Procesamiento inteligente de imágenes para detección remota

CIPOLLETTI, M.P.; PICCOLO, M.C.; DELRIEUX, C.; PERILLO, G.M.E.

Buenos Aires

Workshop; ECIMAG 2008.; 2008

ECImag

El procesamiento de imágenes de detección remota aplicado al estudio de las propiedadesgeomorfológicas, orográficas y físicas de diversas regiones geográficas es de suma importancia,dado que constituye la única modalidad de detección no invasiva disponible.El objetivo del trabajo es presentar un procesamiento inteligente de imágenes donde se deseaalcanzar una clasificación robusta no supervisada que permita reconocer, cuantificar y modelar losdiferentes fenómenos naturales que se observan en un área geográfica, para luego extrapolarpatrones geodinámicos que sean aplicables a otras zonas del planeta de similares características.El área de estudio es el estuario de Bahía Blanca y las lagunas localizadas en el sudoeste de laprovincia de Buenos Aires. Esta área es de una gran riqueza por su biodiversidad, el diferente usodel suelo, las diversas geoformas presentes que indican procesos geomorfológicos específicos quelas originaron, etc.Se desarrollaron herramientas computacionales para la detección, segmentación, descripción yclasificación no supervisadas de diferentes accidentes geográficos en la zona de estudio, utilizandoimágenes temáticas LANDSAT. Si bien estas imágenes satelitales no representan el óptimo decalidad y de resolución geoespacial, su disponibilidad y costo las hace accesibles para la granmayoría de los institutos de investigación. Además, los métodos que se desarrollaron sonclaramente aplicables en imágenes pasivas de cualquier otro tipo de misión satelital e incluso enimágenes aéreas.La herramienta realiza diferentes etapas. Se comienza con la construcción de una función dedistancia multidimensional, que consiste en evaluar una distancia generalizada en el espaciocromático de las 6 bandas, entre cada pixel de la imagen y un valor de referencia (ground truth)para el target que se desea estudiar (por ejemplo lagunas o canales de marea). En el segundo pasose clasifica cada pixel por medio de un umbral computado en el histograma de las distancias(usualmente un clasificador Bayesiano). Esto permite una segmentación superresolución decontornos e interiores basada en el algoritmo de marching squares. Finalmente sobre las áreas ycontornos clasificados se encuentran descriptores que permiten un ulterior reconocimiento depatrones. Además de los descriptores usuales (perímetro y área) y los derivados (factor de forma,curl, etc.) se utilizó la dimensión fractal box del área y la dimensión fractal del compás delperímetro. Estas dos últimas técnicas, además de permitir una clasificación más rica en términoscualitativos de los accidentes geográficos, permiten una medición subpixel mucho más precisatanto del área como del perímetro de los mismos.