Segmentación y medición de fronteras en Imagenes de sensado remoto

MARINA CIPOLLETTI; CLAUDIO DELRIEUX; GERARDO PERILLO

Tandil, Buenos Aires, Argentina

Workshop; 2 da Escuela y Workshop de Ciencias de las Imágenes; 2009

Facultad de Ciencias Exactas. Univ. Nacional del Centro

La gran cantidad de imágenes digitales disponibles en el mercado, diversidad de formatos de almacenamiento y el fácil acceso a las mismas las convierten en un valioso recurso de información para la toma de decisiones. Asimismo el uso de ordenadores, posibilita la extracción automática de datos a partir de las mismas en forma no invasiva, proporcionando resultados sin contaminar el área de investigación. El primer paso en la toma de datos es la segmentación que permite separar la información visual relevante acerca de algún objeto o zona característica a estudiar del medio ambiente que lo rodea. Para ello se implementó un filtro basado en el concepto de distancia mínima que calcula el módulo de la distancia de cada pixel a un pixel prototipo o referencia cuya composición representa las cualidades del objeto que se desea segmentar.  En función de los resultados se construyó una imagen “Distancia” pseudocoloreada en escala de grises, se analizó su histograma y se determinó un valor umbral.  A partir de la imagen distancia y el umbral se calculó una imagen binaria cuyos pixeles blancos pertenecen al objeto y los pixeles negros conforman el fondo. El modelo utiliza una grilla cartesiana donde cada pixel posee una superficie cuadrada de lado ‘L’ y un valor ‘Y’ correspondiente a la intensidad de gris asociada al mismo. En el proceso de medición se implementaron y se analizaron tres métodos de cálculo de perímetros y áreas; bordes exteriores de los pixeles, chain code y marching squares. El método de cómputo más sencillo utiliza la imagen binarizada y calcula el perímetro como la sumatoria de los bordes exteriores de los pixeles y el área como la suma de superficies cuadradas, correspondientes a cada pixel perteneciente al objeto. Si bien es un algoritmo de implementación rápida, su precisión resulta fuertemente afectada por diferentes factores, siendo el principal de ellos la resolución de la imagen (L). Por otra parte, los errores en el perímetro y el área no permiten relacionar ambos datos. El algoritmo chain code, también utiliza la imagen binarizada y considera el perímetro como una “cadena” o cinta que envuelve internamente  al objeto moviéndose de un centro a otro de los pixeles frontera. Luego el área resulta de la suma de cuadrados y triángulos encerrados por el perímetro. La  precisión de este procedimiento es mayor que en el método anterior, no obstante la resolución de la imagen, la forma, la orientación y principalmente objetos de  dimensiones muy pequeñas resultan fuente de error en el cómputo. En general, las soluciones obtenidas proporcionan resultados menores al valor real y la frontera del objeto no coincide con la del fondo por rodear al objeto desde su interior. El algoritmo marching squares aprovecha información adicional que se pierde en el umbralizado, analiza los pixeles de la frontera y calcula los puntos del perímetro en función de los datos de distancia y el valor de umbral elegido. El cálculo del área resulta de la suma de polígonos que forman el objeto. El costo computacional es mayor pero su precisión se independiza notablemente de factores como la resolución, orientación, forma y tamaño del objeto. Los resultados obtenidos se encuentran en el orden de los datos reales y permite  relacionar los datos de perímetro y área por tener un error asociado comparable.