Clasificación de cultivos y tipos de suelo

Objetivo

Reconocimiento de los diferentes tipos de terreno en una fotografía aérea:

Observaciones

• Los diferentes tipos de terreno se aprecian a simple vista en diferente color. Ésta es la información que el sistema debe ser capaz de detectar y segmentar libre de ruidos.
• En particular, deben ser diferenciados claramente los diferentes tipos de cultivo, vegetación, las zonas úrbanas, el agua, etc.

El problema

La siguiente figura muestra una ampliación de la zona superior central de la imagen: en ella se observan las diferentes regiones que, a simple vista, parecen quasi-homogéneas, con contornos bien definidos y fáciles de identificar por el ojo humano.

Pero si se amplia la escala al nivel del píxel aparece el verdadero problema al que se enfrentan los sistemas informáticos de detección:

Las regiones que, en un contexto global, parecían homogéneas y separables se han convertido, en un contexto local o de píxel, en nubes informes de puntos de diferentes colores que se confunden las unas con las otras. Los contornos han desaparecido y en una misma región aparecen colores o medias propios de otros objetos. ¿Cómo identificar contornos en estas circunstancias?

Una clasificación de píxeles a partir de medias y varianzas es totalmente impracticable debido a que el gran nivel de ruido de la imagen invalidaría los resultados. Más aún, una clasificación no da información semántica sobre los objetos detectados, sólo información estadística sujeta a un margen de error importante.

Nota: la “clasificación” de píxeles es un sistema habitual para la asignación de etiquetas en imágenes aéreas. Dada una serie de medias y varianzas conocidas que hacen de modelo de los diferentes cultivos, y una medida de distancia que proporciona la similitud entre un píxel dado y esos modelos, se asigna a cada píxel de la imagen la etiqueta del modelo cuya distancia a ese píxel es menor.

La solución

Las siguientes figuras muestran los resultados obtenidos de las pruebas de segmentación mediante los algoritmos de reconocimiento automático de formas de Imagiam.

• La columna de la izquierda representa áreas de la imagen original y la de la derecha los resultados correspondientes al análisis de esa zona.
• Cada región, cultivo o parcela detectada se dibuja con un color diferente.
• Todos los resultados han sido obtenidos sin intervención humana en ningún momento. Es decir, el procesado de la imagen ha sido totalmente automático. El sistema de detección toma como entrada la columna de la izquierda (“input”) y genera como salida la columna de la derecha (“output”) de manera limpia e inmediata.

Conclusiones

• Hay una equivalencia semántica entre los objetos detectados y el contenido de la imagen original. Es decir, las regiones detectadas se corresponden efectivamente con el contenido real de la imagen.
• Los algoritmos utilizados son robustos frente al ruido de la señal y proporcionan contornos bien definidos, incluso en áreas de baja definición de los mismos.
• El sistema de segmentación parcela la imagen de forma correcta. Es decir, el algoritmo actúa como etapa de reconocimiento inteligente que permite pasar de una imagen entendida como “matriz rectangular de píxeles” a otra entendida como “conjunto de objetos que constituyen la imagen”.
• Estos objetos pueden ser manipulados y gestionados a un nivel de comprensión similar al que interpreta el sistema visual humano, abriendo el camino o sistemas de alto nivel que buscan y analizan la imagen como lo harían el ojo y cerebro humanos.