INTRODUCCIÓN

Durante las últimas tres décadas, el volumen dedatos sobre la Tierra recibido de los satélites de obser-vación ha sido enorme. Actualmente, la mayor partede esta información se almacena en los centros derecepción sin ser interpretadas porque se necesita deun experto para ello. Este problema es de particularimportancia en las imágenes de fenómenos meso ymacroescalares del océano. La dificultad para el aná-lisis de estas imágenes radica fundamentalmente en lafalta de un modelo matemático preciso que describaestas estructuras y su variabilidad. En este trabajo semuestran los resultados obtenidos en un sistema deinterpretación automática de imágenes AVHRR dise-ñado para localizar estructuras mesoescalares oceáni-cas. El sistema se ha diseñado con el objetivo de eli-minar toda intervención humana.

Revista de Teledetección. 2006. Número Especial: 109-113

Número Especial - Junio 2006 109

Análisis automático de imágenes oceánicas de satélite mediante sistemas basados en conocimiento

F. Guindos, J. A. Piedra y M. Cantónfguindos@terra.es

Universidade de Almería. Dpto. de Lenguajes y Computación. 04120 Almería

RESUMEN

Las imágenes que nos llegan de los satélites se hanconvertido en una fuente primordial de informaciónsobre nuestro entorno. Se trata de información “enbruto” que necesita de expertos para ser aprovechadaal máximo. Pero los expertos no son muchos y el tra-bajo es ingente, por lo que la solución del problemaen la recopilación de la experiencia humana en siste-mas automáticos que hagan el mismo trabajo.

En este trabajo se presenta la estructura de un siste-ma basado en conocimiento capaz de reemplazar a unexperto cuando se entrena adecuadamente. De estaforma se ha construido un sistema de reconocimientoautomático que procesa imágenes AVHRR de los saté-lites NOAA para detectar fenómenos oceánicos deinterés como afloramientos, giros y estelas de islas.

El sistema se ha entrenado con información tantogeneral como localizada y ha demostrado sus cuali-dades con imágenes de las costas Canarias, Medite-rránea y Cantábrica.

PALABRAS CLAVE: análisis de imágenes, telede-tección oceanográfica, sistemas expertos.

ABSTRACT

Images received from satellites have become agreat source of information about our environment.This is raw information that needs experts to make themost of it, but there are not many experts and thework is too much. The solution to this problem is thecompilation of human experience into automatic sys-tems that could do the same work.

We depict here the structure for a knowledge basedsystem capable of taking the place of human expertswhen it is properly trained. This structure has beenused to build an automatic recognition system thatprocess AVHRR images from NOAA satellites todetect and locate ocean phenomena of interest likeupwellings, eddies and island wakes.

The automatic knowledge driven image-processingsystem has been trained with ubiquitous and localizedinformation and has proved his qualities with imagesof Canary Island, Mediterranean Sea and Cantabricand Portuguese coasts.

KEY WORDS: image analysis, ocean remote sen-sing, knowledge systems.

Figura 1. Estructura del sistema de reconocimiento deestructuras oceánicas.

22. F. Guindos 12/2/07 09:49 Página 109

ESTRUCTURA GENERAL DEL SISTEMA

En la Figura 1 se muestra la estructura general delsistema. En un primer paso, la imagen en bruto seprocesa con algoritmos tales como correcciónradiométrica, proyección y enmascaramiento de tie-rra. Son técnicas bien conocidas y que también seusan cuando el análisis está a cargo de los expertos.

La segunda tarea consiste en la eliminación de laszonas nubosas donde la medida de los sensoresAVHRR no es válida. Se aplica un valor nulo o deceros a cada pixel de las áreas afectadas.

La siguiente fase es la segmentación, que dividela imagen en regiones. La idea es que cada fenóme-no de interés debería coincidir con una o unas pocasregiones. La naturaleza de la dinámica oceánicahace de éste un trabajo muy difícil que, sin embar-go, es fundamental. Por este motivo, para imple-mentarlo se ha diseñado un método iterativo basadoen conocimiento.

La última fase es la de reconocimiento. Cadaregión obtenida en la segmentación se analiza y, siel reconocimiento es positivo, se etiqueta con elidentificador de la estructura correspondiente. Lasestructuras de interés en la zona de la Islas Cana-rias, tal como se definen en Arístegui et al. (1994)son: 1) Afloramiento costero. 2) Giros cálidos. 3)Giros fríos. 4) Estelas de islas. La gran mayoría delas regiones producidas en la segmentación carecende interés especial y se etiquetan con 0.

El subssistema de reconocimiento implementadoincluye un elemento de procesamiento simbólicobasado en redes neuronales y un sistema expertográfico basado en reglas actuando de forma redun-dante. De esta forma se pueden validar los resulta-dos de la fase más importante del proceso.

ESQUEMA DE PROCESO DETALLADO

Enmascaramiento de nubes

La técnica utilizada se detalla en Torres et al.(2003a). La idea básica es considerar que cada píxelposee una o ambas de las siguientes características:a) valor muy bajo en la banda 4 comparado con susvecinos b) alta variabilidad.

El sistema explota esta idea localizando una pri-mera estimación de los píxeles afectados por ambascaracterísticas o uy fuertemente por una de ellas. En

un segundo paso, el sistema incorpora un refina-miento de la máscara basado en la reflectividad (unvalor alto en la banda 2).

La implementación se ha hecho utilizando dosredes neuronales con retropropagación. La primerase usa para crear un mapa de píxeles candidatos y lasegunda realiza la selección final a partir de estemapa.

Los resultados de esta fase se muestran en laFigura 2, donde se ve una escena AVHRR nubosade las Islas Canarias tomada por el satélite NOAA-14 y la máscara resultante que, cuando se superpo-ne sobre la imagen original evita el procesamientoposterior de los píxeles etiquetados como “nube”.

Segmentación

La segmentación es un elemento clave en todosistema de procesamiento automático de imágenes.Los resultados finales sólo serán válidos si se con-sigue una segmentación de buena calidad. sinembargo, como se explica en Guindos et al. (2001)y Thonet et al. (1995), las imágenes AVHRR delocéano son muy difíciles de segmentar debido a unaelevada variabilidad en el valor de los píxeles, loque se traduce en resultados pobres cuando se usantécnicas basadas exclusivamente en gradientes otexturas. El método propuesto en Guindos et al.(2001) utiliza líneas isotermas que se ha comproba-do que producen mejores resultados en segmenta-ciones de este tipo de imágenes. Este método, comocualquier otra segmentación basada en umbrales,adolece del problema inherente de la selección delumbral, que se ha resuelto aplicando el conoci-miento adquirido en la siguiente fase creando unproceso iterativo.

El umbral inicial para la segmentación se puedefijar como la media aritmética del los valores de lospíxeles de agua. Con este umbral se realiza la seg-mentación y los resultados se pasan a la siguiente

F. Guindos, J. A. Piedra y M. Cantón

110 Número Especial - Junio 2006

Figura 2. Escena AVHRR y máscara de nubes.

22. F. Guindos 12/2/07 09:49 Página 110

fase que analiza cada región. Entonces, basándoseen el conocimiento sobre cada tipo de región bus-cada, el umbral puede ser incrementado o reducidoy se realiza una nueva segmentación. Cada vez quese producen unos resultados se comparan con losanteriores y el sistema determina si el cambio fueen la dirección adecuada, se debe hacer en el senti-do contrario o debe quedarse con el valor anterior yterminar la tarea. Una segmentación se consideramejor que la anterior si las regiones que encajan enuna clase de interés tienen un área mayor.

Con este método se consiguen buenas segmenta-ciones en imágenes AVHRR, con regiones compac-tas y se reduce la sobresegmentación obtenida conotros métodos probados (watersehds (Beucher,1990) y Canny (Canny, 1983)). En la Figura 3 semuestra un ejemplo.

Clasificación

Clasificador neuronalEl clasificador neuronal está construido en tres

niveles de conocimiento (píxel, región y contextual).En el nivel del píxel utiliza los valores de la banda 4de las imágenes AVHRR. En el nivel de región se cal-culan características morfológicas. En el tercer nivel,el contextual, se añade información geográfica.

Esta información pasa a un clasificador competi-tivo de alto nivel que utiliza el conocimiento deforma no numérica para establecer la clase más cer-cana a cada región. El proceso detallado se puedever en Torres et al. (2003b).

Sistema experto gráficoEl sistema experto gráfico (SEG) trabaja como un

oceanógrafo y recopila el conocimiento sobre elocéano expresado en forma de reglas de produc-ción. Tambien filtra la información que llega alSEG para limitarla a aquella relevante para el reco-nocimiento de las estructuras oceánicas presentesen la imagen.

Para recopilar el conocimiento necesario paraeste componente, cada fenómeno oceánico de inte-rés ha de ser definido por un experto humanome-diante descriptores numéricos o simbólicos.

Cada elemento de esta información se puede refe-rir a una región por sí misma (como “tamaño” o“temperatura”) o en relación con otras regiones(como “más frío que…”). Habitualmente, el cono-cimientose basa en características bien conocidas,pero pueden aparecer otras más elaboradas comomomentos o la varianza.

Los expertos humanos suelen usar valores simbó-licos como “pequeño” o “grande” que han de sercomparados con valores calculados numéricamentea partir del valor de los píxeles, por lo que la rela-ción entre ellos tiene que ser definida medianteintervalos. Este conocimiento se traduce a reglas deproducción (Figura 4) que conforman el núcleo delproceso.

Lo difícil de esta tarea es identificar el esquemade deducción, impreciso y a veces intuitivo, que uti-lizan los expertos humanos para realizar esta labor.Igualmente, la inexistencia de un modelo exactopara cada estructura de interés del problema puedeconducir a lagunas o inconsistenciasen el conoci-miento que el experto aporta al sistema. Este es unproblema general en los sistemas expertos por loque se han desarrollado técnicas que operan coneste tipo de conocimiento incompleto o impreciso(redes bayesianas o técnicas difusas (Intan et al.,2002)).

En nuestro sistema, la solución adoptada ha sidoconsiderar que las hipótesis no son probadas deforma absoluta cuando las condiciones de laguna desus reglas son ciertas. En su lugar, se añade ciertaverosimilitud, que se va acumulando a través de losciclos del proceso iterativo de segmentación-reco-nocimiento.

Análisis automático de imágenes oeánicas de satélite mediante sistemas basados en conocimiento

Número Especial - Junio 2006 111

Figura 4. Ejemplo de regla de producción.

Figura 3. Segmentación de una escena AVHRR.

22. F. Guindos 12/2/07 09:49 Página 111

PRODUCTO FINAL

La información producida por las unidades deproceso basadas en conocimiento (sistema expertográfico y red neuronal) se combinan en una nuevaimagen (Figura 5) que muestra de modo visual cadaestructura de interés detectada. Las estructuras seidentifican mediante diferentes colores en el mapa.

En un último paso, el mapa de estructuras sepuede superponer a la imagen original (Figura 6).Para esto se utiliza el código de color que identificacada elemento de la máscara, pero aquí, para obte-ner una imagen impresa mejor apreciable, se hausado una máscara negra en todos los casos.

RESULTADOS

El sistema ha sido probado con un conjunto de 36imágenes AVHRR con distintos grados de cobertu-ra nubosa, desde unas con el cielo totalmente des-pejado hasta otras en las que las nubes las dejanprácticamente inutilizables. Los resultados obteni-dos se muestran en la Tabla 1:

En otra prueba para comprobar la robustez delsubsistema de clasificación, se inhibió el sistema desegmentación basado en conocimiento dejando queel segmentador realizara una segmentación porcada nivel de gris desde 1 a 254 y para cada una delas 36 imágenes citadas. De esta forma se generaron249.992 regiones que, al ser clasificadas, no produ-jeron más error que el giro frío no detectado queaparece en la tabla.

F. Guindos, J. A. Piedra y M. Cantón

112 Número Especial - Junio 2006

Todas las figuras precedidas de asterisco se incluyen en el cuadernillo anexo de color

*Figura 5. (a) Imagen AVHRR (ecualizada) y (b) mapa de estructuras de interés.

Experto humano Sistema automático

Afloramiento 29 29Giros fríos 3 2Giros cálidos 4 4Estelas 48 48

Tabla 1. Comparación entre el Sistema automático y elExperto humano.

Figura 6. Estructuras de interés superpuestas a la ima-gen AVHRR original.

22. F. Guindos 12/2/07 09:49 Página 112

BIBLIOGRAFÍA

ARÍSTEGUI, J., SANGRÁ, P., HERNÁNDEZ-LEÓN S., CANTÓN, M., HERNÁNDEZ-GUE-RRA, A. y

KERLING, J. L. 1994. Island-induced eddies in theCanary Islands. Deep-Sea Res. Part I 41 (10):1509-1525.BEUCHER S. 1990. SegmentationTools in Mathematical Morphology. SPIE-1350Image Algebra and Morphological Image Pro-cessing 70-84.

CANNY, J. 1983. Finding Edges and Lines in Ima-ges, Massachusetts Institute of Technology.

GUINDOS, F., TORRES, J. A., PERALTA, M. yCANTÓN, M. 2001. Segmentación iterativabasada en conocimiento del afloramiento deaguas frías en la costa sahariana, Teledetección,Medio Ambiente y Cambio Global, 591-594.

INTAN, R. y MUKAIDONO, M. 2002. Approxi-mate reasoning in knowledge-based fuzzy sets,

Fuzzy Information Processing Society, Procee-dings. NAFIPS. 2002 Annual Meeting of theNorth American 439-444.

THONET, H., LEMONNIER, B. y DELMAS, R.1995. Automatic segmentation of oceanic eddieson AVHRR thermal infrared sea surface images,Challenges of Our Changing Global Env. Confe-rence Proceedings, OCEANS ‘95, vol. 2, 1122-1127.

TORRES, J. A., GUINDOS, F., PERALTA, M. yCANTÓN, M. 2003a. An Automatic Cloud-Mas-king System Using Backpro Neural Nets forAVHRR Scenes, IEEE Transactions On Geos-cience and Remote Sensing 41 (4): 826-831.

TORRES, J. A., GUINDOS, F., PERALTA, M. yCANTÓN, M. 2003b. Competitive neural-netbased system for the automatic detection of oce-anic mesoscalar structures on AVHRR scenes,IEEE Transactions On Geoscience and RemoteSensing 41 (4): 845-852.

Análisis automático de imágenes oeánicas de satélite mediante sistemas basados en conocimiento

Número Especial - Junio 2006 113

22. F. Guindos 12/2/07 09:49 Página 113