Procesamiento Inteligente de Imágenes para Detección Remota

MARINA CIPOLLETTI; M. CINTIA PICCOLO; CLAUDIO DELRIEUX

Buenos Aires, Argentina

Workshop; 1ra Escuela y workshop de ciencias de las imágenes - Ecimag; 2008

Facultad de Ciencias Exactas Y Naturales Univ. Buenos Aires

El procesamiento de imágenes de detección remota aplicado al estudio de las propiedades geomorfológicas, 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 desea alcanzar una clasificación robusta no supervisada que permita reconocer, cuantificar y modelar los diferentes fenómenos naturales que se observan en un área geográfica, para luego extrapolar patrones 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 la provincia de Buenos Aires. Esta área es de una gran riqueza por su biodiversidad, el diferente uso del suelo, las diversas geoformas presentes que indican procesos geomorfológicos específicos que las originaron, etc. Se desarrollaron herramientas computacionales para la detección, segmentación, descripción y clasificación no supervisadas de diferentes accidentes geográficos en la zona de estudio, utilizando imágenes temáticas LANDSAT. Si bien estas imágenes satelitales no representan el óptimo de calidad y de resolución geoespacial, su disponibilidad y costo las hace accesibles para la gran mayoría de los institutos de investigación. Además, los métodos que se desarrollaron son claramente aplicables en imágenes pasivas de cualquier otro tipo de misión satelital e incluso en imágenes aéreas. La herramienta realiza diferentes etapas. Se comienza con la construcción de una función de distancia multidimensional, que consiste en evaluar una distancia generalizada en el espacio cromático 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 paso se clasifica cada pixel por medio de un umbral computado en el histograma de las distancias (usualmente un clasificador Bayesiano). Esto permite una segmentación superresolución de contornos e interiores basada en el algoritmo de marching squares. Finalmente sobre las áreas y contornos clasificados se encuentran descriptores que permiten un ulterior reconocimiento de patrones. 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 del perímetro. Estas dos últimas técnicas, además de permitir una clasificación más rica en términos cualitativos de los accidentes geográficos, permiten una medición subpixel mucho más precisa tanto del área como del perímetro de los mismos.