Sistema de Procesamiento Digital de Imáge=
nes Satelitales
para Cálculo de Áreas de Interés.
System of Digital Processing of Satellite Images for Calculation of
Interest Areas.
=
José Luis Tinajero L=
eón.
This Currently, there are
several software that allow digital image processing, its deficiency lies in
the high costs of its license. This article proposes the Digital Processing=
of
Satellite Images through an analysis based on artificial vision techniques
through the development of a GUIDE in Matlab (<=
span
class=3DSpellE>MATrix LABoratory) in whi=
ch
various operations are performed on a satellite image, the original image is
decomposed into its various color matrices, the developed application allows
the selection of the area of interest in an interactive way for easy
preprocessing of the image in which the application of logical operations a=
nd
filling of contours is considered, in addition the image segmentation is
carried out including automatic processes and manuals of the Matlab tool, a final stage shows the approximate valu=
e of
the study area prior to the processing formed by the filtering and edge
detection stage. The results allowed to determine that while the Otsu method
does not discriminate isolated areas of the image and considers them as par=
t of
the area of interest on which the calculation of the area will be made, the
manual tuning process to find the threshold of the image discriminates those
isolated areas that do not belong to the area improving the calculation of =
the
area of interest.
Keywords: Satellite, Satelital Image, Digital Image Processing, GUIDE, Matlab.
Resumen.
En la actualidad existen varios softwares que permiten realizar
procesamiento digital de imágenes su deficiencia radica en los elevados cos=
tos
de su licencia. El presente artículo plantea el Procesamiento Digital de
Imágenes Satelitales mediante un análisis basado en técnicas de visión arti=
ficial
mediante el desarrollo de un GUIDE en Matlab en el cual se realizan diversas
operaciones sobre una imagen satelital, la imagen original se descompone en=
sus
diversas matrices de color, la aplicación desarrollada permite la selección=
del
área de interés de forma interactiva para facilidad del preprocesamiento de
la imagen en el cual se considera =
la
aplicación de operaciones lógicas y relleno de contornos, de manera adicion=
al
se realiza la segmentación de la imagen incluyendo procesos automáticos y
manuales propios de la herramienta Matlab, una etapa final muestra el valor
aproximado del área de estudio previo al procesamiento conformado por la et=
apa
de filtrado y detección de los bordes. Los resultados permitieron determinar
que mientras el método Otsu no discrimina zonas
aisladas de la imagen y las considera como parte de la zona de interés sobr=
e la
cual se realizará el cálculo del área, el proceso de t=
unning
manual para hallar el umbral de la imagen discrimina aquellas zonas aisladas
que no pertenecen al área mejorando el cálculo del área de interés.<=
span
lang=3DES-EC style=3D'font-size:12.0pt;line-height:150%;font-family:"Times =
New Roman",serif;
color:black;mso-themecolor:text1;mso-ansi-language:ES-EC;mso-bidi-font-weig=
ht:
bold'>
Palabras
claves: Satélite, Imagen
Satelital, Procesamiento Digital de Imágenes, GUIDE, Matlab.
Introducción.
El procesamiento digital de imágenes ha experimentado=
un
crecimiento considerable en los últimos ańos, pues se pretende emular ciert=
as
capacidades que poseen los seres vivos, se realiza la digitalización del mu=
ndo
real mediante dispositivos electrónicos para obtener capturas de un determi=
nado
espacio, dichas capturas son procesadas mediante Software específicos que
permiten realizar diferentes métodos de análisis de los espacios estudiados=
.
Para el análisis de áreas específicas se procesa en la
mayoría de los casos con software específicos bajo ciertas limitaciones en =
la
versión gratuita y licenciada, ante estas dificultades se propone una
alternativa al procesamiento de imágenes para análisis de casos específicos=
que
incluye el post procesamiento =
de
la imagen satelital con la ayuda de algoritmos de procesamiento, los result=
ados
se presentan al usuario en forma intuitiva a través de una interfaz gráfica=
que
permite seleccionar el área de interés, segmentar la imagen original median=
te
métodos manuales y automáticos, binarización de=
las
imágenes.
El artículo presenta los conceptos teóricos =
en
los cuales se fundamenta la investigación, además se muestra el análisis de=
los
resultados en base al procesamiento digital de imágenes realizado en el GUI=
DE
de Matlab, se realiza también una breve discusión de los resultados obtenid=
os,
y finalmente, las conclusiones establecidas.
Metodología.=
=
Se desarrolla la implementación de un sis=
tema
de procesamiento digital de imágenes satelitales las acciones de descomposi=
ción
de matrices de la imagen original, selección del área de interés para
discriminar elementos no relevantes al caso de estudio para finalmente crear
una nueva imagen binaria del objeto de forma manual y también automática pa=
ra
así ejecutar su post procesamiento y ejecutar cálculos de interés.
Infraestructura
Satelital
De
acuerdo a Andy (2018), existe 4857 satélites actualmente orbitando el plane=
ta,
en 2018 United Nations
Office for Outer Space Affairs (UNOOSA) ha
registrado 204 objetos lanzados hacia el espacio (Andy, 2018). En 2017 el nú=
mero
de objetos lanzados al espacio alcanzó la cantidad de 453, representando el=
5%
de los objetos lanzados al espacio. Según UNOOSA (2016), puntualiza que en =
la
historia se han lanzado 8126 objetos al espacio, y más del 22% de estos se
encuentran solo en los últimos ocho ańos (Affairs, =
2016).
=
La mayoría de estos objetos son cubesat y entre los principales objetivos incluye ser=
vicios
de comunicación, misiones para observación de la tierra contando con 661
satélites aproximadamente y para el servicio de navegación por satélites la=
s constelaciones
que están bajo desarrollo han alcanzado ha incrementado a 121 satélites un =
12%
más que el ańo pasado, entre otras.
Sistemas Satelita=
les
para la observación de la Tierra
La
observación de la tierra representa una de las principales actividades de l=
os
vehículos espaciales ya que a través de la información satelital es posible
monitorear los recursos y fenómenos naturales categorizándolos dentro progr=
amas
específicos que permiten monitorear actividades que pueden afectar a los
humanos. Los sensores a bordo permiten la recolección de información sobre =
el
área de interés bajo diferentes formatos, las disponibles actualmente
corresponden a las imágenes ópticas consideradas las de mayor interés por l=
os
beneficios que muestra en el estudio de casos específicos, así también, las
imágenes de radar, imagen infrarroja utilizadas para servicios de monitoreo=
de
cambios climáticos terrestres y espaciales, recursos hídricos, verificación=
de
desastres naturales y monitoreo remoto, entre otros. El esquema de obtenció=
n,
procesamiento y acceso a la información está estructurado en niveles como s=
e ve
en la Fig. 1 y Fig. 2 (EESA, 2019).
<=
/p>
Figura 1. Esquema general de la infraestrcutural satelita=
l
=
=
=
=
=
=
=
=
<=
/p>
<=
/p>
<=
/p>
Fuente:htt=
p://www.esa.int/copernicus
=
Figura
2. Arquitectura de sist=
emas
satelital de observación de la tierra
=
=
=
=
=
=
=
=
=
=
=
=
Fuente: http://www.esa.int/copernic=
us
=
=
El dato bruto o información original obte=
nido
por cada vehículo satelital a través de los sensores es procesada de acorde=
las
aplicaciones y servicios finales a brindar a los usuarios bajo las normativ=
as
de cada organización que está a cargo de su procesamiento y distribución en
forma libre o de pago realizada con software específicos para su posterior
publicación a través de sitios oficiales web.
=
Nuevos países se han integrado a la carre=
ra
espacial con diversos proyectos en diferentes áreas, también ha sido de int=
erés
el participar en proyectos que integren la observación de la tierra sin emb=
argo
por cuestiones políticas y económicas su participación es reducida. Actualm=
ente
los países que lideran la administración y lanzamiento de satélites de
observación de tierra (EO) y según United Nations (2018), E.E.U.U. lidera el control de más de =
la
mitad de los satélites EO, después de EE. UU está China con un 14,4%, y lue=
go
India, Japón y Rusia, que tienen cada uno más del 3%. el Reino Unido solo
figura como controlador en 4 satélites, gestionados por sus agencias espaci=
ales
que incluye a la Agencia Espacial Europea (ESA) y la Administración Naciona=
l de
Aeronáutica y Espacio (NASA) (Nations, 2018)<=
!--[if supportFields]>.
Programa de
observación de la Tierra. Copernicus
En el
programa de observación de la tierra, ESA reúne su flota de satélites y los
agrupa en diferentes misiones distribuidas como se observa en la Fig. 3, y
englobadas bajo el programa denominado el cual tiene como objetivo el monitoreo del ambiente, mitigación de l=
os
efectos del cambio climático y seguridad civil en colaboración con la
industria, compańías privadas, Agencias espaciales nacionales e internacion=
ales
y Organización Europea para la Explotación de Satélites Meteorológicos
(EUMETSAT) (Copernicu=
s, 2018).
Figura
3. Misiones de Observac=
ión
de la Tierra controladas por la ESA
=
;
=
Fuente: https://www.copernicus.eu/e=
n
=
Misiones como Soil Moisture and Ocean Salinity (SMOS) responsable de medir la humedad =
del
suelo y salinidad oceánica, SWARM responsable de medir el campo geomagnétic=
o de
la tierra y sus variaciones temporales en el interior de la tierra junto co=
n el
clima (González, 2017)=
. Conceptos y á=
reas
temáticas propuestas con alta prioridad se considera el monitoreo del CO2,
ambiente marino y observaciones polares, monitoreo de la tierra por imágenes
térmicas y desastres naturales, uno de los productos finales se observa en =
la
Fig. 4 (Ruescas, 2009)<=
!--[if supportFields]>.
Figura 4. =
Campo térmico estival
representativo del intenso calentamiento en la capa superficial del mar con
entrada de aguas frescas atlánticas en el mar de Alborán cuyo hundimiento
provoca ascensos de aguas frías del fondo (Imagen NOAA HRPT, 13/07/2004)
=
Fuente:=
https://www.researchgate.net/publication/241775231_La_formacion_del_campo_t=
ermico_marino_en_la_cuenca_occidental_del_Mediterraneo
Plataforma de acc=
eso
Web
Los datos brutos son preparados por los
centros procesamiento masivo de la ESA para su posterior publicación bajo la
normativa de libre acceso bajo ciertas restricciones de calidad y
disponibilidad de cobertura. En forma general, el sitio web la interfaz per=
mite
buscar y filtrar resultados por fechas, satélites y área de interés. Sin
embargo, hay que considerar que la disponibilidad de las imágenes solo se
limita a la cobertura espacial y temporal del satélite además de la calidad=
por
defecto brindada por la plataforma.
En or=
den
de acceder a las imágenes es necesario el registro en la plataforma para su
posterior descarga. Hay que considerar ciertas restricciones de cobertura p=
ues
la huella satelital como se observa en la Fig. 5 Eumes=
at
(2018), define que es posible que no coincida con los criterios de interés =
de
estudio, así mismo la calidad y escala no permite identificar detalles
importantes que permitan discriminar criterios en la observación de fenómen=
os
naturales (EUMETSAT, 2018)=
.
Figura
5. Plataforma web
Copernicus
=
;
=
=
=
=
=
Fuente:https://www.eumetsat.int/website/home/Data/DataD=
elivery/CopernicusOnlineDataAccess/index.html
GUIDE Matlab=
Es un entorno de programación visual disponible en MA=
TLAB
para realizar y ejecutar programas que necesitan un ingreso de datos de man=
era
continua, posee las características básicas de los programas de visuales. <=
w:Sdt
Citation=3D"t" ID=3D"-137195080">(Barragán, 2017)=
.
Un buen GUIDE puede permitir que los programas sean m=
ás
fáciles de usar al proporcionarles una apariencia consistente y con control=
es
intuitivos como botones, pulsadores, cuadros de lista y demás elementos
existentes para desarrollar una interfaz gráfica amigable.
Visión Artificial=
La visión artificial tiene como objetivo extraer información del mundo
físico a partir de imágenes, utilizando un ordenador, se consideran tres
niveles de procesamiento:
ˇ&nb=
sp;
Nivel Bajo considera el proceso de captur=
a de
la imagen y preprocesamiento que tiene por finalidad reducir el ruido, real=
zar
el contraste o características.
ˇ&nb=
sp;
Nivel Medio está conformado por la
segmentación, descripción y reconocimiento de características propias de la
imagen.
ˇ&nb=
sp;
Nivel Alto se caracteriza por la
interpretación de los objetos encontrados en la captura.<=
/p>
Segmentación
Es el proceso por=
el
cual se divide a una imagen en regiones homogéneas que poseen una o varias características=
en
común facilitando el posterior procesamiento digital de las imágenes, el
proceso de segmentación está definido por la umbraliza=
ción
que puede ser realizada por métodos manuales o automáticos los mismo que
consisten en convertir una imagen en escala de grises a una imagen binaria =
de
manera que los objetos y elementos en estudio se puedan definir con un valor
diferente al resto de los pixel que componen la captura.<=
/p>
Filtrado Espacial
Es una técnica que permite mejorar o modificar la imagen a ser
procesada, en la cual se trata de resaltar o atenuar algunas características
que necesitan ser analizadas dentro de las capturas realizadas.
D=
etección
de Bordes
Se emplea un filt=
ro
pasa alto, cuya finalidad es resaltar o preservar los contornos de un eleme=
nto
específico dentro de la captura realizada, considerando el valor de los pix=
eles
analizados y el de sus vecinos (García, 2018).
Metodología<=
/o:p>
Se
desarrolla la implementación de un sistema de procesamiento digital de imág=
enes
satelitales las acciones de descomposición de matrices de la imagen origina=
l,
selección del área de interés para discriminar elementos no relevantes al c=
aso
de estudio para finalmente crear una nueva imagen binaria del objeto de for=
ma
manual y automática para así ejecutar su post procesamiento y ejecutar cálc=
ulos
de interés. Para el caso se presenta el análisis de varias imágenes satelit=
ales
que están conformadas por recursos hídricos.
Descomposición de Matrices
El proceso de descomposición en diversas
matrices de color es destacar elementos de posible análisis dentro de la im=
agen
descargada, tal como se muestra en la Fig.6.
Figura
6. Descomposición de la
Imagen Original en Matrices de Color
=
=
=
Fuente: =
https://es.slideshare.net/FLliuya/introduccion-al-procesamiento-de-imagenes=
-con-matlab
=
En
la Fig. 6 se visualiza la imagen satelital representada en sus diversas
matrices de color, para la siguiente etapa de análisis se considera la matr=
iz
1en la cual se visualiza de forma clara los detalles de color azul de la
captura a ser procesada (Manna, 2016).
Selección del Área de Interés
El área de interés representa una sección
específica a la que se expone al análisis en detalle, la interfaz gráfica
permite la selección del objeto a través del cursor similar a las
características de las plataformas web.
En la Fig. 7 se muestra el proceso realizado, para el
caso de estudio seleccionado se analiza el lago que se encuentra presente e=
n el
centro de la captura.
=
=
Figura
7. S=
elección-Recorte
del Área de Interés
=
=
=
=
=
=
=
=
Fuente: =
https://es.slideshare.net/FLliuya/introduccion-al-procesamiento-de-imagenes=
-con-matlab
Segmentación de la imagen
El objetivo de estudio es calcular la posible
área conformada por el elemento de interés para realizar estudios de afecta=
ción
climática sobre diversas capturas realizadas a diversos recursos hídricos. =
Se
procede a segmentar la imagen de dos formas, la primera corresponde al méto=
do
automático, aplicando el método Otsu, considera=
do uno
de los mejores métodos de selección de umbral pues no necesita supervisión
humana ni previa información de la imagen antes de su procesamiento, posee =
una
desventaja y respecto del tiempo que emplea para seleccionar el umbral ópti=
mo ,
para la imagen analizada el valor óptimo de umbral es 0.329412, la Fig. 8
muestra la imagen binaria obtenida con el valor calculado por el método
automático (Díaz, 2016).
Figura 8. =
Segmentación Basada en el Método Otsu.
=
=
Fuente:=
http://www.iiis.org/CDs2016/CD2016Summer/papers/CA040RP.pdf
Para realizar la comparación de resultados, =
se
realiza la segmentación de la imagen mediante un método manual, es decir, s=
e binariza la imagen mediante un valor establecido por =
el
usuario, el mismo que es ingresado al GUIDE mediante una barra de deslizami=
ento
que varía entre valores establecidos en el rango de 0 y 1, el valor ingresa=
do
realiza la agrupación de pixeles de acuerdo a la afinidad que estos poseen,
según el umbral considerado se puede identificar mayor o menor cantidad de
pixeles en el elemento de estudio, en la Fig. 9 se muestra el proceso de Binarización de la imagen considerando un valor de umbralización de 0.25 (Fresno, 2012)
Figura 9. =
Segmentación Basada en el Método Manual.=
Fuente:=
https://pdfs.semanticscholar.org/10bd/44ffd42b93b7757ad05c35588e8598cf5633.=
pdf
Cálculo de Área de Interés
De acuerdo con la Fig. 8 y Fig. 9 realiza el=
preprocesamiento
de las capturas de forma automática o manual, dependiendo de las
características de las imágenes binarias permitiendo verificar la diferencia
existente entre las imágenes después de su procesamiento.=
=
Los resultados del preprocesamiento realizado
con la imagen binaria basada en el método Otsu =
se
muestra en la Fig. 10, se realiza la negación de la imagen binaria la cual
consiste en negar los pixeles de la imagen para obtener el elemento de estu=
dio
en color blanco y fondo de la imagen en color negro, adicionalmente se real=
iza
el relleno de la región de interés para eliminar cualquier pixel aislado que
pueda distorsionar el procesamiento de la imagen (Madrid, 2015)
=
=
=
Figura 10. Preprocesamiento de la Imagen Basada en el Méto=
do
Otsu.
=
=
=
=
=
=
Fuente:=
http://www.elai.upm.es/webantigua/spain/Asignaturas/Robotica/PracticasROVA/=
prROVA5Segmentacion.pdf
=
Al realizar el cálculo del área de interés se
realiza el procesamiento de la imagen, en este procedimiento se aplica un
filtro pasa bajo el cual analiza un conjunto de pixeles formado por el pixe=
l en
estudio y sus ocho vecinos, se emplea el filtro de mediana, también se extr=
ae
los bordes de la imagen filtrada obteniéndose una forma bastante clara del
objeto analizado, en la Fig. 11 se muestra los resultados obtenidos:
Figura
11. Procesamiento de la
Imagen con Umbral Automático.
=
=
=
Fuente:=
http://www2.elo.utfsm.cl/~elo328/pdf1dpp/PDI18_Segmentacion_1dpp.pdf=
=
Finalizado el procesamiento de las imágenes =
el
valor se muestra en el GUIDE desarrollado considerando que el área calculada
tiene unidades de medida m2,
el dato calculado se muestra en la Fig. 12 (Vara, 2016)
<=
/p>
<=
/p>
Figura 12. Valor Aproximado del Área de la Imagen Automática
Fuente:https://www.researc=
hgate.net/publication/305026943_Ensenando_Optica_Coherente_usando_Matlab_GU=
IDE
=
Con la imagen binaria obtenida de forma manu=
al
se realiza un procesamiento similar al anteriormente descrito, la diferencia
radica en la reducción del espacio analizado, pues en la imagen del método
automático se logra eliminar varios pixeles que se asumen que no correspond=
en
al lago, en la Fig., 13 se muestran los resultados obtenidos del
preprocesamiento aplicado a la imagen binaria manual.
Figura 13. Preprocesamiento de la Imagen Manual.
=
Fuente:=
http://www2.elo.utfsm.cl/~elo328/pdf1dpp/PDI18_Segmentacion_1dpp.pdf=
En la Fig. 14 se analiza el procesamiento de=
la
imagen binaria manual, tras ser aplicada el filtro de la mediana y la detec=
ción
del borde dentro de la misma:
Figura 14. Procesamiento de la Imagen con Umbral Manual.
=
=
=
Fuente:http://www2.elo.utfsm.cl/~elo328/pdf1dpp/=
PDI18_Segmentacion_1dpp.pdf
El valor aproximado que corresponde al área =
de
estudio, por este método se muestra en la fig. 15.
Figura
15. Valor Aproximado del
Área de la Imagen Manual
=
=
Fuente:=
https://www.researchgate.net/publication/305026943_Ensenando_Optica_Coheren=
te_usando_Matlab_GUIDE
Resultados
Para el procesamiento y análisis de la imagen satelit=
al
se desarrolló un GUIDE en Matlab, en el cual se crearon varias pantallas que
permiten realizar las operaciones descritas en el apartado anterior. En el
entorno de desarrollo gráfico se debe ingresar el nombre de la foto descarg=
ada
y de la cual se pretender realizar el cálculo del área de un elemento
específico dentro de la captura.=
Detección de Bordes
En la Fig. 16 se evidencia una gran diferencia en dichas imágenes, en el
procesamiento de la imagen binaria manual se eliminan pixeles aislados que =
se
encuentran en la parte inferior de la imagen, en tanto, la imagen binaria
automática posee una gran cantidad de pixeles que para la apreciación del
programador no forman parte del elemento en estudio.
Figura 16. Comparación de los Bordes Detectados.
Fuente: =
http://www.sc.ehu.es/ccwgrrom/transparencias/pdf-vision-1-transparencias/ca=
pitulo-6.pdf
Valor de Umbralización=
Existe una gran diferencia de los valores calculados
entre los diversos métodos, la variación entre dichos resultados correspond=
e a
la cantidad de información presente en la imagen binaria, en la imagen manu=
al
se eliminan la mayor cantidad de pixeles aislados que partiendo de la imagen
original no forman parte del elemento en estudio. En la Fig. 17 se muestran=
el
área del elemento estudiado (Unipython, 2018)
Figura
17. Comparación de las
imágenes binarias.
=
=
;
=
;
=
;
=
;
=
Fuente: =
=
https://unipython.com/umbralizacion-una-imagen/
Cálculo del Área
Existe una gran diferencia de los valores calculados
entre los dos métodos en análisis, la variación en los datos se evidencia e=
n lo
expuesto al valor de Binarización considerado p=
ara
cada uno de los procesamientos realizados a las diversas imágenes. En la Fi=
g.
18 se muestran el área del elemento estudiado.
Figura
18. Comparación del área=
de
las imágenes binarias.
=
;
=
;
=
;
=
;
=
;
=
;
Fuente: =
https://unipython.com/umbralizacion-una-i=
magen/
Análisis Estadístico
Para la validación de resultados se empleó =
la prueba T-Student para medidas de dos muestras emparejadas cons=
iderando
un nivel de confianza del 5%, para aplicar dicha prueba se consideran valor=
es
normalizados. La tabla 1, muestra los datos empleados para el estadístico.<=
o:p>
=
Tabla 1. Valores Normaliz=
ados
de las Áreas
|
Área Automática
|
Área Manual
|
|
10,88413
13,49088
11,98616
10,95777
8,270397
11,16667
9,809413
10,1793
|
10,75945
13,43656
11,91382
10,83876
8,238373
11,1962
9,708166
10,08641
|
Fuent=
e: T-Student Test
=
=
Los
resultados estadísticos se muestran en la Tabla2.
=
Tabla 2. Valores Estadíst=
icos
Prueba T-Student.
|
|
Parámetro
|
Área Automática
|
Área Manual
|
|
|
Media
Varianza
Observaciones
Coeficientes de correlación de Pearson
Diferencia hipotética de las medias
Grados de libertad
Estadístico t
P(T<=3Dt) una cola
|
10,84309
2,366397
8
0,999444
0
7
3,900947
0,002946
|
10,77222
2,372746
8
|
Fuente: T-Student Test
Discusión
El trabajo desarrollado muestra la implementación de un sistema que, en
base al procesamiento de imágenes satelitales, permite el determinar el áre=
a de
regiones que el usuario elige de acuerdo a sus necesidades. Para realizar el
procesamiento, se aplicaron varias operaciones sobre la imagen tratada:
descomposición de matrices de la imagen, selección del área de interés,
discriminación de elementos no relevantes al caso de estudio y la aplicació=
n de
dos métodos de binarización con el fin de calcu=
lar el
área de la región seleccionada.
Con la finalidad de mejorar los resultados al calcula=
r el
valor del área de interés, se utilizaron y compararon dos métodos para
encontrar el valor óptimo de umbralización que
permita segmentar y binarizar la imagen: el mét=
odo Otsu que proporciona el umbral óptimo para la segment=
ación
de la imagen, bajo el criterio de máxima varianza entre fondo y objeto y un
método manual que implementa un método de tunning
para la selección del valor del umbral. Los resultados permitieron determin=
ar
que mientras el método Otsu no discrimina zonas
aisladas de la imagen y las considera como parte de la zona de interés sobr=
e la
cual se realizará el cálculo del área, el proceso de t=
unning
manual para hallar el umbral de la imagen discrimina aquellas zonas aisladas
que no pertenecen al área mejorando el cálculo del área de interés.
Adicionalmente, se implementó una GUIDE en Maltab que
permite ver la imagen cada vez que el proceso de tunni=
ng
manual modifica el valor de la imagen a procesar.
A continuación, la tabla 3, muestra el resultado de la
aplicación de ambos métodos (automático y manual) sobre otras imágenes con
similares características a las mostradas en las secciones anteriores. Pese=
a
que la variación del valor del umbral entre ambos métodos está en el orden =
de
pocas décimas, de los casos de estudio analizados, se puede concluir que el
método de tunning manual permite encontrar un v=
alor
más preciso del área de interés debido a que no se consideran regiones
aisladas.
Tabla 3. Valores Obtenido=
s de
Diversas Imágenes de Lagos.
=
|
Imagen
|
Descripción
|
Valor Otsu
|
Valor Manual
|
Área Otsu(m2)<=
o:p>
|
Área Manual(m2)
|
|
Imagen 1
Imagen 2
Imagen 3
Imagen 4
Imagen 5
Imagen 6
Imagen 7
Imagen 8
|
Lago Mar de Aral
Lago Mar de Aral
Lago Poopó
Lago Vietma
Lago Pellegrini
Lago Musters-Rio Chubut<=
/p>
Lago Colhue
Lago Argentino
|
0.3294
0.2863
0.4863
0.4627
0.3882
0.3412
0.3490
0.4431
|
0.25
0.24
0.45
0.36
0.37
0.45
0.27
0.35
|
53323.6
722794.0
160517.0
57398.4
3906.5
70733.5
18204.3
26352.1
|
47073.0
684578.0
149316.0
50958.4
3783.38
72853.0
16451.4
24014.5
|
Fuente: Autores
Conclusiones
ˇ =
=
Mediante
la implementación de algoritmos y técnicas de procesamiento de imágenes se
elaboró una aplicación grafica de fácil uso e interpretación de datos, que =
permite
el procesamiento de imágenes satelitales mediante la modificación de paráme=
tros
(umbral, filtros espaciales) para discriminar e identificar formas y áreas =
de
interés que contienen recursos hídricos.
ˇ =
=
Se
determinó que la técnica de procesamiento visual de imágenes basadas en la
selección manual del umbral genera mejores resultados, pues logra delimitar=
el
área de estudio de mejor manera eliminando en su mayoría pixeles aislados, =
es
decir, pixeles que no forman parte de los recursos hídricos encontrados,
dejando de esa manera solo los pixeles que corresponden al elemento en
análisis, por lo cual el cálculo del área es específico al área de estudio.=
ˇ =
=
El
método automático de umbralización posee un
funcionamiento óptimo en el cálculo del valor de umbra=
lización,
pero no es ideal para la aplicación desarrollada, pues este método considera
pixeles aislados que según criterio de los observadores no forman parte de =
las
imágenes en estudio, lo que altera de forma considerable en el cálculo del =
área
del elemento analizado.
ˇ =
=
La
variación en la diferencia del área calculada en la aplicación se evidencia=
por
la cantidad de pixeles que conforman las imágenes procesadas. Estadísticame=
nte
se empleó la prueba T-Student para medidas de d=
os
muestras emparejadas considerando un nivel de confianza del 5%, al aplicar =
la
prueba se obtuvo una probabilidad 0,0059 que es menor al nivel de
significancia, lo que nos permite concluir las medias de las áreas obtenidas
por los dos métodos son diferentes. Por, los resultados estadísticos se
concluyen que el método de umbralización manual=
es el
más eficiente.
ˇ =
=
Según
el criterio del equipo, se desarrolla un mejor procesamiento digital de
imágenes satelitales mediante la umbralización
manual, pues según el criterio de los usuarios del sistema se pueden aument=
ar o
disminuir la cantidad de información presente en la captura satelital, de e=
sa
manera, se puede seccionar de mejor forma el elemento en estudio.
Referencias Bibliográficas
Affairs,
T. U. (12 de Noviembre de 2016). (UNOOSA. Obtenido de Access to
Space4All: http://www.unoosa.org/oosa/index.html
Andy. (Agosto de 2018). Pixalytics. Obtenido de How many
satellites are orbiting the Earth in 2018?: https://www.pixalytics.com/sa=
ts-orbiting-the-earth-2018/
Barragán, D. =
(15 de
Enero de 2017). Manual de Interfaz Gráfica de Usuario en Matlab.
Obtenido de Matlab:
https://www.dspace.espol.edu.ec/bitstream/123456789/10740/19/%255Bmatlab%=
255D_MATLAB_GUIDE.pdf
Copernicus, T. (2018). Europe´s eyes of Earth. <=
/span>Obtenido de
Copernicus: https://www.copernicus.eu/en
Díaz, I. (201=
6). Memorias
de la Décima Quinta Conferencia Iberoamericana en Sistemas, Cibernética e
Informática (CISCI 2016). Obtenido de Selección Automática de Umbrales
para la Segmentación de Tumores Cerebrales en:
http://www.iiis.org/CDs2016/CD2016Summer/papers/CA040RP.pdf
EESA. (Septie=
mbre
de 2019). Copernicus. Obtenido de Observing the Earth:
http://www.esa.int/Our_Activities/Observing_the_Earth/Copernicus
EUMETSAT. (12 de Marzo=
de
2018). Obtenido de COPERNICUS ONLINE DATA ACCESS:
https://www.eumetsat.int/website/home/Data/DataDelivery/CopernicusOnlineD=
ataAccess/index.html
Fresno, M. d.
(2012). UN MÉTODO DE SEGMENTACIÓN DE IMÁGENES DIGITALES. Obtenido =
de
UN MÉTODO DE SEGMENTACIÓN DE IMÁGENES DIGITALES:
https://pdfs.semanticscholar.org/10bd/44ffd42b93b7757ad05c35588e8598cf563=
3.pdf
García, I. (2=
018). SCRIBD.
Obtenido de Vision Artificial y Procesamiento Digital de Imagenes Usando
Matlab.
González, F. =
(Enero
de 2017). Tutorial de Teledeteccion Espacial. Obtenido de TELECAN:
https://www.grss-ieee.org/wp-content/uploads/2014/07/ES_TUTORIAL_COMPLETO=
.pdf
Madrid, U. P.
(Junio de 2015). Prácticas de Segmentación de las imágenes. Obteni=
do
de DEPARTAMENTO DE ELECTRÓNICA,:
http://www.elai.upm.es/webantigua/spain/Asignaturas/Robotica/PracticasROV=
A/prROVA5Segmentacion.pdf
Manna, A. (Ab=
ril de
2016). Introduccion al Procesamientode Imagenes con Matlab 1 parte .
Obtenido de Introduccion al Procesamientode Imagenes con Matlab:
https://es.slideshare.net/FLliuya/introduccion-al-procesamiento-de-imagen=
es-con-matlab
Nations, U. (17 de Mayo de 2018). Office for Outer Space Affairs. Obtenido de Report of the Inter-Agency Meeting on Outer Space Activ=
ities
(UN-Space) on its thirty-seventh session:
http://www.unoosa.org/oosa/oosadoc/data/documents/2018/aac.105/aac.105114=
3_0.html
Ruescas, A. (=
Enero
de 2009). Research Gate. Obtenido de La formación del campo térmico
marino en la cuenca occidental del Mediterráneo:
https://www.researchgate.net/publication/241775231_La_formacion_del_campo=
_termico_marino_en_la_cuenca_occidental_del_Mediterraneo<=
/p>
Unipython. (5=
de
Abril de 2018). Umbralización Adaptativa. Obtenido de UMBRALIZACIÓ=
N DE
UNA IMAGEN: https://unipython.com/umbralizacion-una-imagen/
Vara, F. (201=
6). Enseńando
Optica Coherente usando Matlab GUIDE. Obtenido de Universidad Politec=
nica
de Valencia.: https://www.researchgate.net/publication/305026943_Ensenand=
o_Optica_Coherente_usando_Matlab_GUIDE
PARA
CITAR EL ARTÍCULO INDEXADO.
Tinajero León, J., Loz=
ada
Yánez, P., Zabala Haro, M., & Jiménez Granizo, C. (2019). Sistema de
Procesamiento Digital de Imágenes Satelitales para Cálculo de Áreas de Inte=
rés.
Ciencia Digital, 3(3.4.), 29-48. https://doi.org=
/10.33262/cienciadigital.v3i3.4.832
El artículo que se publica es de
exclusiva responsabilidad de los autores y no necesariamente reflejan el
pensamiento de la Revista Ciencia
Digital.
El artículo qu=
eda
en propiedad de la revista y, por tanto, su publicación parcial y/o total en
otro medio tiene que ser autorizado por el director de la Revista Ciencia Digital.