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