Identificación de especies invasoras de plantas en la isla de Gran Canaria a partir de su corteza

ESCUELA DE INGENIERÍA DE TELECOMUNICACIÓN Y ELECTRÓNICA PROYECTO FIN DE CARRERA Identificación de especies invasoras de plantas en la isla de Gran Canaria a partir de su corteza Autor: Luis José Blanco Mier Tutores: Carlos Manuel Travieso González José María Quinteiro González Pablo Hernández Morera Titulación: Ingeniero de Telecomunicación Fecha: Junio de 2016 ESCUELA DE INGENIERÍA DE TELECOMUNICACIÓN Y ELECTRÓNICA PROYECTO FIN DE CARRERA Identificación de especies invasoras de plantas en la isla de Gran Canaria a partir de su corteza HOJA DE FIRMAS Alumno Tutor Fdo.: Luis José Blanco Mier Fdo.: D. Carlos M. Travieso González Tutor Tutor Fdo.: D. José Mª Quinteiro González Fdo.: D. Pablo Hernández Morera Fecha: Junio 2016 ESCUELA DE INGENIERÍA DE TELECOMUNICACIÓN Y ELECTRÓNICA PROYECTO FIN DE CARRERA TÍTULO DEL PROYECTO FIN DE CARRERA HOJA DE EVALUACIÓN Calificación: ___________________________ Presidente Fdo.: Nombre del Presidente Vocal Secretario/a Fdo.: Nombre del vocal Fdo.: Nombre del secretario Fecha: Junio 2016 I. ÍNDICES III ÍNDICE I. ÍNDICES ................................................................................................................................................... I Índice de Ilustraciones ............................................................................................................................ VII Índice de Tablas ........................................................................................................................................ IX Lista de acrónimos .................................................................................................................................... XI II. MEMORIA .................................................................................................................................................. 1 CAPÍTULO 1: INTRODUCCIÓN ................................................................................................................. 3 1.1 La biodiversidad ........................................................................................................................... 5 1.2 La biodiversidad en las islas Canarias ....................................................................................... 6 1.3 Marco tecnológico, social y económico ...................................................................................... 7 1.4 Antecedentes.................................................................................................................................. 9 1.4.1 Reconocedores automáticos de plantas ................................................................................. 9 1.4.2 Desarrollo de Aplicaciones .................................................................................................... 13 1.5 Objetivo del proyecto ................................................................................................................. 13 1.6 Estructura de la memoria ........................................................................................................... 15 1.7 Peticionario .................................................................................................................................. 17 CAPÍTULO 2: LA BASE DE DATOS ......................................................................................................... 17 2.1 Introducción ................................................................................................................................. 19 2.2 Recogida de muestras ................................................................................................................. 19 2.3 Características de las imágenes ................................................................................................. 35 2.4 Sistemas y algoritmos de preprocesado de la imagen ........................................................... 36 2.4.1 Sistema Escala de grises (GRAY) .......................................................................................... 37 2.4.2 Sistema de Ecualización del histograma (HistEq) .............................................................. 38 2.4.3 Algoritmo NoBackground (NB) ........................................................................................... 39 CAPÍTULO 3: EXTRACCIÓN DE PARÁMETROS ................................................................................. 43 X Tabla 25: Costes de las herramientas Hardware ..................................................................................... 150 Tabla 26: Factor de corrección de los honorarios .................................................................................... 152 Tabla 27: Costes por tiempo empleado .................................................................................................... 152 Tabla 28: Coste de las herramientas y el tiempo empleado................................................................... 153 Tabla 29: Cálculo del coste total del proyecto ......................................................................................... 154 XI LISTA DE ACRÓNIMOS ACM: Auto-correlation Method. COMM: Co-Occurrence Matrix. DWT: Discrete Wavelet Transform. EITE: Escuela de Ingeniería de Telecomunicación y Electrónica. GLCM: Gray-Level COMM. HLBP: Histograma de LBP. HM: Histogram Method. ITU: Organización Internacional de las Telecomunicaciones. LBP: Local Binary Pattern. LCLE: Long Connection Length Emphasis. LSSVM: Least Square SVM MMC: Moving Median Centers. MNSM: Multiple NSM. NN: Neural Network. NSM: Narrow Signal Model. PFC: Proyecto Fin de Carrera. PNG: Portable Network Graphics. RBF: Radial Basis Function. RBPNN: Radial Basis Probabilistic NN. RLM: Run Length Method. SVM: Support Vector Machine. TIC: Tecnologías de la Información y la Comunicación. XII ULPGC: Universidad de Las Palmas de Gran Canaria. II. MEMORIA CAPÍTULO 1: INTRODUCCIÓN Dios hizo nacer el árbol de vida y el árbol de la ciencia […]. Génesis 2:9 5 1.1 LA BIODIVERSIDAD La diversidad biológica, o biodiversidad, es el término por el que se hace referencia a la amplia variedad de seres vivos sobre la Tierra y los patrones naturales que la conforman. Esta diversidad forma la red vital de la cual todos forman parte integrante y de la cual tanto dependen. Ha hecho de la Tierra un lugar habitable y único para los seres humanos. Además, la diversidad biológica ofrece un gran número de bienes y servicios económicos, sociales y medioambientales [1]. La crisis de la biodiversidad es una amenaza seria al desarrollo humano. Pese a los renovados esfuerzos de estos últimos veinte años, la pérdida de diversidad biológica ha seguido su curso inexorable. Por lo tanto, es necesario actuar para salvar lo que queda [1]. Se han encontrado cinco causas principales que ocasionan esta pérdida: 1) El deterioro y la transformación del hábitat. 2) La presencia y propagación de especies invasoras. 3) La sobreexplotación de las poblaciones de especímenes. 4) La contaminación química de aire, agua y suelo. 5) El cambio climático sobre el ecosistema [2]. Para frenar la pérdida de biodiversidad hay que: Aumentar el esfuerzo de restauración de las especies en peligro. Reducir la explotación silvestre. Conservar las áreas naturales. El interés de este proyecto radica en la conservación de las áreas naturales mediante la identificación y control de especies invasoras. 6 1.2 LA BIODIVERSIDAD EN LAS ISLAS CANARIAS La problemática de la pérdida de la biodiversidad se hace todavía más relevante a nivel regional, puesto que el archipiélago canario posee una importante diversidad biológica, con una excepcional presencia de especies endémicas. Esto ha propiciado que las islas sean merecedoras de un reconocimiento universal. Su situación geográfica, relieve volcánico y especiales condiciones de aislamiento biológico [3] han dado lugar a una gran variedad de ecosistemas. Pasando por el cálido clima que ofrece la costa, se puede llegar a las húmedas selvas de la laurisilva, para luego subir hasta los secos matorrales de la cumbre (véase la Ilustración 1). Además, esta riqueza se extiende también a los ecosistemas marinos [4]. Ilustración 1: Principales ecosistemas canarios 7 Esta amplia variedad de ecosistemas ha favorecido el desarrollo de procesos evolutivos que han originado nuevas especies animales y vegetales. Se estima que casi el 30 % de las plantas y animales terrestres que habitan Canarias son endémicos [3]. Las singulares características de Canarias han permitido el desarrollo de una riqueza ecosistémica y biológica excepcional. Junto con las amenazas derivadas de la presión demográfica y de la competencia por los usos del suelo, se ha desarrollado una normativa específica de protección del territorio, los hábitats y las especies. Aproximadamente, el 42 % del territorio insular se encuentra adscrito a la Red Canaria de Espacios Naturales Protegidos, y a su vez, a la red europea Natura 2000 [5]. Además, el Catálogo Canario de Especies Protegidas recoge un total de 556 especies a proteger, de las cuales 64 están clasificadas como plantas y hongos invasores en la isla de Gran Canaria. Según se tiene catalogado por la plataforma GesPlan, en la isla de Gran Canaria existen diversas plantas invasoras las cuales hay que tener controladas y localizadas [6]. 1.3 MARCO TECNOLÓGICO, SOCIAL Y ECONÓMICO Sobre la pérdida de biodiversidad, actúan además factores globales, como son las costumbres de la sociedad, la situación económica o los mismos tiempos. La época que nos ha tocado vivir recibe el nombre de Era de la Información debido al alcance que han tenido las tecnologías de la información y la comunicación. Ordenadores, teléfonos e internet son productos y servicios que se usan con frecuencia por casi cualquier persona en el mundo. Hay que recalcar que el dispositivo que engloba los conceptos de la computación, la telefonía y la información es, por excelencia, el teléfono inteligente o smartphone. Es un dispositivo ampliamente distribuido entre la población. Así lo reflejan las 14 manera es menos invasivo a que si, por ejemplo, se pretendiera realizar dicha identificación con el escaneo de una hoja. Si la identificación resulta fallida, eso querría decir que la planta en cuestión no se califica como invasora. Además de la identificación automática de la especie de planta invasora a la que pertenece la fotografía de su corteza, se pretende conseguir: Hacer dicha identificación con una alta precisión. Detectar cuáles son los algoritmos y sistemas más eficientes en cuanto a la extracción de parámetros y la clasificación. Optimizar los recursos para que la identificación in situ tenga una duración soportable, con lo que el usuario pueda percibir la información en tiempo real. Para lograr estos objetivos, se dispone de una base de datos de 23 especies de plantas catalogadas como invasoras en la isla de Gran Canaria. De cada especie se tienen 40 fotografías de cortezas, en formato Portable Network Graphics (PNG). Utilizando un programa orientado al procesamiento digital de la imagen, tal como MATLAB [20], se pretende extraer los parámetros de estas imágenes, para luego introducirlos en un clasificador [21]. Al final, se puede hacer un análisis detallado de la funcionalidad del sistema completo. Teniendo en cuenta que en el PFC con título Diseño de aplicación móvil para detección de plantas invasoras. Integración de framework IUMA, se ha desarrollado una aplicación que gestiona el tema de las rutas de senderismo a lo largo de la isla, haciendo uso del GPS. Sin embargo, el algoritmo que realiza dicha detección solo se encuadró. Efectivamente, la implementación del reconocedor automático de plantas invasoras forma parte del presente proyecto, pero no su integración [22]. 15 Como ya se ha visto, una de las causas de la pérdida de biodiversidad es la proliferación de especies invasoras. Este proyecto pretende dar solución al problema, tratando de conservar las áreas naturales a través del control de la propagación de las especies invasoras que predominen sobre las autóctonas. 1.6 ESTRUCTURA DE LA MEMORIA Este documento consta de las siguientes secciones [23]: a) Portada. Marca el inicio de este documento, indicando las personas y órganos institucionales que han colaborado en la realización del proyecto. b) Hoja de firmas. En ellas, los tutores y el propio autor aprueban la presentación de este proyecto. Además se dispone de una sección para que el tribunal lo evalúe. c) Índices. Es una guía para recorrer todo el documento. Con ella se puede encontrar fácilmente un apartado, ilustración o tabla. Así mismo, se incluye una lista de acrónimos que se repiten a lo largo del documento. d) Memoria. En ella se encuentra toda la documentación relevante en cuanto al desarrollo e implementación del reconocedor, junto con el impacto que representa. Además, se incluyen al final todas las referencias bibliográficas que correspondan. e) Pliego de condiciones. En el pliego de condiciones se definen las cláusulas que deben cumplirse entre el propietario del proyecto y su ejecutor. f) Presupuesto. Se detalla cuál es el coste estimado total de la realización de este proyecto. Propiamente, la memoria se ha dividido en los siguientes capítulos: 16 1) Introducción. En esta primera sección, se trata de orientar al lector sobre los temas que se discutirán más adelante en cada apartado. Además, se define el marco tecnológico y medioambiental, para que luego quede justificado el objetivo del proyecto. Por otro lado, se muestra los sistemas que se han implementado o se están implementando hasta la fecha y que suponen una solución al problema planteado. 2) Base de Datos. Se describe todo lo referente a la base de datos utilizada para la realización de este proyecto. Está formada, únicamente, por imágenes en alta resolución. Además, se exponen algunos algoritmos y sistemas para realizar un pre-procesado de la imagen. 3) Parametrización. Como primera fase de la etapa de diseño, se muestran las diferentes técnicas utilizadas para tratar la base de datos con el objetivo de extraer su información más relevante. 4) Clasificación. Como segunda fase de la etapa de diseño, se describe el funcionamiento del tipo de clasificador utilizado en los procesos de entrenamiento y test. Además, se muestra la forma que van a tener los resultado finales. 5) Experimentos y resultados. Los diferentes algoritmos y sistemas aplicados en la extracción de parámetros junto con los clasificadores generados en el anterior apartado, proporcionan diferentes resultados. Esto sirve para encontrar el conjunto de algoritmos y sistemas con mayor funcionalidad. 6) Conclusiones y líneas futuras. Finalmente, se exponen las conclusiones que se extraen de los resultados obtenidos, junto con ideas para mejorar el sistema final. Además, se comenta la innovación que puede suponer este proyecto. 17 1.7 PETICIONARIO Actúa como peticionario de este proyecto la Escuela de Ingeniería de Telecomunicación y Electrónica (EITE) de la ULPGC, siendo la realización de este Proyecto de Fin de Carrera (PFC) requisito indispensable para la obtención del título de Ingeniero de Telecomunicación [23]. 17 CAPÍTULO 2: LA BASE DE DATOS La botánica no es una ciencia, es el arte de desecar plantas e insultarlas en griego y latín. Alphonse Karr 19 2.1 INTRODUCCIÓN En este capítulo se presenta la base de datos a la que se va a recurrir, indicando cómo se ha conseguido. Además, se hace una descripción de cada especie que la constituye. Por otro lado, se detallan algunos sistemas y algoritmos implementados para mejorar las imágenes, con la intención de facilitar su reconocimiento automático. La base de datos desempeña dos objetivos en este proyecto. El primer objetivo es el desarrollo del reconocedor automático de plantas. A través de la parametrización de las imágenes de la base de datos, se pretende definir el clasificador. Con el primer objetivo cumplido y utilizando las muestras que no se usaron en la primera parte, se prueba el sistema implementado. Estas muestras simulan ser las entradas de este sistema, dando a la salida, indicadores de la funcionalidad de dicho sistema. Se explicará más sobre estos temas en capítulos posteriores. 2.2 RECOGIDA DE MUESTRAS El punto de partida de este proyecto ha sido una base de datos de imágenes de plantas. En éstas aparece sólo una sección de la corteza. Hay que tener en cuenta que la base de datos no está formada únicamente por árboles, sino también por tuneras y hierbas, entre otras. Por esto, la palabra “tronco” no puede definir completamente las imágenes que se pretenden reconocer. Aclarado esto, se dispone de una base de datos de 920 imágenes de cortezas de plantas. Éstas están dividas por directorios, donde cada uno de ellos se corresponde con una especie en concreto. Cada especie contiene a su vez 40 20 imágenes, lo que hace que el número de especies del que se dispone sea 23 (40 imágenes/especie * 23 especies = 920 imágenes). A continuación, se muestra una tabla con el nombre científico, nombre común y una descripción de las características de cada especie. Nombre científico Nombre común Características Acacia cyclops Acacia majorera Arbusto de la familia de las leguminosas de 3-4m de altura. Su follaje oculta al tallo y casi llega hasta el suelo. Las ramillas son angulosas de color castañoverdoso, tornándose más redondeadas y oscuras con el tiempo. Presenta filodios erectos, planos, oblongos y estrechos de 4-9cm x 6-12mm, con nervios más o menos paralelos. Flores pentámeras, legumbre oblonga o linear con los márgenes engrosados, semillas elípticas de 5-7mm de largo dispuestas longitudinalmente con funículo grueso, rojo o anaranjado rodeando la semilla. Acacia cyanophyl la/saligna Mimosa azul Árbol perennifolio de entre 5 y 6m de altura, copa irregular de 4 a 6m de diámetro, ramas péndulas, hojas simples, alargadas, estrechas, a menudo curvadas, de entre 8 y 25cm de longitud y color verde-azulado; tronco tortuoso de corteza marrónrojizo y más adelante fisurada de color gris oscuro, flores (marzo-mayo) amarillas o anaranjadas y frutos 21 (verano) aplanados marrón-rojizo. Agave americana Pitera común, pita, maguey, magüey, pitaco Planta de aspecto robusto de diámetro y altura similares (2m) formada por grandes rosetas basales de hojas largas, lanceoladas, carnosas, muy gruesas, espinosas en los márgenes y en el ápice y de color gris-azulado. Al llegar a su madurez aparece el tallo floral, que emerge a principios de primavera y florece en verano una única vez en su vida. Este tallo puede medir hasta 10m y las flores son de color amarillo pálido. Sus frutos se encuentran en cápsulas alargadas y las semillas son negras y aplanadas. Agave azul Agave tequilana Planta perenne en forma de roseta de hojas largas, rígidas, puntiagudas, fibrosas, lanceoladas y de color verde-azulado que presentan espinas marginales y apicales. Alcanza una altura de entre 1´20 y 1´80m. Florece sólo una vez, en el extremo de un largo tallo floral (quiote) que crece cuando llega la madurez de la planta. Araucaria excelsa/ Heterophy lla Pino de Norfolk, pino de pisos Conífera perennifolia normalmente de entre 20 y 25m de altura, copa cónica de 3 a 8m de diámetro, tronco de corteza rugosa que se exfolia en escamas finas de color gris-amarronado en torno al cual ramas casi horizontales se disponen de forma simétrica formando pisos. Produce hojas de dos tipos en ramas fructíferas que llegan a ser punzantes. Sus hojas 28 Nombre científico Origen Imagen general Imagen de la corteza Acacia cyclops Oeste y sur de Australia Acacia cyanophyl la/saligna Suroeste de Australia Agave americana México 29 Agave azul México Araucaria excelsa/ Heterophy lla Isla de Norfolk, Australia Cupressus macrocarp a California, EEUU 30 Eriobotry a japonica China y Japón Eucalyptu s camaldule nsis Australia Ficus carica Región mediterránea y oeste de Asia 31 Leucaena leucoceph ala México Nicotiana glauca Argentina, Paraguay y Bolivia Opuntia azurea México; y Texas, EEUU. 32 Opuntia dillenii Centroaméri ca y Caribe Opuntia durangens is México Opuntia maxima México Opuntia pycnantha México; y Carolina del Sur, EEUU. 33 Opuntia tomentosa México y Nicaragua Phoenix dactylifer a Norte de África y oeste de Asia Ravenala madagasc ariensis Madagascar 34 Ricinus communis África tropical Rumex lunaria Italia Schinus molle Sur y oeste de Sudamérica Tabla 3: Origen, imagen general e imagen de muestra. Toda esta información de partida ha sido recopilada por el Departamento de Señales y Comunicaciones de la EITE de la ULPGC. Como inciso, sólo queda 35 decir que es la primera vez que se utiliza esta base de datos en un trabajo. Esto recalca la innovación que supone este proyecto. 2.3 CARACTERÍSTICAS DE LAS IMÁGENES El departamento se ha ocupado de la captura de las fotografías, utilizando para ello una cámara digital. Las imágenes han sido tomadas en el campus universitario de Tafira y en el jardín botánico Viera y Clavijo (Las Palmas de Gran Canaria), durante los meses de mayo y junio del año 2015. Las imágenes muestran pequeñas diferencias de calidez debido a las variaciones de las condiciones climáticas, que oscilaban entre soleado y lluvioso. Se ha tenido especial cuidado en que las fotografías se captasen de la forma más directa posible, y sin daños, quemaduras o calvas. La resolución varía mucho para cada imagen. Esto se debe a que, además, se recortaron las imágenes para que cada fotografía muestre, únicamente, la corteza de la planta. No obstante, debido a que algunos marcos de las fotos no se recortan sobre una de las dos dimensiones, se deduce que esa dimensión en concreto tiene la longitud máxima: 4608 píxeles. El formato de las imágenes es png, con una profundidad de color de 24 bits. Se utiliza este formato para garantizar una excelente calidad y no excederse en el espacio en disco que ocupan dichas imágenes, ya que PNG realiza una compresión sin pérdidas. Este sistema es adecuado para pocas variaciones de color, lo que lo hace ideal para esta base de datos [24]. Como se ha visto en el apartado anterior, las imágenes o muestras están organizadas en carpetas con el nombre de la especie. Dentro de cada una de ellas, se encuentran 40 imágenes, cuyo nombre va desde 1.png hasta 40.png. Con esta nomenclatura se facilita la ejecución repetitiva de un sistema o algoritmo sobre cada imagen. En total, la base de datos ocupa 2,44 GB (2.623.738.568 bytes). 36 La naturaleza de las imágenes puede ser interpretada como texturas. Esto es una característica a tener en cuenta en el capítulo siguiente, debido a que la elección de los algoritmos y sistemas a implementar se ve condicionada por dicha naturaleza. 2.4 SISTEMAS Y ALGORITMOS DE PREPROCESADO DE LA IMAGEN El pre-procesado de la imagen es la aplicación de programas dedicados a mejorar la presentación de dicha imagen sin tener en cuenta su naturaleza. En contraposición, los sistemas y algoritmos que sí tienen en cuenta que las imágenes son texturas son los descritos en el próximo capítulo. Tanto para este apartado como para el próximo capítulo, es necesario discernir entre sistema y algoritmo. Tal y como se ve en este proyecto, un sistema es una composición y estructura ya definidos sobre el entorno de programación utilizado. Cumplen con unos conceptos teóricos computacionales y matemáticos. En todos los casos, los sistemas forman parte de un toolbox del entorno utilizado: MATLAB. Un algoritmo también parte de unos conceptos teóricos. Sin embargo, no se dispone de la definición de dichos conceptos. La tarea de definir los algoritmos recae en este proyecto. En cuanto al entorno, es idéntico. Es importante tener en cuenta que, en todos los casos, las imágenes son tratadas como matrices, donde cada elemento se corresponde con un píxel de la imagen. Así, se pueden realizar funciones computacionales y matemáticas sobre las mismas. 37 A continuación, se muestran dos sistemas y un algoritmo utilizados en el pre-procesado de cada una de las imágenes de la base de datos. Al hacerlo, el entorno genera un directorio nuevo, similar a la base de datos, donde se guardan las imágenes resultantes de cada sistema/algoritmo. El nombre del directorio es asignado en función del sistema/algoritmo y de todos los demás por los que hayan pasado previamente las imágenes. 2.4.1 Sistema Escala de grises (GRAY) Teniendo en cuenta que se pretende interpretar la textura de las cortezas de las plantas, la información que se puede extraer del color de la imagen es irrelevante. De hecho, en una misma especie puede haber diferencias significativas de color entre dos muestras. Por esta razón, se pasan las muestras a escala de grises, dando como resultado imágenes en blanco y negro. En concreto, son 920 imágenes en blanco y negro, una por cada muestra en la base de datos. Al eliminar el color, es decir, 2 de los 3 campos que definen una imagen, la profundidad del color pasa de 24 a 8 bits. Esto se corresponde con los 256 colores grises que la imagen puede tomar. Las imágenes en escala de grises son utilizadas en todo el proyecto, ya que descartan el color. Así, deja de ser necesario el acceso a la base de datos original. En el siguiente ejemplo, se muestra la imagen antes (izquierda) y después (derecha) de pasar por el sistema. 45 3.1 INTRODUCCIÓN En este capítulo se presentan los sistemas y algoritmos dedicados a la extracción de parámetros de las imágenes, también denominada parametrización. Estos son el LBP, el COMM o GLCM y el DWT. Los tres son descritos en función de su campo de aplicación y características. Además, se presenta un sistema que modifica el tamaño de las imágenes y un algoritmo que convierte las matrices en vectores. Todo esto se hace para que los datos cumplan con la estructura que necesita el clasificador. 3.2 LOCAL BINARY PATTERN (LBP) LBP es un operador de textura muy eficiente y de gran simplicidad, que etiqueta los píxeles de una imagen en referencia a uno. Debido a su simplicidad computacional, el operador LBP es un método popular en el procesado digital de la imagen. La ULPGC abala su aplicación con exitosos proyectos de reconocimiento automático de imágenes [25], [26], [27]. 3.2.1 Metodología LBP proporciona una matriz, donde cada elemento indica el gradiente de la imagen original. La posición de dicho elemento coincide con la posición de los píxeles de la imagen original. Para conseguirla hay que realizar una serie de operaciones computacionales: 1. Para empezar, se toma un bloque de 3x3 píxeles de la imagen original. Para este caso, sus valores serán números enteros entre 0 y 255. 2. De ese bloque, se toma el valor del píxel central como umbral. Este es comparado con cada uno de los píxeles restantes. Si el valor del píxel es menor que el umbral, el resultado será un 0; sino, 1. 46 3. Como la operación se hace en conjunto, el resultado es un nuevo bloque de 3x3 con valores binarios, es decir, ó 0 ó 1. Este nuevo bloque no tiene centro. 4. Si se quita el centro, en total hay 8 elementos. Tratando de estirar la matriz en un vector, se elige un punto de partida y una dirección arbitrarios. Entonces, se obtiene un número binario de 8 bits. La ilustración 10 muestra las 4 operaciones aplicadas. Ilustración 10: Una iteración de LBP 5. Si se transforma este número binario de 8 bits a un número entero sin signo, se obtiene, nuevamente, un número entero comprendido entre el 0 y el 255. A modo de ejemplo, se muestra la transformación del caso anterior. 11010011b=211d 6. Todas estas operaciones hay que repetirlas para todos los bloques de 3x3 que se puedan tomar, tal y como se hizo en el paso 1. Los píxeles que están en los bordes no serán nunca píxeles centrales en un bloque. Por lo tanto, el número de bloques 3x3 que se puede obtener es de (M-2)x(N-2) píxeles, donde M y N es la resolución de la imagen original. Obviamente, la dirección en la que se recorre el bloque, en el paso 4, no puede cambiar. Estas operaciones sigue la siguiente descripción matemática: 47 Eq 3 Siendo LBP el bloque de 3x3 que se pretende generar y P, la cantidad de píxeles sin contar el central, es decir, 8. En cuanto a R, es la distancia de los píxeles con respecto al central, que para este caso, se escoge el más básico: 1. Esto se debe a que la comparación es con los píxeles adyacentes. La comparación de uno de los P píxeles (gp) con el central (gc) viene indicada por la función s(x). Si el valor de la resta es negativo, s será 0. En cualquier otro caso, 1. La multiplicación en base 2 y potencia p da lugar a una separación de los píxeles antes de su integración con la sumatoria. El resultado es un número comprendido entre el 0 y 2P-1. Llegados a este punto, existen dos variaciones del sistema. Se pueden colocar los resultados a modo de histograma o en una matriz. 3.2.2 Histograma (hLBP) Esta variación hace al sistema más ágil. No se necesita construir la matriz o imagen para hallar su histograma. 7. Para hacerlo, se genera un vector vacío de 256 elementos, uno por cada posible valor que puede obtenerse del paso 5. 48 8. Por cada valor que se obtenga, se incrementa en 1 el elemento de esa posición. De esta forma, se está contando la frecuencia de aparición de cada número. En la gráfica, se puede observar un ejemplo de histograma de 256 elementos. Ilustración 11: Ejemplo de un histograma de 256 elementos 9. Teniendo en cuenta el comportamiento del clasificador en el siguiente capítulo, el histograma es normalizado referido al elemento más frecuente. Para hacerlo, se toma el valor máximo del histograma y divide cada elemento por ese. El resultado será un vector de 256 elementos con números reales entre el 0 y el 1. 3.2.3 Matriz (mLBP) A diferencia del histograma, esta variación del sistema es más completa, ya que indica la posición de cada elemento. Además, puede ser representada como una imagen y no como una simple gráfica. Es más, de la propia imagen se puede extraer el histograma, pero no al contrario. Sin embargo, toda esta operación es computacionalmente más aparatosa. 49 7. Si en el histograma se generaba un vector vacío de 256, aquí se crea una matriz vacía cuyo dimensionado es (M-2)x(N-2). 8. Cada valor que sale del paso 5 es colocado en esta matriz. Si es representada como imagen, es posible que conserve la forma de la imagen original. Sin embargo, hay que tener en cuenta que los píxeles no representan valores de luminancia, sino un gradiente de la vecindad. 3.2.4 Algoritmos Aunque se dispone del sistema LBP, se ha desarrollado e implementado este algoritmo en MATLAB. La principal diferencia con respecto a los otros sistemas es que la duración de estos es menor. A continuación, se muestra el código: function imgLBP=myLBP(img) tic; [X,Y]=size(img); imgLBP=zeros(X-2,Y-2,'uint8'); for r=2:X-1 for c=2:Y-1 Binary=zeros(1,8,'uint8'); Binary(1)=img(r,c+1)>img(r,c); Binary(2)=img(r-1,c+1)>img(r,c); Binary(3)=img(r-1,c)>img(r,c); Binary(4)=img(r-1,c-1)>img(r,c); Binary(5)=img(r,c-1)>img(r,c); Binary(6)=img(r+1,c-1)>img(r,c); Binary(7)=img(r+1,c)>img(r,c); Binary(8)=img(r+1,c+1)>img(r,c); n=bin2dec(int2str(Binary)); imgLBP(r-1,c-1)=uint8(n); end end 'LBP finalizado' toc; Tabla 5: Código de LBP en su versión matriz 50 3.3 GRAY LEVEL CO-OCCURRENCE MATRIX (GLCM) Otro de los sistemas que se utiliza en la parametrización de texturas es el COMM, o particularmente llamado GLCM, ya que trabaja con imágenes en escala de grises. Su principio es muy parecido al LBP, ya que GLCM trata de obtener el gradiente de los píxeles de la imagen [25]. Las operaciones a seguir son: 1. Se toma un píxel y se compara con su adyacente a la derecha. Solo se tiene en cuenta los 3 bits más significativos del valor de cada píxel. Esto es equivalente a utilizar una imagen con una profundidad de color de 3 píxeles, que es igual a 8 colores. En la ilustración se puede interpretar cómo los píxeles toman valores entre el 1 y el 8 en función de la escala de grises. → 3 2 2 2 Ilustración 12: Interpretación de GLCM para 8 colores 2. Se crea una matriz vacía de 8x8, este número coincide con la profundidad de color. 3. Se incrementa el elemento de la fila que indica el primer píxel y el de la columna que indica el segundo píxel. 4. Se repiten los pasos 1 y 3 para cada pareja de píxeles que puedan tomarse. El resultado será una matriz como la que se ve a continuación, cuyos valores más altos indican una mayor frecuencia de aparición de determinados patrones. 51 Ilustración 13: Construcción de la GLCM Al igual que para LBP, existen variaciones del sistema para otras direcciones. Si en vez de tomar el píxel de la derecha, se toma el superior, hay una desviación de 90º en el sistema. Si se toma el de la derecha o el de la izquierda adyacente a este último, el desvío es de 45º y 135º, respectivamente, referido al sistema original. Los ángulos 180º, 225º, 270º y 315º no se utilizan. Esto se debe a que la GLCM resultante aportaría la misma información que sus suplementarios. Comparar un píxel A con otro B, es equivalente a comparar B con A. Simplemente, la GLCM se transpondría. Si Y=GLCM(X,alpha) Y además, Z=GLCM(X,alpha+180º) Entonces Y=Z’ Eq 4 Si en vez de tomar el píxel adyacente, se coge el siguiente más próximo, la distancia habrá aumentado a 2. Esta variación, en cuanto a la distancia, no se aplica en este proyecto, simplemente se contempla. 52 El siguiente ejemplo muestra gráficamente el patrón de selección para los dos tipos de variación, donde D indica la distancia, y entre corchetes se indica las coordenadas de un píxel referido al otro: Ilustración 14: Variaciones de GLCM La función que describe este sistema de forma matemática se muestra a continuación: Eq 5 Simbología: ∆x y ∆y es la posición del segundo píxel a comparar con respecto al primero. Por ejemplo, para D=1 a 0º, ∆x=1 y ∆y=0. I es la imagen original y C es la matriz resultante. Los índices de la imagen original son p y q, con un tamaño de n y m. Esto es su resolución. Los índices de la matriz de concurrencia son i y j, que en el caso por defecto van de 1 a 8. Para la matriz, esto hace un total de 8x8=64 coeficientes. 53 Cuando el valor de un pixel coincide con el primer índice de la matriz y además, el valor del segundo pixel coincide con el segundo índice, se incrementa el valor coeficiente. 3.4 DISCRETE WAVELET TRANSFORM (DWT) Si bien los anteriores algoritmos y sistemas estaban orientados a actuar sobre las dimensiones espaciales de la imagen, DWT actúa sobre su espectro. Así, se pueden detectar pequeñas características que diferencien una especie de otra. DWT procede con el eje horizontal y vertical de la imagen de manera simultánea. De esta manera, es fácil detectar patrones con orientaciones muy diferentes. El sistema sigue ciertos pasos: 1. La imagen se introduce en dos filtros complementarios. Uno es paso bajo y el otro es paso alto, cuya frecuencia de corte está en el mismo punto: π/2. Este filtrado se hace sobre la primera dimensión de la imagen. El resultado es dos imágenes, una con la parte en baja frecuencia de la imagen y la otra, con la parte alta. En lo que respecta a los espectros, ambos tienen la mitad de su eje anulado. 2. A continuación, se diezma la imagen en un factor de 2. Esto ensancha el espectro el mismo factor. De esta forma, el espectro vuelve a ocupar la totalidad del eje. 3. Para cada imagen se repiten los pasos 1 y 2, pero esta vez sobre la segunda dimensión de las imágenes. El resultado final es cuatro imágenes: una con la parte baja-baja del espectro, otra con la baja en la primera dimensión y con la alta en la segunda, la tercera con la alta en la primera y la baja en la segunda, y la última, con las dos partes altas. No obstante, debido a los 61 4.1 INTRODUCCIÓN En este capítulo, se realiza en esencia, la clasificación de las muestras pertenecientes a especies de plantas. Primero, se describe una etapa previa, en la cual se preparan los datos que se van a introducir en el clasificador. Hay que asignar a cada muestra el identificador denominado label, y además, se debe producir una selección de muestras para introducir en el clasificador. Con esto preparado, se explica el funcionamiento teórico del clasificador y la cuestión que suponen sus dos fases: la fase de entrenamiento y la fase de test. 4.2 ASIGNACIÓN DE LABELS Si se recuerda la estructura de datos vista en el apartado anterior, se vio que las muestras estaban acompañadas de un identificador de clase. Este sirve para indicar a qué especie pertenece la muestra en cuestión. Además, cada muestra viene acompañada por el conjunto de parámetros extraídos en la fase de parametrización. Con el fin de guiar al clasificador, hay que etiquetar cada muestra. Esto sirve para que el clasificador sepa a qué clase pertenece cada muestra. Así, las muestras cuyos labels sean idénticos pertenecen a la misma clase. Entonces, es conveniente manejar los identificadores de especie como si fueran los propios labels. De esta manera, el clasificador tendrá la tarea de discernir entre una especie y otra. Yendo un poco más lejos, se propone un segundo labelling o agrupación para la ejecución de otro clasificador que sea menos restrictivo. En vez de discernir entre especies, la finalidad de este nuevo clasificador será la de identificar entre familias de especies. A continuación, se expone una tabla. La segunda columna indica cuál es la nueva agrupación: 62 Nombre de la especie Nombre de la familia Imagen de muestra Acacia cyclops Acacias Acacia saligna cyanophylla A Acacia saligna cyanophylla B American agave Agaves Blue agave Araucaria excelsa heterophylla Cupressus macrocarpa Eriobotrya japonica Eucalyptus camaldulensis Ficus carica Leucaena leucocephala Nicotiana glauca Opuntia azurea Opuntias Opuntia dillenii Opuntia duragensis 63 Opuntia maxima Opuntia pycnantha Opuntia tomentosa Phoenix dactylifera Palmeras Ravenala madagascariensis Ricinus communis Rumex lunaria Schinus molle Tabla 8: Identificación de las familias Los labels no son más que números naturales. Así los interpreta el clasificador. Sin embargo, como se ha visto en este apartado, están referidos a especies, para un caso, y a familias de especies, para el otro caso. 4.3 SELECCIÓN DE MUESTRAS A partir de la parametrización, se tienen que cumplir dos fases en la clasificación: el entrenamiento y el test. En ambas fases, se introducen las muestras de la estructura de parámetros. No obstante, hay que tener en cuenta que el entrenamiento condiciona el test. Para mantener el sesgo, la proporción de muestras para cada especie debe ser similar, tanto en entrenamiento como en test. Con la idea de optimizar el rendimiento el clasificador ante nuevas muestras, los 64 conjuntos de entrenamiento y test deben ser disjuntos. Además, para obtener los resultados más objetivos, se van a utilizar todas las muestras de la base de datos. Para cumplir estas dos condiciones, se toma la estructura de parámetros original y se divide en dos: una para la fase de entrenamiento y la otra, para la fase de test. Para hacerlo, se toma un número determinado de muestras para cada especie. Nuevamente, para que los resultados sean objetivos, el conjunto de muestras se escoge de forma aleatoria. De esta manera, las muestras que están dentro del conjunto serán para el entrenamiento y, consecuentemente, el resto son para test. El número de muestras que se asigna a sendas estructuras viene dado por la tasa de entrenamiento. Es un porcentaje que indica con cuántas muestras, sobre el total, se entrena. Se ha escogido de forma arbitraria una tasa de entrenamiento del 75 %. Esto quiere decir que, de las 40 muestras por especie de la parametrización, se seleccionan 30 para entrenar y las 10 restantes, para test. Recordando que la base de datos contiene 23 especies, esto hace un total de 690 muestras para entrenar y 230 para testear. El esquema que se muestra a continuación resume la estructuración. Estructura de parámetros 910 muestras  75 %  25 % Estructura de entrenamiento 690 muestras Estructura de test 230 muestras Tabla 9: Representación de la asignación de muestras 65 4.3.1 Metodología Para la clasificación, se va a usar una Máquina de Vectores de Soporte, en inglés Support Vector Machine (SVM). Se desarrolló con el objetivo de minimizar el riesgo estructural mediante la optimización de los márgenes entre clases. Este tipo de clasificador resulta adecuado debido la variabilidad de unos parámetros que son ruidosos [26]. El kernel es uno de los recursos de este tipo de clasificadores. Es la definición de una función para el cálculo del hiperplano, lo que hace al clasificador generalista, apto para una amplia variedad de aplicaciones. El kernel que se utiliza por defecto es Radial Basis Function (RBF). Es una función muy conocida en el campo de la estadística porque representa la distribución normal. Está definida como: Eq 6 Siendo x y x’ valores multidimensionales, ||x-x’||2 es la distancia euclídea entre dos puntos. Por su parte, σ2 es la varianza de las muestras. No obstante, la SVM peligra con el denominado sobre-entrenamiento. Este problema consiste en que la naturaleza de las muestras no esté sesgada. Esto quiere decir que las muestras no representan con naturalidad la clase en cuestión, ya sea por el bajo número de muestras o por una desviación de la media o la varianza. La consecuencia será un mayor número de equivocaciones a la hora de clasificar. 66 Una SVM es capaz de minimizar el error que supone la clasificación con el cálculo del hiperplano óptimo que separe y maximice el margen entre dos o más clases. Para hacerlo, se genera un hiperespacio en base a los parámetros. Las muestras son representadas en el mismo en forma de puntos. Cada punto es una muestra, con sus respectivos parámetros como coordenadas. De esta forma, el número de dimensiones coincide con el número de parámetros. Aquellos puntos que estén más cercanos a otras clases son definidos como los vectores de soporte. En base a ellos, se calculan los márgenes mínimos de cada clase. En función de éstos, se traza un hiperplano equidistante entre una pareja de clases. Esto se puede observar en la siguiente ilustración: Ilustración 18: Representación del cálculo del hiperplano óptimo en una clasificación binaria Si en una dimensión o en un conjunto de dimensiones, hay muestras de una misma clase que tienden a localizarse en una región en concreto del hiperespacio, estas muestras se pueden identificar. Si además, es la única clase que ocupa esa región, la identificación de esa especie será inequívoca. 67 Particularizando, la máquina implementada es una Least Square Support Vector Machine (LSSVM). La principal diferencia es que no se traza un hiperplano de separación, sino una hipersuperficie que bordea los vectores de soporte. La clasificación de múltiples clases en este LSSVM se hace en modo 1vs1; que no es más que la superposición de modelos bi-clase. Esto quiere decir que para cada clase se traza un modelo, con una de las clases etiquetada con (+) y el resto, con (-). La identificación de una muestra para cada modelo, resulta en vectores de clase. En conjunto, estos indican, por votación, cuál es la clase más probable a la que pertenece la muestra. En el caso en el que la muestra no entre en ninguna de las regiones, se rechaza. Sabiendo cómo funciona el clasificador, a continuación se definen las dos fases en las que opera dicho clasificador. La primera es la etapa de entrenamiento; la segunda, la de test. Ésta es consecuente de aquélla. 4.3.2 Entrenamiento La primera etapa de clasificación es la etapa de entrenamiento. Supone la implementación de un modelo mediante un gran conjunto de datos, como el visto en la asignación de muestras. Para hacerlo, el clasificador recibe todas las muestras con sus correspondientes labels. El resultado es un modelo de clasificador que se puede interpretar como un hiperespacio con las muestras representadas en forma de puntos, donde las coordenadas equivalen a los parámetros. El proceso se resume en el siguiente esquema: 68 Ilustración 19: Esquema del entrenamiento del clasificador A modo de ejemplo, se muestra un espacio de dos dimensiones con las muestras de la estructura de entrenamiento en la Ilustración 20. Los colores y formas dictan la clase o label a la que pertenece cada muestra. Parámetros Labels Modelo 69 Ilustración 20: Muestras correspondientes a dos clases representadas con dos parámetros A partir de aquí, el clasificador calcula los márgenes entre una clase y otra, para luego trazar las fronteras que separan las regiones. De esta forma, se proyectan las regiones que definen el modelo de clasificador. En la ilustración 21 se pueden ver dos áreas: la verde se corresponde con la clase (o) y la blanca, con la (∆). 77 5.1 INTRODUCCIÓN En este capítulo, se describe cómo se ha puesto a prueba el sistema completo: la base de datos; parametrizada con los algoritmos y sistemas desarrollados; y los clasificadores implementados. Para empezar, se describen los experimentos llevados a cabo. Se diferencian dos tipos de experimentos. Esto supone que los procesos de representación varían uno con respecto al otro. 5.2 METODOLOGÍA DE EXPERIMENTACIÓN En este apartado, se expone cómo se han llevado a cabo los experimentos. Inicialmente, se tiene en cuenta que se han realizado dos tipos de experimentos: experimentos cualitativos y experimentos cuantitativos. Por lo tanto, hay que definir cuál ha sido el procedimiento para cada uno de ellos. Al empezar la experimentación, se comenzó con un análisis de la funcionalidad de los algoritmos y sistemas parametrizadores mediante experimentos cualitativos. Esto quiere decir que los experimentos produjeron resultados cuya información no era cuantificable, sino subjetiva. En los tres experimentos de este tipo que se han desarrollado, se han generado las imágenes correspondientes a la salida de un sistema y un algoritmo de la etapa de parametrización. Esto da lugar a la representación de dichas imágenes con la intención de interpretar la información que brindan de forma visual. Esto se resume en el siguiente esquema: 78 Imágenes de muestra  Parametrización  Imágenes de salida Interpretación Ilustración 25: Esquema de un experimento cualitativo Sabiendo que la etapa de parametrización funciona correctamente, se han desarrollado experimentos cuantitativos, que dan como resultado una información cuantificable: datos, porcentajes, parámetros, números, etc. En esta parte, ya se incluye el clasificador, que formando parte del sistema, da como resultado una matriz de confusión para cada modelo. A diferencia de los experimentos cualitativos, en los cuantitativos se toma una serie de uno o más sistemas y/o algoritmos. A esta serie se la conocerá como cadena. Con ello, hay que recordar que para cada cadena, se generan dos matrices de confusión: una para especies y otra para familias. De cada matriz se obtiene el parámetro que mejor define la funcionalidad del sistema: la tasa de acierto (veáse la Ilustración 26). Base de datos completa  Parametrización  Clasificación  Matrices de confusión  Tasas de acierto Ilustración 26: Esquema de un experimento cuantitativo 5.3 EXPERIMENTOS CUALITATIVOS Para un primer análisis de la funcionalidad de los algoritmos y sistemas de la fase de parametrización, se llevaron a cabo tres experimentos. El objetivo era 79 observar las imágenes e interpretar si aparecían similitudes y diferencias entre muestras. 5.3.1 Experimento 1: representación del algoritmo LBP Partiendo de la elección de 3 muestras arbitrarias de 3 especies diferentes, se aplicó el algoritmo mLBP que se había desarrollado. El resultado fue una matriz con el mismo formato que la imagen de entrada. Por esta razón, la representación no fue complicada. Imagen original Imagen LBP 80 Tabla 10: Representación de mLBP 81 Haciendo un análisis visual de las imágenes, se puede decir que el algoritmo LBP consigue extraer información relevante en cuanto a la textura de cada corteza. Desgraciadamente, la duración de la ejecución del algoritmo fue de varios minutos por cada imagen. Una primera conclusión que se extrajo es que la implementación del algoritmo mLBP junto con la base de datos completa requeriría el almacenamiento en disco de cada imagen. Así, no habría que repetir algoritmos y sistemas que se hubieran ejecutado previamente. 5.3.2 Experimento 2: Representación mapeada en color de LBP Considerando el experimento anterior, la escala de grises en la que se representaba por defecto la imagen, no permitía discernir entre valores cercanos del MLBP. Por lo tanto, se propuso un mapeado en color. Se representa a continuación: 82 Imagen LBP con mapa en escala de grises Imagen LBP con mapa en color 83 Tabla 11: Representación de mLBP con mapa de color Ahora sí se puede apreciar una tendencia en la frecuencia de aparición de determinados valores: por ejemplo, en la tercera muestra, se repite mucho más el color cian que en las otras dos muestras. Como cada color está asociado con un valor de la matriz LBP, esto quiere decir que el valor asociado al cian presenta una mayor frecuencia de aparición es esta muestra. MATLAB reconoce este mapa de color como jet. 5.3.3 Experimento 3: Representación múltiple de DWT de nivel 1 Además, se hizo una representación del sistema DWT. A diferencia de mLBP, en este se generan 4 imágenes por muestra. Lo que se representa a continuación es la compilación de esas cuatro imágenes como es habitual en este 84 sistema, con la parte baja-baja del espectro de la imagen en la esquina superior izquierda y la parte alta-alta, en la inferior derecha. Compilación DWT de nivel 1 85 92 Ilustración 29: Esquema de los algoritmos y sistemas de los experimentos del 8 al 11 GRAYSCALE Experimento 8 DWT [+4] DWT [[+4]+3] Experimento 9 GLCM SPARSE [+4] Experimento 10 DWT DWT GLCM SPARSE Experimento 11 DWT DWT SIS MLBP GLCM SPARSE 93 5.4.2 Experimento 4: Clasificador SVM con algoritmo LBP El primer clasificador que se ejecutó fue una máquina de soporte genérica. Lamentablemente, su implementación no funcionó. Este error se achaca a que el sistema no soportaba un conjunto tan grande de parámetros. Este experimento se califica como FRACASO. A partir de esta conclusión, se ha utilizado el sistema LS-SVM. Es el único aplicado en los restantes experimentos. Como el SVM genérico se descartó tan pronto, no se le ha querido dar más protagonismo. 5.4.3 Experimento 5: Algoritmo hLBP El primer algoritmo que fue aplicado fue el LBP en su versión de histograma. Aunque los resultados no fueron muy esperanzadores, sí se pudo hacer un pre-procesado intermedio de las imágenes. Así, se podía extraer una primera conclusión sobre la aplicación del algoritmo NoBackground y del sistema HistEq. Se ejecutaron 5 cadenas y se obtuvieron sus 10 tasas de acierto correspondientes. Se pueden observar en la tabla 14. Sistema de clasificación AL HLBP NB+ AL HLBP H+ AL HLBP NB+H+ AL HLBP H+NB+ AL HLBP Especie 44.7761 % 44.8980 % 37.1728 % 40.9326 % 38.6473 % Familia 54.1872 % 56.7164 % 47.1698 % 50.4717 % 50.9524 % Tabla 14: Resultados del algoritmo hLBP 94 Este experimento se califica como INSUFICIENTE. Aunque el sistema funcionara, el resultado del clasificador es pésimo. El identificador se equivoca la mitad de las veces. No obstante, ahora se sabe que el algoritmo NoBackground, mejora ligeramente la precisión del hLBP. 5.4.4 Experimento 6: Sistema hLBP En vista a los malos resultados que demostró el experimento anterior, se ha repetido haciendo una importante modificación. En vez de aplicar el algoritmo hLBP desarrollado en este proyecto, se utiliza un sistema que, supuestamente, funcionaba de manera equivalente. Afortunadamente, este supuesto resultó ser falso, ya que la sustitución del algoritmo con el sistema trajo consigo los siguientes resultados: Sistema de clasificación SIS HLBP NB+ SIS HLBP HEQ+ SIS HLBP NB+HEQ+ SIS HLBP H+NB+ SIS HLBP Especie 81.6038% 82.3810 % 82.7103 % 82.8054 % 79.4521 % Familia 84.4749 % 83.8565 % 83.7209 % 85.2679 % 15.1515 % Tabla 15: Resultados del sistema hLBP Este experimento se califica como BUENO. Demuestra que el algoritmo hLBP funcionaba de manera incorrecta. En cuanto al pre-procesado de la imagen, esta vez parece que con la aplicación de HistEq y del NoBackground se alcanzan unas tasas de acierto máximas hasta ahora. A continuación, se exponen sus matrices de confusión: 95 Ilustración 30: Matriz de confusión del sistema hLBP con ecualización del histograma en clasificación de especies 96 Ilustración 31: Matriz de confusión del sistema hLBP con ecualización del histograma en clasificación de familias 97 Ilustración 32: Matriz de confusión del sistema hLBP con ecualización del histograma y sin background en clasificación de especies 98 Ilustración 33: Matriz de confusión del sistema hLBP con ecualización del histograma y sin background en clasificación de familias En cuanto a la clasificación por especies, la matriz de confusión en la que aparece el sistema HistEq, muestra que los fallos más frecuentes ocurren con clases adyacentes. Sin embargo, con el algoritmo NoBackground, hay una mayor dispersión. Esto hace a las dos cadenas se complementen. 99 5.4.5 Experimento 7: Introducción del DWT En este experimento, se introdujo otro de los sistemas más relevantes. Con la intención de llevar a cabo un análisis espectral de la imagen, se ha aplicado la DWT en varios niveles y cadenas. Hay que recordar que la aplicación de una DWT genera 4 imágenes: ll, lh, hl y hh. Se ha hecho por tanto, un análisis por separado, para así saber cuál es la imagen que más información aporta. Se pueden distinguir tres partes fundamentales en este experimento: la experimentación con el nivel DWT, la introducción del pre-procesado de la imagen y la sustitución del sistema hLBP, por el resize junto con el sparse. 5.4.5.1 EXPERIMENTO 7.1: EL NIVEL DE DWT. En esta primera parte, se pretendía comprender el alcance de aplicar DWT de forma recursiva. Debido a que la descomposición de la imagen puede ayudar en la identificación, pero, en contraposición, esto implica un mayor tiempo de procesado. Se pretendía encontrar el nivel que ofrece la información más relevante. Para ello, se necesitan las tasas de acierto parciales: Cadena Precisión Especies Precisión Familia DWT1LL+SIS HLBP 84.9765 % 89.4273 % DWT1LH+SIS HLBP 72.0379 % 74.2222 % DWT1HL+SIS HLBP 74.537 % 75.3488 % DWT1HH+SIS HLBP 62.6214 % 71.3636 % DWT2LL+ SIS HLBP 85.9729 % 92.3423 % DWT2LH+ SIS HLBP 73.3645 % 78.5388 % 100 DWT2HL+ SIS HLBP 77.2093 % 81.2207 % DWT2HH+ SIS HLBP 59.4340 % 64.7059 % DWT3LL+ SIS HLBP 82.7434 % 87.3303 % DWT3LH+ SIS HLBP 67.4641 % 75.2294 % DWT3HL+ SIS HLBP 73.6364 % 77.6256 % DWT3HH+ SIS HLBP 56.2500 % 61.991 % DWT4LL+ SIS HLBP 76.1682 % 82.3256 % DWT4LH+ SIS HLBP 54.3590 % 64.5161 % DWT4HL+ SIS HLBP 69.1943 % 68.0556 % DWT4HH+ SIS HLBP 50.7177 % 53.8462 % Tabla 16: Resultados de la DWT de niveles del 1 al 4 Nuevamente, se observa que la parte baja-baja (ll) de la imagen contiene la mayor parte de la información relevante, ya que en comparación con el resto de imágenes al mismo nivel, es la que mayor tasa de acierto tiene. También se puede ver que el punto óptimo se alcanza en el nivel 2 con casi un 86 % de precisión para la identificación de especies y un 92 % para la de familias. 5.4.5.2 EXPERIMENTO 7.2: EL PREPROCESADO SOBRE DWT Esta segunda parte, sigue la misma metodología que el experimento 6: la aplicación del pre-procesado sobre el sistema a analizar. Así se obtienen estas tasas: 101 Cadena Precisión Especies Precisión Familia NB+HEQ+DWT1HH+SIS HLBP 64.8148 % 74.1784 % NB+HEQ+DWT1HL+SIS HLBP 75.0000 % 83.1050 % NB+HEQ+DWT1LH+SIS HLBP 76.8868 % 79.8165 % NB+HEQ+DWT1LL+SIS HLBP 81.1927 % 87.1111 % NB+DWT1HH+SIS HLBP 62.5592 % 70.6422 % NB+DWT1HL+ SIS HLBP 38.8073 % 80.5430 % NB+DWT1LH+ SIS HLBP 75.1174 % 78.9238 % NB+DWT1LL+ SIS HLBP 82.1101 % 85.0877 % HEQ +DWT1HH+ SIS HLBP 66.9856 % 69.0909 % HEQ+DWT1HL+ SIS HLBP 73.2719 % 80.3653 % HEQ+DWT1LH+ SIS HLBP 74.7664 % 77.8302 % HEQ+DWT1LL+ SIS HLBP 83.1818 % 89.2857 % DWT1HH+HEQ+ SIS HLBP 64.0777 % 73.3032 % DWT1HL+HEQ+ SIS HLBP 78.7736 % 75.4630 % DWT1LH+HEQ+ SIS HLBP 75.8294 % 78.6667 % DWT1LL+HEQ+ SIS HLBP 82.6484 % 87.4439 % DWT1HH+NB+HEQ+ SIS HLBP 67.5799 % 76.3889 % DWT1HL+NB+HEQ+ SIS HLBP 77.7778 % 82.8054 % DWT1LH+NB+HEQ+ SIS HLBP 77.8281 % 83.7209 % DWT1LL+NB+HEQ+ SIS HLBP 86.4253 % 88.1579 % DWT1HH+NB+ SIS HLBP 67.9070 % 76.1261 % 108 Ilustración 38: Matriz de confusión de DWT2 completo para la clasificación por familias Los resultados de estos experimentos son EXCELENTES, sobretodo, con la compilación DWT2, ya que alcanza una tasa de acierto del 87.5 % para especies y un 92.5 % para familias. 109 5.4.7 Experimento 9: GLCM Por cambiar un poco, se introdujo un nuevo sistema para comprimir la información en apenas una matriz de 8x8, lo que hace un total de 64 escasos valores. Aunque su eficiencia fuera buena, no se esperaba que GLCM superara a su compañero más similar el hLBP. No obstante, con GLCM se podían ejecutar sus 4 versiones que, compiladas ocuparían lo mismo que el otro sistema. En la tabla 19, se pueden observar las tasas de acierto de los cuatro ángulos en los que se trazó la GLCM. En la última fila de la tabla, se ve el resultado de la compilación de los 4 parámetros anteriores. Cadena Precisión Especies Precisión Familia GLCM0º+sparse 60.0000 % 67.1296 % GLCM45º+sparse 62.6794 % 71.6346 % GLCM90º+sparse 66.0194 % 68.2028 % GLCM135º+sparse 67.7570 % 73.2394 % GLCMtotal+sparse 68.9320 % 72.6829 % Tabla 19: Resultados de la GLCM en las 4 direcciones Como la GLCM de por sí sola ni siquiera alcanza a hLBP, el resultado del experimento tiene que ser calificado como MALO. 110 5.4.8 Experimento 10: DWT SOBRE GLCM Este experimento trata de combinar la alta precisión que ha supuesto la aplicación de DWT con la compresión de la que presume GLCM. A continuación se muestran las tasas de acierto de la GLCM aplicada sobre la DWT. Debido a las conclusiones extraídas de anteriores experimentos, solo se muestran las tasas de acierto de las compilaciones finales, obviando los resultados parciales correspondientes a las 4 partes de GLCM por las 7 partes de DWT2. Cadena Precisión Especies Precisión Familia DWT2+GLCM+sparse 56.2814 % 69.4836 % Tabla 20: Resultados de la DWT con GLCM La precisión del sistema no mejora en comparación con los anteriores experimentos. Aún así, a continuación se muestras las matrices de confusión: 111 Ilustración 39: Matriz de confusión de DWT y GLCM por especies 112 Ilustración 40: Matriz de confusión de DWT y GLCM por familias Con estos resultados tan mediocres, se puede extraer una conclusión sobre el sistema DWT: Funciona bien con LBP, pero no está bien combinarlo con otros sistemas, ya que disminuye su tasa de acierto. A simple vista, las matrices de confusión no muestran una gran diferencia con respecto a las anteriores. Por lo tanto, se califica el nivel de este experimento como INSUFICIENTE. 113 5.4.9 Experimento 11: DWT sobre MLBP y GLCM Por último, se simuló el comportamiento de la versión matricial del sistema LBP. Teniendo en cuenta las dos restricciones que se establecieron en la elección de cadenas; y tal y como se comprobó en el experimento 7.3, la aplicación de un sistema matricial variable tiene que ir acompañado de algoritmos y sistemas. A continuación se muestran las tasas de acierto de la matriz LBP acompañada por DWT y GLCM. Debido a las conclusiones extraídas de anteriores experimentos, solo se muestran las tasas de acierto de las compilaciones finales, obviando los resultados parciales correspondientes a las 4 partes de GLCM por las 7 partes de DWT2. Cadena Precisión Especies Precisión Familia DWT2+MLBP+GLCM+sparse 84.6847 % 91.8182 % Tabla 21: Resultados de la aplicación de los tres sistemas más relevantes Junto con las tasas de acierto, se exponen sus matrices de confusión: 114 Ilustración 41: Matriz de confusión de los tres sistemas más relevantes en una clasificación por especies 115 Ilustración 42: Matriz de confusión de los tres sistemas más relevantes en una clasificación por familias Contrariamente a lo que ocurrió con los algoritmos LBP, el sistema ha resultado ser casi tan rápido como el hLBP, ya que su ejecución ha durado apenas unos segundos por imagen. No obstante, la DWT de por sí sola supera ambas tasas de acierto y las matrices de confusión no difieren mucho, por lo que estos resultados son INSUFICIENTES y, a simple vista, recurrentes. 116 5.5 TABLA RESUMEN Para finalizar este capítulo, se resumen los resultados más relevantes: Cadena Precisión Especies Precisión Familia DWT2+MLBP+GLCM+sparse 84.6847 % 91.8182 % HEQ+ SIS HLBP 82.7103 % 83.7209 % NB+HEQ+ SIS HLBP 82.8054 % 85.2679 % HEQ+DWT1LL+ SIS HLBP 83.1818 % 89.2857 % DWT1LL+NB+HEQ+ SIS HLBP 86.4253 % 88.1579 % DWT1LL+SIS HLBP 84.9765 % 89.4273 % DWT2LL+ SIS HLBP 85.9729 % 92.3423 % DWT3LL+ SIS HLBP 82.7434 % 87.3303 % DWT2 + SIS HLBP 87.5000 % 92.5110 % Tabla 22: Resumen de los resultados CAPÍTULO 6: CONCLUSIONES Y LÍNEAS FUTURAS Cada solución da pie a una nueva pregunta. David Hume 125 REFERENCIAS BIBLIOGRÁFICAS 127 [1] Organización de las Naciones Unidas. (2015, Mayo) Día Internacional de la Diversidad Biológica. [Online]. http://www.un.org/es/events/biodiversityday/biodiversity.shtml [2] Gobierno de México. Comisión Nacional para el Conocimiento y Uso de la Biodiversidad. [Online]. http://www.biodiversidad.gob.mx/biodiversidad/porque.html [3] Gobierno de Canarias. Sistema de Información Medioambiental de Canarias. [Online]. http://www.gobiernodecanarias.org/medioambiente/piac/temas/biodiversidad/ [4] Federico Aguilera, Canarias, economía, ecología y medio ambiente. La Laguna: Lemus, 1994. [5] Gobierno de Canarias. [Online]. http://www.gobiernodecanarias.org/opencmsweb/export/sites/medioambiente/piac/galerias [6] Gobierno de Canarias. (2014) Listado de especies introducidas en Canarias. [Online]. http://www.interreg-bionatura.com/especies/index.php?opt=verDatos# [7] (a) mobiThinking. (2015, Mayo) mobiForge. [Online]. https://mobiforge.com/researchanalysis/global-mobile-statistics-2014-part-a-mobile-subscribers-handset-market-share-mobileoperators [8] http://www.scidev.net/global/environment/biodiversity/. [Online]. http://www.scidev.net/global/environment/biodiversity/ [9] Ernest García. Junta de Andalucía. [Online]. http://www.juntadeandalucia.es/medioambiente/web/Bloques_Tematicos/Publicaciones_Divulgaci on_Y_Noticias/Documentos_Tecnicos/personas_sociedad_y_ma/cap3.pdf [10] Secretariado de la Red de Autoridades Ambientales. LanzaRed. [Online]. http://www.datosdelanzarote.com/uploads/doc/2007090213283212turismo.pdf [11] L. Houqiang y W. Chao Z. Chi, "Plant species recognition based on bark patterns using novel Gabor filter banks," in International Conference on Neural Networks and Signal Processing, vol. 2, 2003, pp. 1035-1038. [12] Z.-K. Huang, "Bark Classification Using RBPNN Based on Both Color and Texture Feature," in 128 Internation Journal of Computer Science and Network Security, vol. 6, 2006, pp. 100-103. [13] C.-H. Zheng, J.-X. Du y Y. Wan. Z.-K. Huang, "Classification Based on Textural Features Using Artificial Neural Networks," in Third International Symposium on Neural Networks, vol. 2, 2006, pp. 355-360. [14] Z. Chi, J. Liu y H. Fu. J. Song, "Bark classification by combining grayscale and binary texture features," in International Symposium on Intelligent Multimedia, Video and Speech Processing, 2004, pp. 450453. [15] J.-X. Du, D.-S. Huang, Z. Chi, Y.-M. Cheung, X.-F. Wang y G.-J. Zhang Y.-Y. Wan, "Bark texture feature extraction based on statistical texture analysis," in International Symposium on Intelligent Multimedia, Video and Speech Processing, 2004, pp. 482-485. [16] S. Fiel y R. Sablatnig, "Automated identification of tree species from images of the bark, leaves and needles". [17] (2016, Julio) Leafsnap. [Online]. http://leafsnap.com/ [18] Inria. (2014, Marzo) Pl@ntNet. [Online]. http://m.plantnet-project.org/ [19] "Investigación sobre el reconocimiento automático foliar de la laurisilva canaria," no. 23, 2004. [20] Rafael C. González, Digital image processing: using MATLAB. Nueva Jersey, EEUU, 2004. [21] Christopher M. Bishop, Neural Networks for Pattern Recognition. Cambridge: Oxford University Press, 2010. [22] Carlos García Álvarez, Diseño de aplicación móvil para detección de plantas invasoras. Integración de framework IUMA. Las Palmas de Gran Canaria, 2016. [23] ULPGC, "Reglamento de Proyectos Fin de Carrera de la EITE," , Las Palmas de Gran Canaria, 2015. [24] Greg Roelofs, PNG: The Definitive Guide., 1999. [25] Nayara Rodríguez Rodríguez, Detección e identificación de múltiples tipos de escritura en imágenes 129 de texto, EITE, Ed. Las Palmas de Gran Canaria, España: ULPGC, 2015. [26] "Evaluation of LBP and HOG descriptors for clothing attribute description," Acceda,ULPGC. [27] Modesto Castrillón Santana, Javier Lorenzo Navarro, Enrique Ramón Balmaseda, "Improving Gender Classification Accuracy in the," Acceda ULPGC. [28] Miriam Presutti, "La Matriz de co-ocurrencia en la clasificación multiespectral: Tutorial para la enseñanza de medios exturales en cursos de grado universitario," in 4ª Jornada de Educaçao em Sensoriamento Remoto no Âmbito do Mercosul, Sâo Leopoldo, Brasil, 2004. [Online]. http://www.inpe.br/unidades/cep/atividadescep/jornada/programa/t-9_trab_27.pdf [29] T. Van Gestel, J. De Brabanter, B. De Moor, J. Vandewalle J.A.K. Suykens, Least Squares Support Vector Machines. Singapore: World Scientific, 2002. [30] (2016, Julio) Excite. [Online]. http://social.excite.es/Economia-Empleo/Finanzas/Como-gana-dineroNintendo-con-Pokemon-Go? [31] LSSVM lab. [Online]. http://www.esat.kuleuven.be/sista/lssvmlab/ III. PROGRAMAS 133 PRO.1 DISTRIBUCIÓN DE ALGORITMOS En este apartado se presentan los programas desarrollados e implementados a lo largo de este trabajo, con sus nombres y descripciones. El código correspondiente no viene incluido en este documento, sino que se ha exportado a uno de los CDs que se entregan con esta memoria. El programa completo consta de un módulo de ejecución principal con 3 partes, la parametrización de las imágenes de la base de datos, la clasificación de las muestras y la exposición de los resultados. Aparte, hay que tener en cuenta las funciones auxiliares que se aplican de forma más dispersa. PRO.1.1 Módulo Principal (main.m) En el modulo principal se definen los parámetros de lanzamiento del programa, como la ruta del propio programa, el formato de la base de datos, o incluso, la tasa de entrenamiento. Además, se separa la ejecución de las tres partes que se describieron anteriormente de manera conveniente: Step1_Algorithms.m Step2_Classifier.m Step3_Results.m PRO.1.2 Módulo de Parametrización (Step1_Algorithms.m) La primera parte del programa se encarga de la aplicación de los diferentes algoritmos y sistemas que extraen los parámetros de la base de datos. A la vez que se aplican dichos algoritmos y sistemas, se va guardando en disco cada resultado.