158
IDENTIFICACIÓN AUTOMÁTICA DE VEGETACIÓN UTILIZANDO IMÁGENES AGRÍCOLAS: UNA REVISIÓN DE MÉTODOS
soporte (SVM, support vector machine) y separar los pı́xeles en dos clases (plantas enmascaradas y no enmascaradas). Los vectores de soporte establecen los lı́mites entre estas clases. La fase de entrenamiento es efectuada fuera de lı́nea y la clasificación en lı́nea. El método es útil para pre y pos-tratamientos con tasas de éxito del 93.1 %. En [11] usaron SVM y una base de datos (conocimiento) conteniendo muestras previamente clasificadas. El rendimiento fue evaluado utilizando el porcentaje de clasificación correcta y el coeficiente de Yule. En [9] clasificaron malezas y cultivo usando SVM también, alcanzando el 97 % de precisión. Un total de 14 caracterı́sticas que describen el cultivo y la maleza en las imágenes fueron evaluadas para determinar la combinación óptima que proporciona la tasa de clasificación más alta. Por otro lado, en [12] propusieron un enfoque de aprendizaje no supervisado usando una doble umbralización y la técnica LVQ (Learning Vector Quantization) para separar la maleza y el cultivo, a través de un proceso de entrenamiento fuera de lı́nea y una clasificación en lı́nea. El método probó ser útil para los tratamientos selectivos en aplicaciones de tiempo real. En [24] usaron agrupamiento borroso para discriminar plantas y suelo y luego en una segunda etapa, el cultivo de la maleza. El enfoque no supervisado fue también usado en [26] para separar las plantas verdes y el suelo y [28] para segmentar regiones de interés a partir de ExR y ExG.
16.2.4.
Técnicas basadas en Wavelets
En el procesamiento de imágenes agrı́colas es necesario resaltar los detalles (bordes) y detectar las texturas analizando la imagen desde diferentes ángulos. Por lo tanto, dos categorı́as son establecidas: (1) análisis del contenido de la frecuencia, considerado como una señal para separar las bajas (suaves variaciones en color) y las altas frecuencias (bordes que dan detalles). En [29] propusieron un método para discriminar cultivo y malezas aplicando la transformada wavelet. Ellos compararon el rendimiento de cuatro familias de wavelets: Daubechies, Meyer, Biorthogonal y Gabor. El primero superó al resto en términos de precisión y tiempo de procesamiento en imágenes reales y sintéticas. (2) Análisis de caracterı́sticas de texturas bajo la presunción de que diferentes plantas (cultivo y maleza) responden de una manera diferente al filtrado de paso bajo/alto. En [30] discriminó entre suelo y cultivo en campos de maı́z usando el análisis textural wavelet, considerando que las frecuencias espaciales son diferentes dependiendo de la t extura. Una combinación de técnicas de clasificación basada en redes neuronales (perceptrón multicapa) fue aplicado usando descriptores de textura como entrada, logrando una tasa de clasificación del 94.77 %. En [13] propusieron un método combinado para distinguir suelo y vegetación basado en la transformada discreta wavelet (DWT, discrete wavelet transform), especı́ficamente usando la familia Daubechies (Haar). Ellos combinaron la siguiente información: (i) el verdor de las plantas aplicando ExG y (ii) información espacial de la textura a través de la transformada wavelet y descriptores estadı́sticos de primer orden (por ejemplo: media y desviación estándar). El enfoque obtiene una nueva imagen ExG mejorada que proporciona mejores resultados en la binarización. El porcentaje promedio de error fue del 7.12 %. En [31] propusieron un método para identificar el cultivo usando la transformada wavelet en paquetes (WPT, wavelet packet transform) combinado con la distancia Bayesiana ponderada basada en la textura del cultivo y caracterı́sticas de las hojas. Ellos calcularon coeficientes de energı́a de varias bandas de frecuencia, obteniendo después la transformada y realizando la discriminación de plantas en tasas de hasta el 94.63 %. En [32] usaron una combinación de una wavelet de Gabor con la distribución del campo gradiente (GFD, gradient field distribution) para identificar tipos de malezas bajo la presunción que las malas hierbas de hoja ancha y estrecha despliegan diferentes caracterı́sticas. La precisión de la clasificación total fue del 93.75 %.
16.3.
Comparación de métodos
Una vez revisada la literatura existente, algunas ventajas y desventajas de las diferentes técnicas utilizadas para la identificación de la vegetación son resumidas en la tabla 16.1. La elección de una determinada técnica debe ser evaluada particularmente para cada contexto de aplicación, es decir, para los tipos de datos conocidos en el campo. Se debe prestar atención a varios factores tales como: la variabilidad de los datos de la imagen, presencia de ruido, disponibilidad de ejemplos para el entrenamiento y pruebas, niveles aceptables de precisión, aplicación en tiempo real, entre otros [2].