08/05/2015
1
Estudio de una alternativa a OTSU para la separación entre cultivos y malas hierbas en imágenes UAV
Hito 1.1.2 Monitorización de cultivos y malas hierbas mediante tecnologías aéreas con sensores en infrarrojo para la mejora de la gestión agrícola
Juan José Caballero NovellaFrancisca López Granados
CÓRDOBA, 06‐MARZO‐2015
Idea básica de Otsu “Normal”
‐ Aplicado a OBIA.
‐ Objetos en la imagen son separados en dos clases.
‐ Búsqueda del umbral (threshold) que minimiza la varianza intra‐clase.
‐ Clase “Back” corresponde a Suelo y “Fore” a Vegetación.
08/05/2015
2
Otsu “Valley”
‐Maximizar la varianza entre las distintas clases.‐ Umbral está entre los dos picos máximos (el valle) del histograma.p ( ) g
‐ A menor aparición de un valor concreto, mayor % de que sea el umbral.
D. BimodalD. Unimodal
Idea básica de Otsu “Valley”
‐ Orientado a imágenes con valores discretos.g
‐ Alto grado de impurezas/imperfecciones.
‐ Aplica un peso a cada umbral potencial según su frecuencia.
‐ Importancia del número de objetos que hay en cada valor concreto.
08/05/2015
3
Primer Intento…
‐ Segmentación y procesamiento mediante eCognition Trial 9
‐ Series de imágenes “Finca_IAS 2013‐02‐05” y “Finca_IAS 2013_01_04”.
‐ UAV multirrotor MD4‐100, cámara Olympus RGB a 30m.
‐ Trigo muestreado entre enero y febrero de 2013 con presentaba infestaciones naturales de Lolium rigidum
‐Multiresolution Segmentation: Scale 20, Shape 0.4, Compactness 0.5, l { }pesos de las capas {1,1,1}
‐Índice VEG:
08/05/2015
4
Resultados
08/05/2015
5
Resultados
‐ Criba importante en el número de clases “Fore” (vegetación).
‐ Tiempo de ejecución muy alto (x4‐x10 Otsu Normal)
‐ Picos de verdor máximo.
‐ Casos en que mala hierba se mezclaba con cultivo, pero no siempre.
Segundo Intento…
‐ Imágenes de Girasol
‐ UAV multirrotor MD4‐100, Olympus RGB a 60m (resampleada) y 30m.
‐Multiresolution Segmentation: Scale 10, Shape 0.4, Compactness 0.5, pesos de las capas {1,1,1}
‐ Imagen de Girasol 07‐05‐2013 Campo 1.
‐ Índice ExG:
‐ ExG Normalizado:
08/05/2015
6
Segundo Intento…
Normal:
Nº de clases en “Fore” (¿MH? ¿Veg+MH?)Nº de clases en “Back” (¿Suelo? ¿Suelo+veg?)
Valley:
Nº de clases correspondientes al Threshold
Otsu MultiThreshold
‐ Tres Clases: Back (Suelo), Fore (Cultivo) y Weed (Malas Hierbas)
‐ Índice Cultivo > Índice Mala Hierba > Índice Suelo
‐ThresdefW (separa Suelo/MH) y ThresdefC (separa MH/Cultivo)
‐ “Buffer” para el nº de clases que contiene el Threshold ( +0.01 en ExGN)
‐ PtC = Subclases en Fore con ExG+0.01
‐ PtW = Subclases en Weed con ExG+0.01
08/05/2015
7
08/05/2015
8
08/05/2015
9
Conclusiones y futuro
‐ “Valley” detecta vegetación en circunstancias que Otsu “Normal” no.
‐ Distingue entre Vegetación y MH sin directrices adicionales.g g y
‐ Aun requiere mayor tiempo de computación de Otsu.
‐ Complementar el algoritmo para eliminar falsos positivos de MH.
‐ Estudiar tamaño del “Buffer” óptimo.
‐ Volver a las imágenes originales con la nueva versión de “Valley”.
‐ Probar Otsu “Normal” MultiThreshold
