Por Umberto Amato, Maria Francesca Carfora y Paolo Colandrea, publicado en ERCIM News, European Research Consortium for Informatics and Mathematics, Num 73, Abril 2008

Wagrit El proyecto WAGRIT (Web for AGRIculture and environmenT) fundado por la Agencia Espacial de Italia, ha desarrollado algoritmos para la clasificación y segmentación de imágenes censadas remotamente. El objetivo es proporcionar una aplicación cliente- servidor de internet para el monitoreo agrícola de las áreas cultivadas, utilizando imágenes de alta resolución espectral censadas remotamente. Uno de los avances mas importantes en la ultima década es la disponibilidad de sensores multi-espectrales e híper-espectrales, capaces de medir la radiación emitida por la superficie de la tierra en varias bandas espectrales estrechas.

Línea espectral Una línea espectral es una línea oscura o brillante en un espectro uniforme y continuo, resultado de un exceso o una carencia de fotones en un estrecho rango de frecuencias, comparado con las frecuencias cercanas. Cuando existe un exceso de fotones se habla de una línea de emisión. En el caso de existir una carencia de fotones, se habla de una línea de absorción. El estudio de las líneas espectrales permite realizar un análisis químico de cuerpos lejanos, siendo la espectroscopia uno de los métodos fundamentales usados en la astrofísica, aunque es utilizada también en el estudio de la Tierra.

Usos y aplicaciones Un uso importante para los datos de las imágenes censadas remotamente, es el del monitoreo de la tierra con diversas aplicaciones, tales como la deforestación, campos utilizados en la agricultura, incendios forestales entre otros. Otra aplicación incluye la clasificación y la segmentación de la tierra, donde se monitorean las áreas urbanas. Una gran cantidad de información se puede extraer de estas imágenes y se aplica, por ejemplo, en el monitoreo de las condiciones del suelo, la gestión de cultivo o el mapeo del uso de la tierra.

Limitantes La eficacia de las técnicas de clasificación uni-variado aplicados a los datos multi-espectrales es a menudo obstaculizada por presentar la información redundante o irrelevante en el conjunto de datos multi-variantes. El procesamiento de un gran número de bandas puede resultar en un error de clasificación más alta que procesar un subconjunto de las bandas específicas, sin redundancia, si la multi-espectralidad no ha sido tomada en cuenta correctamente.

Segmentación El procesamiento de imágenes también tiene la función de detectar limites y localizaciones. El procesamiento es capaz de identificar segmentación: la imagen se divide en regiones homogéneas que se estima que corresponden a las unidades estructurales de la escena, y los bordes a ser detectados son calculados para corresponder con los contornos de estas unidades. En algunos casos, la segmentación se puede realizar utilizando múltiples imágenes originales de la misma escena

Las principales funciones de WAGRIT Acceso autenticado a los datos y servicios a través de Intranet/Internet Multi-plataforma de aplicaciones de cliente Manejo y navegación de datos rasterizados, datos de tipo GIS Recuperación de archivos centralizados Procesamiento centralizado de datos en el servidor Manejo de datos y edición en el lado del cliente Visualización simultánea de hasta cuatro imágenes y operaciones sincronizadas (pan, zoom, etc.)

Las principales funciones de WAGRIT (2) En particular, el proyecto ha abordado la cuestión de la clasificación supervisada sobre la base de métodos estadísticos y de segmentación de la tierra. Representación RGB de una imagen MIVIS (Espectrómetro de imagen multi-espectral infrarrojo y visible) (izquierda) y el correspondiente áreas de cultivo clasificados por WAGRIT (derecha).

El problema de segmentación de imagen Se utiliza una formulación variacional para combinar los procesos de colocación de borde y de suavizar la imagen. Usando las técnicas clásicas de detección de bordes (Marr-Hildreth, Canny y sus variantes), separó estos procesos: la imagen es primero suavizado para eliminar el ruido y el control de la escala, y los bordes son detectados posteriormente, por ejemplo, con el gradiente máximo.

Detección de bordes en imágenes en escala de grises: Marr- Hildreth Los pasos a seguir son: Aplicar un filtro Gaussiano. Calcular el Laplaciano de la imagen resultante. Determinar los píxeles de “paso por cero”. Más información aquíaquí

Algoritmo de Canny Se basaba en tres criterios, estos son: Un criterio de detección expresa el hecho de evitar la eliminación de bordes importantes y no suministrar falsos bordes. El criterio de localización establece que la distancia entre la posición real y la localizada del borde se debe minimizar. El criterio de una respuesta que integre las respuestas múltiples correspondientes a un único borde. Más información aquíaquí

El problema de segmentación de imagen (2) Una consecuencia de este enfoque se manifiesta en la distorsión de los bordes, especialmente en lugares de alta curvatura. Las esquinas tienden a retraerse ya ser suavizadas, la conexión de los bordes en forma de T se pierden. Mediante la introducción de la interacción entre la colocación y suavizar el borde, este efecto podría ser arreglado.

Gracias por su atención.