ALGORITMOS GENÉTICOS APLICADOS A LA SEGMENTACIÓN

DE IMÁGENES CON ILUMINACIÓN NO CONTROLADA

Juan Ranz, Ángela Ribeiro, Xavier P. Burgos-Artizzu,

Instituto de Automática Industrial, CSIC angela@iai.csic.es

Gonzalo Pajares y Matilde Santos

Facultad de Informática Universidad Complutense de Madrid

Resumen La determinación de la cobertura de rastrojos, una vez realizada la cosecha, es un elemento fundamental en Agricultura de Conservación. Este artículo presenta la aplicación de algoritmos genéticos en el ajuste del proceso de segmentación de una imagen, con el propósito de obtener la cobertura de rastrojo automáticamente. Las imágenes utilizadas se han tomado en exteriores y en condiciones de iluminación no controladas. Los resultados logrados han sido satisfactorios consiguiendo hasta un 91% de similitud entre la imagen obtenida con el proceso de segmentación propuesto y la imagen extraída de un proceso de segmentación manual Palabras Clave: Algoritmos Genéticos, Visión por computador, Agricultura de Conservación, Cobertura de rastrojo. 1 INTRODUCCIÓN

La Agricultura de Conservación (AC) [6] involucra un conjunto de prácticas y conceptos agrícolas que se organizan alrededor de tres principios básicos:

Perturbación mínima del suelo y siembra directa, que deja sobre la superficie del suelo, el rastrojo del cultivo anterior. Conservación de una cubierta permanente del suelo, con el propio cultivo o utilizando cultivos de protección, estiércol o mantillo. Selección racional de la rotación de los cultivos.

La AC propone comenzar por aplicar poca labranza o excluirla por completo, lo que elimina la necesidad del arado, de esta forma se contribuye a mantener la materia orgánica en el suelo y disminuir la erosión producida por el viento o el agua.

Para la AC el rastrojo es un recurso importante en la protección del suelo del impacto de la precipitación

erosiva y la consiguiente escorrentía. Así las prácticas de retención del rastrojo se recomiendan como un componente importante de un programa de manejo de suelo. Lo que no implica la retención de altas cantidades de rastrojo, sino solamente las suficientes para llevar a cabo la función de protección del suelo, siendo el resto muy útil para la alimentación del ganado. Es por tanto de gran importancia contar con mecanismos que permitan confeccionar, de modo sencillo y preciso, el mapa de distribución de la cobertura de rastrojos de una zona.

Como muchas de las tareas en campo, los mapas de una zona se construyen a partir de un muestreo sistemático en el que se recoge información de algunos puntos para luego inferir el resto, normalmente a través de algún procedimiento de interpolación. En el caso del rastrojo los expertos se desplazan al campo realizando una evaluación visual de la zona. Esta evaluación es un proceso tedioso y propenso a la aparición de errores de estimación típicos de tareas en las que no es posible o es difícil reconsiderar valoraciones pasadas y en las que además hay una tendencia a que la percepción se adapte a la situación dominante. Es decir, una estimación alta de rastrojo inicial podría haber sido considerada como media, en un punto intermedio del muestreo, si la mayoría de los puntos muestreados hasta el momento presentasen una cantidad alta de rastrojo.

El proceso de estimación directa en campo mejora si se realiza un muestreo fotográfico georeferenciado para que posteriormente un experto, en el laboratorio, estime el grado de cobertura de rastrojo en cada punto. Esta estrategia de construcción del mapa de cobertura/distribución de rastrojo tiene varias ventajas:

1) La recogida de información (muestreo) puede realizarla un operario sin necesidad de desplazar un gran equipo al campo

2) El experto puede revisar todas las veces que quiera la colección de fotos del muestreo y replantearse, si lo considera necesario, los criterios de evaluación.

3) Es posible desarrollar una aplicación para determinar automáticamente la cantidad de cobertura en cada foto, es decir en cada punto de muestreo.

El objetivo del artículo es presentar la aplicación de los algoritmos genéticos al ajuste de un proceso de segmentación que permita extraer automáticamente de una imagen las zonas cubiertas por rastrojo. La siguiente sección presenta el planteamiento del problema. En la sección 3 se detalla la solución propuesta. En la sección 4 se muestran los resultados más interesantes. Por último, en el apartado 5 se especifican las conclusiones más relevantes del trabajo

2. PLANTEAMIENTO DEL PROBLEMA

El estudio se ha realizado en la finca experimental “El Encin” (IMIDRA, Alcalá de Henares, Madrid). Las imágenes han sido tomadas con una cámara convencional y tienen el aspecto de la mostrada en la figura 1. Cada imagen recoge información de aproximadamente una zona de 0,5m x 0,5m alrededor del punto de muestreo. Asimismo las imágenes de partida tienen una resolución de 2560x1920 píxeles.

Por otro lado, en visión por computador, la segmentación es el proceso por el cual se realiza una partición de la imagen digital en múltiples regiones (conjunto de píxeles) [5]. El objetivo de la segmentación es, de esta forma, obtener una representación de la imagen que sea mucho más significativa y fácil de analizar y que habitualmente

se utiliza para detectar regiones de interés, localizar objetos u otras zonas características tales como bordes. En resumen, el resultado de la segmentación es un conjunto de regiones disjuntas que cubren la totalidad de la imagen y donde todos los píxeles de una misma región comparten alguna característica o propiedad, como por ejemplo el color, la intensidad o la textura. Para el problema que nos ocupa la segmentación tiene que ser capaz de aislar la textura del rastrojo. Como proceso de segmentación se ha considerado una combinación lineal de los planos RGB de la imagen de partida (expresión 1) y una posterior umbralización (expresión 2). Con este proceso, partiendo de una imagen en color (RGB), se quiere conseguir una imagen binaria en la que aparezcan en blanco las zonas cubiertas por rastrojo y en negro la mala hierba, tierra, piedras, y otros elementos presentes en la imagen. Se ha elegido el proceso de segmentación descrito por haber suministrado buenos resultados en problemas similares [7] [8], extrayendo zonas de interés en imágenes de muestreo tomadas en exterior y con iluminación no controlada.

),(),(),(),( yxBcyxGcyxRcyxgris bgr ++= (1)

⎩⎨⎧

>∀≤∀

=umbraljigrisjiumbraljigrisji

jibinaria),(|),(1),(|),(0

),( (2)

En una cámara digital estándar el espectro recibido tiene tres dimensiones, correspondiente a los tres colores básicos: el rojo (R) (rango de frecuencias de 560 a 700 nm), el verde (G) (de 480 a 600 nm) y el azul (B) (de 380 a 480 nm) que componen la imagen final RGB. Para cada píxel de la imagen normalmente se codifica la información con 24 bits lo que significan 8 bits para cada plano RGB, lo que permite codificar un rango de 256 posibles intensidades por píxel y por plano. Por otra parte, la aplicación de la expresión (1) permite obtener a partir de las tres matrices del modelo RGB una matriz de escala de grises en la que el valor de intensidad para un píxel (i,j) dependerá del valor de la intensidad del píxel en cada uno de los planos ponderado por unos coeficientes constantes (cr, cg y cb). Por último, la imagen binaria se obtendrá aplicando un umbral según la expresión (2) a la imagen en escala de grises obtenida de la combinación lineal. En pocas palabras, los valores de los coeficientes cr, cg y cb así como el valor del umbral serán determinantes a la hora de conseguir el mejor proceso de segmentación, es decir aquel que aísle el rastrojo del resto de elementos de la imagen.

Figura 1: Fotografía de un punto de muestreo

Para encontrar los mejores valores promedio para el conjunto de parámetros anteriores se ha llevado a cabo el proceso de ajuste, basado en un algoritmo genéticos, que se describe en la siguiente sección. 3. AJUSTE DE LOS PÁRAMETROS DE SEGMENTACIÓN El ajuste se ha realizado inicialmente sobre un conjunto de 5 imágenes. Para cada una de las imágenes se ha generado manualmente una imagen patrón que representa la mejor segmentación para la imagen de partida. Las imágenes patrón se obtienen calcando en un acetato las zonas cubiertas de rastrojo de la imagen. En la figura 2 se muestra el acetato generado para la imagen presentada en la figura 1. Posteriormente los acetatos se escanean dando lugar a las imágenes binarias patrón.

El procedimiento de ajuste utilizado, basado en un algoritmo genético, busca los valores para los parámetros cr, cg, cb y umbral que consiguen, en promedio, la segmentación del conjunto de imágenes de partida más similar al conjunto de imágenes patrón. A la hora de ajustar los parámetros de segmentación se encontró que en algunas imágenes aparecían zonas con mala hierba, tal como puede verse en la figura 3. Esto limitaba la capacidad de discriminación (rastrojo del resto). El problema se resolvió desarrollando un procedimiento de segmentación que funciona en tres pasos: 1) Se discrimina en la imagen inicial las zonas de mala hierba utilizando las expresiones (1) y (2) con los coeficientes propuestos en [7] [8], Imagen_binaria_mh. El resultado para la fotografía de la figura 3 puede verse en la figura 4. 2) Se aplica a la imagen inicial la segmentación utilizando las expresiones (1) y (2) para las que hay que encontrar los parámetros más adecuados,

Imagen_binaria_mh. 3) La imagen binaria, en la que las zonas de rastrojo están en blanco y el resto en negro, se obtiene restando a la imagen Imagen_binaria la imagen Imagen_binaria_mh. De esta forma se consiguen mejores resultados en la extracción de las zonas de rastrojo que sólo con la combinación lineal de los planos RGB y la posterior umbralización.

Figura 3: Imagen del campo con malas hierbas y rastrojo

Figura 2: Acetato generado manualmente a partir de la fotografía mostrada en la figura 1.

Figura 4: Imagen de la segmentación de las malas hierbas a partir de la imagen mostrada en la figura 4.

Entre los distintos algoritmos de búsqueda y ajuste existentes, se han elegido los algoritmos genéticos por su flexibilidad y capacidad de gestión de grandes espacios de búsqueda [2][4]. Para el problema planteado la población de soluciones está formada por individuos que representan diversas combinaciones de valores de los distintos coeficientes de segmentación (cr, cg, cb y umbral). Aunque la población inicial se genera de modo aleatorio se han incorporado restricciones en los valores de los parámetros, basadas en el conocimiento que se tiene de las soluciones. Así los coeficientes cr, cg, cb pueden tomar cualquier valor real comprendido entre -9 y 9, mientras que el umbral sólo admite valores enteros entre 0 y 255.

Además debido al coste computacional que tiene el procesamiento de las imágenes, se ha ajustado el tamaño de las imágenes de entrada a 640x480 píxeles. Asimismo, en cada ciclo (o evaluación de la población) se ha optado por una población pequeña formada por 100 individuos, con una probabilidad de cruce del 0,8. A lo que hay que añadir la utilización de un operador de elitismo que evita la pérdida de buenas soluciones. Para el operador de mutación se ha elegido la mutación gaussiana en la que a cada gen se le suma un valor aleatorio tomado de una distribución de media cero y varianza calculada en función de dos parámetros: scale y shrink. El parámetro scale determina la desviación de la primera generación y el parámetro shrink establece cómo se reduce la varianza en cada generación. En este caso se han fijado el valor de los parámetros del siguiente modo: scale a 0.5 y shrink a 0.75. Por último, la función de evaluación de un individuo expresa numéricamente (expresión 3) el grado de similitud entre dos imágenes: 1) la imagen obtenida al aplicar el proceso de segmentación con los coeficientes codificados en el individuo y 2) la imagen patrón elaborada manualmente.

La expresión (3) toma valores en el intervalo [0,1] de modo que 0 corresponde al mayor grado de similitud (imágenes iguales) y 1 a la mayor disimilitud. El ajuste se ha llevado a cabo utilizando la ToolBox de Algoritmos Genéticos de MATLAB. Los resultados se analizan en la siguiente sección. 4. RESULTADOS Como salida del programa de MATLAB se muestra la gráficas (figura 5) en la que se puede ver la evolución de la función de evaluación con el número de generaciones. En la grafica se presentan tres líneas correspondientes al peor valor, a la media y al mejor valor para cada generación. Se observa como los tres valores van descendiendo con el número de generaciones y como convergen rápidamente. Finalmente los mejores valores para los parámetros de segmentación, que son los que suministran el mejor valor de la función de evaluación, son diferentes para cada una de las imágenes de muestra. Así el mejor valor de la función de evaluación, dependiendo de la imagen de entrada, oscila entre

0.09 y 0.24, que se traduce en una similitud de la imagen segmentada con la imagen patrón del 76% al 91%.

Figura 5: Grafica de la variación de la función de evaluación con las generaciones.

Puesto que el objetivo es automatizar el proceso de evaluación de la cobertura de rastrojo, se ha creado una plataforma de tratamiento, que teniendo en cuenta todas las imágenes, suministra los mejores valores promedio para los parámetros de segmentación. Estos valores se muestran en la tabla 1.

nxm

jiBjiA

BAS

n

i

m

j∑∑= =

−

= 1 1

),(),(

),((3)

Tabla 1. Valores resultantes para los parámetros de segmentación.

Parámetro Valor cr -8.3319 cg 2.6171 cb 6.8893 umbral 85.5799

Con estos valores conseguimos que el valor medio de la función de evaluación para el conjunto de las imágenes sea de 0.2154. Por último, la figura 6 muestra una imagen del resultado de la segmentación y la imagen patrón de una de las fotografías del muestreo. 5. CONCLUSIONES En este artículo se ha presentado un método de determinación de la cobertura de rastrojos de un campo una vez realizada la cosecha mediante la segmentación de imágenes de muestreo utilizando algoritmos genéticos para el ajuste de los parámetros de segmentación. La segmentación del rastrojo en las imágenes de muestra presenta el problema de que, no solo tenemos que discriminar el rastrojo sobre el fondo de

tierra, sino que tenemos mezcladas, con el rastrojo, zonas de malas hierbas que hacen que los resultados de la segmentación directa de las imágenes de muestra no sean lo suficientemente buenos.

Se ha propuesto una solución que realiza la segmentación en tres pasos: primero discrimina en la imagen de partida (o imagen a segmentar) las malas hierbas, segundo aplica una segmentación en la imagen inicial basada en una combinación lineal y umbralización y tercero resta ambas imágenes binarias; el resultado es una imagen binaria en la que sólo aparecen en blanco las zonas de rastrojo. Con este procedimiento se realiza una segmentación más precisa del rastrojo. Para ajustar los parámetros de segmentación del procedimiento propuesto, se han utilizado cómo método de búsqueda de los mejores valores los algoritmos genéticos. Con objeto de evaluar lo bien que se adaptaba la segmentación producida para cada conjunto de valores de los parámetros (individuo) a la situación real, se han generado manualmente, a partir de un proceso de calco, un conjunto de

imágenes patrón que marcan la situación de segmentación óptima. Los resultados obtenidos son muy prometedores ya que se conseguido una segmentación, en imágenes con iluminación no controlada, que da lugar a imágenes binarias, que en el peor de los casos presentan un grado de similitud con la imagen patrón de un 76% y, en el mejor de los casos, de un 91%. Estos valores se aproximan bien a la resolución de la apreciación visual de un experto que habitualmente utiliza una escala de puntuación de 5 niveles.

Figura 6: Imagen de las zonas de rastrojo obtenida con la segmentación propuesta. (a) Imagen patrón(b) elaborada mediante un proceso manual de calco.

(a)

(b)

Como trabajos a corto plazo están los siguientes:

1) Ajustar los parámetros de segmentación utilizando una colección mayor de fotos de muestreo. En este caso debido al coste computacional asociado al procesamiento de las imágenes es posible que otro tipo de algoritmos evolutivos ofrezcan mejores soluciones como los propuestos y utilizados en [3][1].

2) Estudiar la segmentación a través de la combinación de los planos de otros espacios de color.

3) Estudiar la correlación entre la cobertura de rastrojo determinada con la segmentación propuesta y la apreciación visual de un experto.

Agradecimientos Este trabajo ha sido financiado por los proyectos CICYT-AGL2005-06180-C03-03 y PRICIT-CAM-P-DPI-000176-0505 (ROBOCITY2030). Los autores agradecen a Luis Navarrete y su equipo, expertos en Agricultura de Conservación, el planteamiento del problema y los datos de campo aportados. Referencias [1] Burgos-Artizzu X.P., A. Ribeiro, A.Tellaeche ,

and G. Pajares “Optimisation of Natural Images Processing Using Different Evolutionary Algorithms”. IEEE World Congress on Computational Intelligence (WCCI 2008) / Evolutionary Computation, vol 1(1). 256-264, Hong Kong 2008.

[2] Davis L., Genetic Algorithms and Simulated

Annealing. San Mateo, Ca: Morgan Kaufman Publishers, 1987.

[3] Deb K., A. Pratap, S. Agarwal, and T.

Meyarivan, “A fast and elitist multiobjetive genetic algorithm: Nsgaii,” IEEE Transactions on Evolutionary Computation, vol. 6, no. 2, April 2002.

[4] Goldberg D., Genetic Algorithms in Search, Optimization and Machine Learning. USA: Addison Wesley Professional publishers, 1989.

[5] Gonzalez R. C. and R. E.Woods. Digital Image

Processing. Prentice-Hall, second international edition, 2003.

[6] Gil Ribes J. A., G. L. Blanco Roldán, A.

Rodríguez Lizana. Técnicas de agricultura de conservaciónEumedia, 2004

[7] Ribeiro A., C. Fernández-Quintanilla, J.

Barroso, and M. C. García-Alegre, “Development of an image analysis system for estimation of weed.” in Proceedings 5th European Conf. On Precision Agriculture (5ECPA), 2005, pp. 169–174.

[8] Tellaeche, X. P. Burgos-Artizzu, G. Pajares,

and A . Ribeiro, “A vision-based method for weeds identification through the bayesian decision theory,” Pattern Recognition, vol. 41, pp. 521–530, 2008.