordo con la teoria dei multifrattali, determina uno spettro multifrattale incompleto. Bisogna,
inne, considerare lerrore di approssimazione dovuto allutilizzo di una regressione lineare per
il calcolo dei vari parametri.
(a) (b)
Figura 5.0.10: Analisi del triangolo di Sierpinski da usare come riferimento.
Si noti come i risultati siano soddisfacenti, pur non usando un rapporto di scala
opportuno.
Triangolo di Sierpinski
Misure di box 16, 26, 32, 40, 50, 60, 70, 80, 100, 140, 180, 256
Rapporto di scala 1/4
28.39 10
3
f
39.95 10
3
A
d
1.13 10
3
D
HB
1.585
D
bc
1.564
D
in f
1.584
Tabella 5.0.3: Analisi del triangolo di Sierpinski.
78
Sierpinski Frattale 1 Frattale 2 Multifrattale 1 Multifrattale 2
Misure di
box
4, 8, 16, 22, 32, 40, 50, 60, 70, 80
Rapporto di
scala
1/13 1/15 1/12 1/14 1/14
Ordine dei
momenti
q [0, 10] N
H - 0.7 0.8
A
d
0.36 10
3
4.99 10
3
0.94 10
3
6.16 10
3
10.36 10
3
D
HB
1.585 1.3 1.3 1.3 1.2
D
bc
1.536 1.31 1.23 1.10 1.10
D
inf
1.547 1.33 1.24 1.10 1.10
Tabella 5.0.4: Analisi comparata tra diverse immagini. Frattale 1 potrebbe essere erroneamente
classicato come oil slick.
Dimensionamento range di box: limite inferiore Nel corso delle analisi stato osservato
che anche la misura minima di box deve essere correttamente dimensionata. Anche in tal caso
il dimensionamento va relazionato con una grandezza caratteristica dellimmagine, che nello
specico il singolo pixel ma, nel caso in cui limmagine analizzata avesse subto operazioni di
interpolazione o media, potrebbe essere un gruppo di pixel correlati. Come nel caso precedente,
un rapporto di scala di circa un ordine di grandezza parso opportuno e, per tale motivo, nelle
analisi precedentemente mostrate stata utilizzata una misura di box minima pari ad 8 pixel. Si
osservi, tuttavia, che i box pi piccoli scansionano le scale caratterizzate dalle irregolarit pi
ni dellimmagine e un dimensionamento poco oculato potrebbe escludere dallanalisi scale
contenenti informazioni multifrattali peculiari.
La tabella 5.0.4 sintetizza i risultati delle analisi effettuate su diversi contorni, monofrattali e
multifrattali, mettendo in luce un possibile errore di discriminazione: il valore di A
d
del primo
79
contorno monofrattale paragonabile allarea di dispersione dei contorni multifrattali. In tal
caso, in funzione della soglia impostata per A
d
, si potrebbe avere un falso allarme sulla presenza
di idrocarburi in mare.
Si tenga tuttavia presente che un simile errore generalmente ritenuto meno drammatico rispet-
to ad una mancata identicazione di un oil slick.
Si osservi, inne, che il valore di A
d
dei contorni multifrattali nettamente inferiore rispetto ai
casi precedentemente analizzati.
Dimensionamento range di box: numero di box Come ulteriore casistica, stato studiato
il comportamento dei dati di uscita al variare del numero delle misure di box utilizzate, ovvero
della lunghezza del vettore di box.
stato osservato che, fermo restando quanto precedentemente esposto circa le restrizioni sulla
scelta delle misure di box, i dati di uscita sono poco sensibili rispetto al numero di box usati
e, pur cambiando in termini assoluti, quasi sempre possibile distinguere correttamente un oil
slick da un look-alike.
Misure di box 8, 16, 32, 64, 85
Rapporto di scala 1/15 1/16
H 0.7
19.79 10
3
77.88 10
3
f
119.91 10
3
535.43 10
3
A
d
2.37 10
3
41.70 10
3
D
HB
1.3 1.3
D
bc
1.29 1.22
D
in f
1.33 1.23
Tabella 5.0.5: Risultati delle analisi con rapporto di scala opportuno e pochi box
80
Le gure 5.0.11 e 5.0.12 e la tabella 5.0.5 confermano quanto asserito. I dati sono direttamente
confrontabili con quelli in tabella 5.0.1. Un confronto graco pu essere effettuato anche con
lanalisi mostrata in gura 5.0.1 in cui stato utilizzato un range di box con i medesimi limiti
inferiore e superiore.
monofrattale
multifrattale
Figura 5.0.11: Analisi dello spettro multifrattale effettuata usando pochi box di misura massima
e minima come in tabella 5.0.1
(a) Plot di N
b
vs di un contorno monofrat-
tale
(b) Plot di N
b
vs di un contorno multifrat-
tale
Figura 5.0.12: Analisi del box counting standard effettuata usando pochi box di misura massima
e minima come in tabella 5.0.1
Ordine dei momenti Per concludere, si desidera mettere in luce unulteriore caratteristi-
ca dellanalisi multifrattale. In gura 5.0.13 riportato lo spettro di singolarit di un con-
81
torno multifrattale, nonch la funzione (q) e landamento dello spettro al variare di q, che
rappresentano, rispettivamente, lascissa e lordinata della 5.0.13a.
Landamento di

(q) mostra una variazione decisamente pi marcata per q 5. Si osservi
anche, nel graco di (q), il range di variabilit dei due insiemi di punti a destra e a sinistra di
q = 5, che un punto di esso della curva: anche in tal caso la maggior variazione dei valori si
ha per q 5.
Un esiguo range di valori di q sarebbe, dunque, inefcace per il sistema in esame, riducendo in
modo consistente la differenza tra gli spettri multifrattali e, di conseguenza, tra i parametri da
essi derivati.
multifrattale con H = 0.8
(b) f (q) (c) Esponente di H older
Figura 5.0.13: Studio dellordine del momento q. La maggior dispersione dello spettro dettata
dai valori di q > 4
82
5.0.6 Sintesi
In questo capitolo sono stati messi in luce limiti e potenzialit dellanalisi multifrattale applicata
alla discriminazione tra oil slick e look-alike nelle immagini radar. In particolare stato analiz-
zato il comportamento dello spettro multifrattale, sia da un punto di vista graco sia numerico,
al variare dei modelli frattali adottati, del range di box utilizzato e dellordine del momento.
stato computato un parametro sintetico, larea di dispersione, indice della dispersione dello
spettro, da utilizzare come possibile elemento discriminante allinterno di sistemi automatici di
classicazione. Sulla base delle analisi effettuate, un possibile valore di soglia, al di sopra del
quale limmagine pu essere classicata come oil slick, A
d
5 10
3
, ma prevedibile che
futuri upgrade del codice sviluppato tenderanno ad alzare tale valore riducendo la probabilit di
avere falsi allarmi.
Sono state fornite alcune linee guida per il dimensionamento ottimale del range di box da ad-
operare. Analisi comparate hanno evidenziato che la misura massima di box dovrebbe essere
circa 1216 volte pi piccola del diametro del contorno analizzato, mentre il box pi piccolo
devessere tale da contenere alcune decine di pixel, o gruppi di pixel, indipendenti, ovvero
non correlati per mezzo di operazioni di interpolazione o media.
83
6 Conclusioni e sviluppi futuri
In questo lavoro di tesi stata presentata una panoramica delle problematiche legate alla de-
tezione di elementi inquinanti depositati sulla supercie marina, principalmente, ma non esclu-
sivamente, sversamenti di petrolio. Nella prima parte sono state messe in luce le potenzialit
dei sistemi SAR in tale ambito, i quali offrono risoluzioni geometriche sempre pi spinte af-
ancate ad una copertura globale e ad unoperativit always on indipendente dalle condizioni di
luce e meteorologiche. Sono dunque stati evidenziati i fenomeni di ambiguit, nelle immagini
acquisite, causati da alcuni fenomeni naturali quali ghiaccio, cali di vento e banchi di alghe
(sinteticamente detti look-alike), i quali determinano un damping delle onde marine capillari,
associate alle frequenze risonanti di Bragg, paragonabile a quello prodotto da tensioattivi come
il petrolio.
Al ne di eludere tali problemi, stato sviluppato unalgoritmo specico, presentato e discusso
nel capitolo 5, basato sullanalisi multifrattale del contorno delle zone scure nelle immagi-
ni acquisite. Lanalisi multifrattale, sempre pi utilizzata in numerosi ambiti scientici, si
dimostrata particolarmente efcace per discernere gli sversamenti reali dai look-alike. Nello
specico stato evidenziato che lanalisi dello spettro multifrattale pu condurre a risultati sig-
nicativi anche laddove il grado di irregolarit dei contorni delle immagini dei due fenomeni
il medesimo e, dunque, unanalisi basata sulla semplice stima della dimensione frattale del
contorno, non risulta sufciente. Sono stati altres illustrati alcuni limiti del software imple-
mentato, anche al ne di indicare alcuni possibili sviluppi futuri. Nello specico auspicabile
implementare un algoritmo che risolva il problema dello slittamento della griglia di conteg-
gio. Ci determinerebbe il duplice vantaggio di ottenere stime pi precise della dimensione
frattale delle immagini analizzate e, contestualmente, di ridurre la dispersione dei parametri in
corrispondenza di q < 0. Ci offrirebbe, tra laltro, lopportunit di analizzare il comportamen-
to dello spettro multifrattale utilizzando range di q pi estesi, ovvero di ottenere uno spettro
multifrattale pi completo.
85
CAPITOLO 6. CONCLUSIONI E SVILUPPI FUTURI
Per un utilizzo concreto della tecnica illustrata necessario anteporre alla porzione di codice
specicamente relativa allanalisi multifrattale, un modulo ad hoc per la segmentazione di im-
magini radar, che permetterebbe di effettuare analisi direttamente su immagini reali, aprendo a
studi ed a sviluppi futuri di sicuro interesse pratico. Lanalisi di immagini reali relative a banchi
di alghe, ad esempio, potrebbe rivelare caratteristiche multifrattali peculiari di tali fenomeni,
consentendo di effettuarne una caratterizzazione utile per diversi scopi, non ultimo lo sviluppo
di modelli da utilizzarsi in ambienti simulati. In tale constesto, si osservi che il software svilup-
pato pu essere altres utilizzato in modo inverso, ossia per validare nuovi modelli sviluppati,
in particolare quelli inerenti i fenomeni turbolenti.
Per concludere, uno studio della probabilit derrore, in particolare la probabilit di falso al-
larme, si ritiene altres opportuno, anche per controllare leffettivo miglioramento di futuri
upgrade del software.
86
Bibliograa
[1] M. Frame, B. Mandelbrot, N. Neger, Fractal Geometry, Yale University.
[2] K. Falconer, Fractal Geometry: Mathematical Foundations and Applications, John
Wiley & Sons, Ltd., 2003.
[3] B.Mandelbrot, The Fractal Geometry of Nature, W.H. Freeman and Company, 1982.
[4] B. Mandelbrot, Gaussian self-afnity and fractals: Globality, the earth, 1/f noise and
R/S, Springer, 2002.
[5] J. Yadav, J. Bagla, N. Khandai, Fractal Dimension as a measure of the scale of
Homogeneity, 2010. doi:{10.1111/j.1365-2966.2010.16612.x}.
[6] C. Romagnino, L. Loy, Lo studio del moto browniano: un esame della prima teoria di
Einstein sullargomento, (Sezione A.I.F. di Cagliari), 1988.
[7] F. Biagini, B. ksendal, Y. Hu, T. Zhang, Stochastic Calculus for Fractional Brownian
Motion and Applications, Springer, 2008.
[8] B. Mandelbrot, J. V. Ness, Fractional Brownian motions, fractional noises and
applications, Society for Industrial and Applied Mathematics.
[9] C. Brekke, A. Solberg, Oil spill detection by satellite remote sensing, Remote Sensing
of Environment, 2004. doi:{10.1016/j.rse.2004.11.015}.
[10] A. H. S. Solberg, G. Storvik, R. Solberg, E. Volden, Automatic Detection of Oil Spills in
ERS SAR Images, IEEE Transactions on Geoscience and Remote Sensing, VOL. 37, N
4, 1999. doi:{10.1109/36.774704}.
[11] A. H. S. Solberg, C. Brekke, P. O. Husy, Oil Spill Detection in Radarsat and Envisat
SAR Images, IEEE Transactions on Geoscience and Remote Sensing, VOL. 45, N
3,
2007. doi:{10.1109/TGRS.2006.887019}.
Bibliograa
[12] G. Franceschetti, A. Iodice, D. Riccio, G. Ruello, R. Siviero, SARRawSignal Simulation
of Oil Slicks in Ocean Environments, IEEE Transactions on Geoscience and Remote
Sensing, VOL. 40, N
9, 2002. doi:{10.1109/TGRS.2002.803798}.
[13] M. N. Jha, J. Levy, Y. Gao, Advances in Remote Sensing for Oil Spill Disaster Man-
agement: State of the Art Sensors Technology for Oil Spill Surveillance, 2008. doi:
{10.3390/s8010236}.
[14] Franceschetti, Lanari, Synthetic Aperture Radar processing, CRC Press, 1999.
[15] ESA, ASAR Product Handbook, Issue 2.2, 2007.
[16] D. jin Kim, W. M. Moon, Y.-S. Kim, Application of TerraSAR-X Data for Emergent Oil-
Spill Monitoring, IEEE transactions on geoscience and remote sensing, VOL. 48, N
. 2 ,
2010. doi:{10.1109/TGRS.2009.2036253}.
[17] K. N. Topouzelis, Oil Spill Detection by SAR Images: Dark Formation Detection,
Feature Extraction and Classication Algorithms, Sensors (MDPI), 2008. doi:{10.
3390/s8106642}.
[18] K. Topouzelis, D. Stathakis, V. Karathanassi, Investigation of genetic algorithms contri-
bution to feature selection for oil spill detection, International Journal of Remote Sensing,
VOL. 30, N
3, 2009. doi:{10.1080/01431160802339456}.
[19] J. M. Redondo, A. Platonov, Oil spill detectione and prediction in the NW Mediterranean
Sea: new multifractal methods for SAR analysis, ESA SEASAR, 2006.
[20] A. M. J.M. Redondo A. Tarquis, A. Platonov, Multiscale analysis of SAR from the earth
surface, PolInSAR, 2009.
[21] A. Saa, G. Gasc, J. B. Grau, J. M. Antn, A. M. Tarquis, Comparison of gliding box
and box-counting methods in river network analysis, Nonlinear Processes in Geophysics,
VOL. 14, N
5, 2007.
[22] A. B. Chhabra, C. Meneveau, R. V. Jensen, K. R. Sreenivasan, Direct determination
of the f () singularity spectrum and its application to fully developed turbolence, The
American Physical Society - Physical Review A - General Physics, VOL. 40, 1989. doi:
{10.1103/PhysRevLett.62.1327}.
88
Bibliograa
[23] Y. XiaoDong, H. AiJun, Z. Yong, N. XinBao, Multifractal mass exponent spectrum of
complex physiological time series, Chinese Sci Bullettin, VOL.55, N
19, 2010. doi:

{10.1007/s11434-010-3276-3}.
[24] M.-G. Hu, J.-F. Wang, Y. Ge, Super-Resolution Reconstruction of Remote Sensing
Images Using Multifractal Analysis, Sensors, 2009. doi:{10.3390/s91108669}.
[25] Perfect, Tarquis, Bird, Accuracy of generalized dimensions estimated from grayscale
images using the method of moments, World Scientic, VOL. 17, N
3, 2009. doi:
{10.1142/S0218348X09004302}.
[26] H. Chen, X. Sun, H. Chen, Z. Wu, B. Wang, Some problems in multifractal spectrum
computation using a statistical method, NewJournal of Physics VOL.6, N
84, 2004. doi:

{10.1088/1367-2630/6/1/084}.
[27] D. Sornette, Critical Phenomena in Natural Sciences: Chaos, Fractals, Selforganization
and Disorder: Concepts and Tools , Springer, 2003.
89
Sitograa
[28] http://www.disasterscharter.org.
[29] http://www.batmath.it.
[30] http://www.esa.int.
[31] http://oceancolor.gsfc.nasa.gov/seawifs.
[32] http://modis.gsfc.nasa.gov.
[33] http://eo1.gsfc.nasa.gov/technology/hyperion.html.
[34] http://envisat.esa.int/handbooks/meris.
[35] http://www.nonlin-processes-geophys.net.
[36] http://www.mdpi.com/journal/sensors.
[37] http://www.dlr.de.
[38] http://www.asc-csa.gc.ca.
[39] http://www.jaxa.jp.
[40] http://www.asi.it.
[41] http://it.wikipedia.org.
[42] http://www.frattali.it.
[43] http://www.springerlink.com.
[44] http://www.sciencedirect.com.
[45] http://iopscience.iop.org.
[46] http://ieeexplore.ieee.org/.
[47] http://www.wolframalpha.com.
[48] http://www.scielo.br.
Escludendo IDL ed ENVI, che sono software proprietari, il lavoro svolto nello sviluppo di
questo progetto stato effettuato utilizzando software Open Source.
L
Y
X, un editor L
A
T
E
X, per la stesura dellelaborato.
OpenOfce Impress e Writer per slide e appunti vari.
Inkscape per la graca vettoriale.
Gimp e Shotwell per la graca raster.
XMind, un software di mappe mentali, per lorganizzazione dei dati.
Sono grato a tutta la comunit Open Source e Open Science, alla losoa Creative Commons
e alla cultura libera, simboli di una rivoluzione culturale in atto di cui sempre pi si avverte la
necessit.

Analisi Multifrattale Di Immagini SAR Relative A Zone Di Mare Inquinate Da Tensioattivi

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Analisi Multifrattale Di Immagini SAR Relative A Zone Di Mare Inquinate Da Tensioattivi

Caricato da

Copyright:

Formati disponibili

UNIVERSIT DEGLI STUDI DI NAPOLI

, il risultato non cambia (basta

nellintegrale). Segue che i processi X(t) e

X(t) hanno la stessa dis-

il processo che si ottiene indistinguibile da quello di partenza. In altri termini

B(t) B(t) con > 0 ovvero il graco di un fBm gode di autosimilarit.

, cio indice della

() il numero di box in cui lesponente di H older compreso tra e +d. Si ha:

area di dispersione, denita per avere un unico indice della dispersione di

19, 2010. doi:

84, 2004. doi:

Potrebbero piacerti anche