REVISIÓN DEL PROCESAMIENTO DIGITAL DE IMÁGENES, SEGMENTACIÓN PARA LA DETECCIÓN DE ÁREAS CONTAMINADAS POR PETRÓLEO.
Freddy Pincay Bohórquez
Grupo de Investigación en Automatización y Telemática Facultad de Ingeniería Industrial, Universidad de Guayaquil
Guayaquil, Ecuador freddy.pincayb@ug.edu.ec
Ángel Plaza Vargas
Grupo de Investigación en Automatización y Telemática
Facultad de Ingeniería Industrial, Universidad de Guayaquil Guayaquil, Ecuador
angel.plazav@ug.edu.ec
Iván Acosta Guzmán
Grupo de Investigación en Automatización y Telemática
Facultad de Ingeniería Industrial, Universidad de Guayaquil Guayaquil, Ecuador
Ivan.acostag@ug.edu.ec
RESUMEN
La contaminación por petróleo es uno de los problemas ambientales más importantes que afectan a nuestro mundo, ya que causa efectos adversos en el hombre, en los animales, vegetales o materiales expuestos a dosis que sobrepasen los niveles aceptables en la naturaleza.
El procesamiento digital de Imágenes (PDI) consiste en el análisis de las imágenes por medio de una computadora digital ya que permite la clasificación de los elementos de la imagen, la cual se plantea hacer una experimentación utilizando diferentes
algoritmos de segmentación para la determinación de áreas contaminadas por petróleo y aceites de motor quemados.
Disponer de sistemas automáticos análisis de imágenes, para que puedan ser En este trabajo se propone un modelo basado en análisis digital de imágenes para la detección automática de los contaminantes antes mencionados en suelos y aguas superficiales.
El propósito de la segmentación es descomponer la imagen en regiones con características de color similares, con la intención de identificar y delimitar objetos.
Uno de los componentes clave ha sido la identificación de los diferentes objetos que componen la imagen.
El presente trabajo trata de identificar regiones de imágenes digitales contaminadas por petróleo en ambientes controlados, donde se analiza las imágenes con un clasificador controlado y adiestrado para que seleccione áreas contaminadas diferenciando la contaminación por petróleo y aceite quemado como se muestra en la siguiente figura.
Palabras Claves: Contaminación ambiental, análisis de imágenes, segmentación, clasificación de imágenes.
1. INTRODUCCIÓN
Ecuador es un país comprometido con el medio ambiente, en la última década ha creado políticas que contribuyen a la conservación de la misma, pero a pesar de estar enrumbados no se puede negar que la contaminación en las distintas fases de la industria petrolera como son la comercialización, exploración, explotación, refinación y almacenamiento de crudo, son difíciles de mitigar, y es importante reconocer y evaluar los daños para que se tomen las acciones correspondientes.
Todo procesamiento digital de imágenes para por las siguientes fases:
Figura 1 Etapas del procesamiento digital de imágenes.
2. Modelo Propuesto
Figura 2 Modelo propuesto para clasificación
de contaminantes por petróleo. Fase 1
• Seleccionar el ámbito de la imagen
Las imágenes se centran en áreas contaminadas por petróleo y algunos de sus derivados como son Aceite de motor 15 w40 para motores a Diésel, SAE 15W-40, SAE 20W-50 para motores a gasolina.
•Seleccionar el ámbito de la imagen •Detección de Bordes
•Atenuar el ruido - binarizar la imagen
•Determinar erosión y dilatación •Determinar la vencindad
Fase 1
•Clasificación estratificada •Operaciones generales:
•Tendencia central y dispersión •Histogramas
•Correlación y regresión entre bandas
Fase 2
•Comparación de regiones •Determinación de contaminante
Fase3
Se debe de aplicar filtros para el mejoramiento de la calidad de la imagen digital ya que se deben considerar los aspectos de brillo, contraste, los ajustes de color, tono, saturación, luminosidad, umbral para que den mejores resultados al ser procesados.
• Atenuar el ruido - binarizar la imagen Tienen por objeto reducir el ruido y/0 efectos espurios que suelen darse al momento de la captura de la imagen y que ayudaran al proceso de detección de bordes que se lo puede determinar a partir de la imagen binaria del mismo tamaño de la original, donde “1” significa que encontró el borde y “0” que no lo ha encontrado.
• Detección de Bordes
Permite la definición de dos regiones para delimitar la frontera de objetos y posteriormente para la segmentación de la misma a partir de los distintos niveles de intensidad, determinar erosión y dilatación
La discontinuidad consiste en dividir una imagen basándose en los cambios bruscos del nivel de gris y pueden ser: a) detección de puntos aislados, y b) detección de líneas y c)
detección de bordes o contornos de una imagen.
• Determinar la vecindad
Dos pixeles están agrupados si tienen características similares se lo puede aplicar con vecindad-4 en Matlab.
• Segmentación
La segmentación subdivide una imagen en sus partes constituyentes u objetos, con el fin de separar las partes de interés del resto de la imagen, por lo tanto el nivel al que se lleva a cabo esta subdivisión depende del problema a resolver.
Figura 4 Diagrama de Flujo del algoritmo de
segmentación basado en crecimiento de regiones.
(b) (b)
Figura 3 (a) Se muestra la imagen digitalizada sin efectos. (b)Se muestra una imagen transformada y aplicada la atenuación de ruido.
Fase 2
Clasificación estratificada
La clasificación morfológica de los contaminantes ambientales anteriormente mencionados, no muestra formas simétricas definidas, pero sin embargo al aplicar la segmentación resaltan los bordes de la superficie de las áreas contaminadas, que tienden a ser un poco redondas en el caso de la superficie liquida.
Operaciones generales:
o Tendencia central y dispersión
Con un diagrama de dispersión relacionamos los valores de dos imágenes diferentes o de dos bandas de una imagen. Debe tratarse de dos imágenes/bandas referidas a la misma zona. La forma del diagrama indicará el entre los niveles digitales de las imágenes o bandas.
o Histogramas
El histograma relaciona los valores de la imagen con su frecuencia de aparición, es decir, representa el número de veces que aparece un valor en una imagen concreta. En un histograma se pueden identificar zonas con espectral diferente, e incluso estimar la superficie ocupada por el mar en una imagen.
o Correlación y regresión entre bandas
Correlación Digital de Imágenes (DIC) es una técnica óptica de campo completo que permite la medición de desplazamientos y deformaciones [1-2]. La técnica consiste en la toma de imágenes digitales durante el ensayo de una probeta desde su estado inicial (considerado como el de referencia) hasta su estado final (deformado). Previamente a la realización del ensayo, en general, las probetas son tratadas para poder aplicar la técnica DIC
Fase 3
• Comparación de regiones
Es una técnica muy utilizada, que consiste en el crecimiento de regiones agrupando pixeles adyacentes que presentan características o propiedades similares. Se parte de un conjunto de puntos “semilla” y se hace crecer las regiones, añadiendo a los puntos semilla los puntos vecinos que tengan propiedades similares, como intensidad, textura, color, etc
• Determinación de contaminante Se hizo una comparación a partir de los bordes de las áreas contaminadas, de donde se extraen los valores de los componentes de los espacios de color RGB, imagen binaria y se los compara con cada punto de los puntos
conocidos como contaminados, clasificando dependiendo del contaminante.
3. RESULTADOS
Se han tomado 150 imágenes en contaminaciones controladas de las cuales 15 corresponden a terrenos sin contaminación y 135 a terrenos contaminados por los diferentes derivados del petróleo antes mencionados, todas pasaron por las distintas fases de procesamiento y se determinó que 129 imágenes correspondían a imágenes con rastros de contaminación dando una efectividad del 95,5%. Las 129 imágenes estaban divididas el 40 % con residuos de petróleo, 20 % con residuos de aceite SAE 15 w40, 20% SAE 15W-40, 20 % SAE 20W-50 se identificaron 22252 a un promedio de 140 regiones por imagen.
4. DISCUSIÓN Y CONCLUSIONES
El presente trabajo trata de identificar regiones de imágenes digitales contaminadas por petróleo en ambientes controlados, donde se analiza las imágenes con un clasificador controlado y adiestrado para que seleccione áreas contaminadas diferenciando la contaminación por petróleo y aceite quemado como se muestra en la siguiente figura.
Lo cual se concluye que la muestra obtenida permite reconocer las áreas afectadas y que es posible diferenciar entre petróleo y aceite quemado, pero no se encontró mayor diferencia entre los diferentes aceites 15 w40, 20% SAE 15W-40, 20 % SAE 20W-50.
Se debe considerar que para futuros trabajos se podría añadir otras características en la adquisición de imágenes digitales con el fin de que se aumenten características para aumentar diferencias entre los diferentes contaminantes del petróleo y derivados.
5. REFERENCIAS
[1] E. López-Alba R. López-García , R. Dorado,
F. A. Díaz, “Aplicación de correlación digital de
imágenes para el análisis de problemas de
contacto”
Figura 5 En la primera parte la imagen contaminada y luego se muestra los resultados de la identificación automática de áreas contaminadas por petróleo (azul), aceite quemado (rojo).
[2] Dra. Nora La Serna Palomino, Lic. Ulises Román Concha, “Técnicas de Segmentación en Procesamiento Digital de Imágenes”
[3] F. Veredas, H. Mesa, and L. Morente, “Binary tissue classification on wound images with neural networks and bayesian classifiers.,” IEEE Trans. Med. Imaging, vol. 29, no. 2, pp. 410–27, Feb. 2010.
[3] D. Comaniciu and P. Meer, “Mean shift: a robust approach toward feature space analysis,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 24, no. 5, pp. 603–619, May 2002.
[4] H. Gonçalves, J. A. Gonçalves, and L. CorteReal, “HAIRIS: a method for automatic image registration through histogram-based image segmentation.,” IEEE Trans. Image Process., vol. 20, no. 3, pp. 776–89, Mar. 2011. [5] G. Vaccaro and J. I. Pelaez, “Un Sistemas para Detección de Contaminación por Hidrocarburos: Aplicación al Oriente Ecuatoriano,” Memorias de la Décima Quinta Conferencia Iberoamericana en Sistemas, Cibernética e Informática (CISCI 2016) 2014, pp.180–185.
[6] Porres de la Haza, María Joaquina, “Herramientas y estadísticas básicas para el análisis de la imagen digital”, pp 3 -7.
[7] Bunke, H., Villanueva, J. J., & Sánchez, G. (Eds.). (2009). Progress in computer vision and image analysis. Retrieved from https://ebookcentral.proquest.com
[8] Reyes-Aldasoro, C. C. (2015). Biomedical image analysis recipes in matlab. Retrieved from https://ebookcentral.proquest.com
[9] Aguado, A. S. (2012). Feature extraction and image processing for computer vision. Retrieved from https://ebookcentral.proquest.com
[10] Siogkas, G. (2013). Visual media processing using matlab beginner's guide.
Retrieved from