RESUMEN ABSTRACT PDF CITA EPUB
A- A A+

Introducción

El procesamiento digital de imágenes es un conjunto de técnicas y algoritmos computacionales que permiten la extracción de información. Estas técnicas se aplican en diversas áreas del conocimiento científico como, por ejemplo, en las ciencias de los materiales, donde las imágenes del microscopio electrónico de barrido son analizadas para estudiar las propiedades de un nuevo material; o en las ciencias planetarias, las cuales, como señala Lira (2002), son actualmente imposibles de concebir sin el apoyo del procesamiento digital de imágenes.

La percepción remota es una herramienta muy útil en la observación de áreas desérticas e inaccesibles, como es la región Este de Libia y del Desierto Oeste (Western Desert) en Egipto (EL-BAZ & GHONEIM, 2007). Esta área fue elegida como zona de estudio (Figura 1) ya que, como lo señala Ghoneim (2009), tiene un gran potencial para el descubrimiento de estructuras de impacto. Sin embargo, tanto las condiciones climáticas como el acceso a la zona dificultan las técnicas de estudio de campo, siendo los datos espaciales (imágenes de satélite y de radar) la manera más factible de escanear la superficie en busca de cráteres de impacto.


Es importante señalar que en la zona de estudio y en todo el Este del Sahara (Desierto Oeste de Egipto, lado Este de Libia, Noroeste de Sudán y Norte de Chad) hay un gran número de geoformas circulares (DI MARTINO et al., 2006) con dos orígenes posibles: meteorítico o volcánico. Los cráteres Oasis, BP, Kamil y algunas estructuras del campo del Gilf Kebir, han sido confirmados como estructuras de impacto (ABATE et al., 1999; KOEBERL et al., 2005; PAILLOU et al., 2004; FOLCO et al., 2010). Por otro lado, de origen volcánico existen las siguientes estructuras: El-Baz, Clayton, Arkenu y parte de las estructuras del campo del Gilf Kebir (EL-BAZ, 1982; BARAKAT, 1994; CLAYTON, 1933; ORTI et al., 2008). Finalmente, otras como Kebira e Ibn-Batutah requieren de estudios complementarios para confirmar su origen de formación (EL-BAZ y GHONEIM, 2007; GHONEIM, 2009). Por ello, es necesario desarrollar una metodología o herramienta que ayude a distinguir, en las imágenes espaciales, entre estos dos tipos de estructuras morfológicamente similares pero originadas por procesos de modelado superficial bien diferenciados.

Procesamiento digital de imágenes Radarsat-1

En la Figura 2 se muestran los pasos en la metodología empleada para procesar las imágenes Radarsat-1.

Adquisición

Las imágenes Radarsat-1 se obtuvieron de la página de la Agencia Espacial Canadiense (2012), y se combinaron para obtener un mosaico que cubriera la zona de estudio (Figura 1). Los parámetros característicos de las imágenes originales de las áreas geográficas de Egipto y Libia utilizadas se presentan en la Tabla 1.


Para este trabajo se utilizaron solamente las sub-imágenes Radarsat-1 de los cráteres Oasis y BP.

Realce o mejoramiento Efecto sal y pimienta (Speckle)

Figura 3. Sub-imagen del cráter Oasis sin filtrar. La antena del sistema de Radar de Apertura Sintética (SAR) produce una serie de ondas de fases de pulsos electromagnéticos coherentes que interactúan con la superficie terrestre. En el campo instantáneo de visión irradiado por estos pulsos, existe un cierto conjunto de objetos que realizan una dispersión cuando su tamaño es comparable con la longitud de onda del radar. Estos objetos retrodispersan la radiación entrante en diferentes direcciones y fases, generando un fenómeno ondulatorio constructivo y destructivo. A este fenómeno de interferencia se le conoce como efecto de coherencia de puntos (speckle coherence effect). En la imagen obtenida éstos aparecen como granularidad aleatoria formada por pixeles que tienen variaciones en el brillo (LIRA y FRULLA, 1998), efecto comúnmente llamado de sal y pimienta.

El efecto textural de la coherencia de puntos interviene en la visualización de la imagen como ruido y esta sal y pimienta dificulta ostensiblemente la interpretación de las imágenes alterando la información propia e inherente del terreno. Para corregir este efecto se utilizaron filtros, que son algoritmos que permiten obtener datos confiables a partir de una fuente ruidosa. En este trabajo, los algoritmos aplicados para filtrar la imagen de la zona de estudio están disponibles en los programas informáticos ENVI 4.5 (Exelis Visual Information Solutions, 2014), NEST 4C-1.1 (ESA Earth Online, 2014) y ERDAS IMAGINE 9.2 (InfoSat Geomática, 2014). Todos ellos están especializados en el tratamiento y análisis de imágenes espaciales.


Figura 4. Sub-Imagen en la que se le aplicó el filtro Sigma Local de ENVI 4.5. Para realizar una evaluación de la reducción del efecto o ruido sal y pimienta (speckle) de cada filtro se puede considerar primeramente un análisis visual de la imagen junto con un análisis cuantitativo considerando factores como la media, la desviación estándar y el factor speckle (LIRA y FRULLA, 1998) ya que, como lo señalan Shi y Fung (1994), un buen filtro debe mantener la media promedio de una imagen. La capacidad de un filtro para reducir el speckle se puede cuantificar con el factor ENL (número de looks efectivos), el cual está relacionado con la resolución radiométrica de la imagen.

Para realizar un análisis visual se tomó una subimagen en la cual se observa la estructura llamada Oasis reconocida como cráter de impacto, perteneciente al mosaico original de la zona de estudio. La Figura 3 muestra la imagen sin filtrar. En la Figura 4 se expone el filtro menos eficiente, mientras que en la Figura 5 se presenta la misma subimagen pero filtrada con el método más óptimo. En la Tabla 2 se exhiben los datos cuantitativos obtenidos después de aplicar los filtros disponibles en ENVI 4.5 (Exelis Visual Information Solutions, 2014.), NEST 4C-1.1 (ESA Earth Online, 2014) y ERDAS IMAGINE 9.2 (InfoSat Geomática, 2014). Al observar y comprobar con los datos de la Tabla 2 que el filtro más eficiente es el Refined Lee de NEST 4C-1.1, se le aplicó éste mismo a la subimagen del cráter BP.

Figura 5. Sub-Imagen en la que se le aplicó el filtro Refined Lee en NEST 4C-1.1.

Extracción de la información Segmentación por umbralización del histograma

Segmentar es partir o dividir una imagen en regiones, que pueden o no tener un significado relativo en la escena respectiva. Este proceso puede llevarse a cabo con base en una serie de modelos y criterios: por regiones, por bordes o líneas, por propiedades espectrales (tono, color, firma espectral), por propiedades espaciales (tamaño, forma y orientación) o por una combinación de estas dos últimas.

La segmentación de una imagen basada en el histograma es una de las técnicas más sencillas y por ello más empleadas. Éste se utiliza para seleccionar los niveles de grises con el fin de agrupar pixeles en regiones. En general, se puede considerar que una imagen tiene dos entidades: el fondo (background) y el objeto. En el fondo, generalmente, un nivel de gris ocupa la mayor parte de la imagen, el cual, por lo tanto, es un pico grande en el histograma. El objeto o subobjeto de la imagen es otro nivel de gris, y es otro pico más pequeño en el histograma. Básicamente consiste en escoger un punto umbral que divida los dos picos de la imagen. La umbralización toma cualquier pixel cuyo valor está del lado del objeto y le da el valor de uno y a los demás de cero. Este proceso se desarrolló en el software MVTec Halcon 9.0 (MVTec Software GmbH, 2014). En la Figura 6 se presentan los histogramas umbralizados de las subimágenes ya filtradas del Oasis y BP.

Descriptores morfológicos

Los descriptores morfológicos son rasgos de fácil evaluación para describir el estado morfológico de un objeto. Los que se consideraron como los más idóneos para identificar un cráter de impacto, son: área, redondez, circularidad y convexidad, de los cuales, cabe mencionar, son operadores del software MVTec Halcon 9.0 (MVTec Software GmbH, 2014). Después de la segmentación de las subimágenes de las estructuras Oasis y BP, se obtuvieron dos imágenes (Figuras 7a y 8a) con una serie de regiones. En ellas se puede observar que el fondo, en este caso el pavimento desértico, ya no está presente y sólo se preservó el objeto de estudio es decir, los cráteres. A continuación se le dio la instrucción al programa para que conecte o agrupe a las regiones que tengan las mismas características (Figuras 7b y 8b). La imagen final es la que sólo contiene a las regiones con valores en los descriptores morfológicos, acorde a los que se esperarían encontrar en una estructura de impacto (Figuras 7c y 8c). Se cuantificaron los descriptores morfológicos en el mosaico de la zona de estudio completa para poder realizar, posteriormente, una segmentación y un reconocimiento de posibles restos de estructuras de impacto.

Clasificación de las zonas de interés

El siguiente paso para conseguir una herramienta útil en el reconocimiento de cráteres consiste en realizar una clasificación de sus distintos tipos que ya han sido localizados y estudiados, y en los que se ha comprobado su naturaleza y estructura meteorítica, sin importar su posición geográfica. Posteriormente, es posible entrenar a un clasificador para que, a partir de las geoformas preestablecidas, pueda identificar nuevas estructuras. Con este fin, nos basaremos en el aprendizaje automático, disciplina que se encarga de estudiar cómo construir sistemas computacionales que realicen cada vez mejor una tarea mediante la experiencia. La mencionada construcción irá enfocada al concepto de clasificación, que se refiere a la descripción general de un objeto como perteneciente a una clase natural de objetos semejantes. El objetivo de los algoritmos de clasificación es inducir un modelo para predecir la clase que identifica un objeto dados los valores de los atributos o características que lo representan (MARIN, 2012).

Existen diversas técnicas para generar conjuntos de clasificadores, que van desde la manipulación de los datos de entrada hasta la utilización de metaaprendizaje. Una de las maneras con las que se clasifican estas técnicas es por el número de algoritmos de aprendizaje diferentes que utilizan con el fin de generar los miembros del conjunto. De aquéllas que utilizan un único algoritmo para generar todos los miembros del conjunto, se dice que generan un conjunto homogéneo. Por otra parte, se considera que las que utilizan más de un algoritmo para generar los clasificadores forman un conjunto heterogéneo. A través del aprendizaje automático se pueden producir tres tipos de conocimiento. Cada tipo dependerá del tema que se desee aprender.

Crecimiento: es el que se adquiere de lo que nos rodea. Éste guarda la información en la memoria como si dejara huellas.

Reestructuración: al interpretar los conocimientos el individuo razona y genera uno nuevo.

Ajuste: es el que se obtiene al generalizar varios conceptos o generando los propios.

A su vez, existen algoritmos que son utilizados en el aprendizaje automático para la generación de conocimiento y el mejoramiento en el rendimiento de los sistemas computacionales. Los más utilizados se mencionan a continuación:

Aprendizaje supervisado: produce una función que establece una correspondencia entre las entradas y las salidas deseadas del sistema, inicialmente se indica el número de clases de deben existir en los datos.

Aprendizaje no supervisado: todo el proceso se lleva a cabo sobre un conjunto de ejemplos formado por entradas al sistema. No existe información previa de las clases que conforman dichas entradas.

Aprendizaje por refuerzo: el algoritmo aprende observando el mundo que lo rodea. Su información de entrada es la retroalimentación que obtiene del exterior en función de sus acciones. El usuario, por medio de una función de evaluación, puede establecer si los resultados que arroja el algoritmo son correctos o no.

El uso independiente o combinado de estos algoritmos permite generar herramientas potentes para la clasificación de objetos. En este caso particular, los objetos son los cráteres, y los descriptores del conjunto son las características geomofológicas de cada uno de ellos. Algunos algoritmos requieren del entrenamiento para funcionar de manera adecuada antes de probar con el conjunto de interés. Es por ello que en este trabajo se utilizan imágenes de cráteres localizados por toda la superficie terrestre, los cuales deben ser analizados para extraer sus geoformas de manera automática y usar dichos datos como entrada al clasificador utilizado.

Las redes neuronales artificiales, ANN por sus siglas en inglés, son un paradigma de aprendizaje y procesamiento automático inspirado en la forma en que funciona el sistema nervioso de los animales. Se trata de un sistema de interconexión de neuronas que colaboran entre sí para producir un estímulo de salida. En el ámbito del aprendizaje automático es frecuente referirse a ellas como redes de neuronas o redes neuronales (GONZALES y WOOD, 2002).

Para este trabajo se propone usar una red del tipo backpropagation, pues es la que más se adapta al problema que se está solucionando. Para este caso se le presentan ejemplos de cráteres, mismos que son aprendidos por la red. Las imágenes de estos son previamente procesadas (como ya se describió), para luego introducir los resultados a la red. Una red backpropagation se caracteriza por tener una arquitectura en niveles y conexiones estrictamente hacia adelante entre las neuronas, no hacia atrás (feedback) ni laterales entre las neuronas de la misma capa. Utiliza aprendizaje supervisado.

Trabajo en proceso

Hasta este punto, se ha logrado identificar las características que definen los tipos de cráteres estudiados en este trabajo, y ya se tiene, por otra parte, el grupo de entrenamiento para el clasificador que será una red neuronal (ANN). El grupo de entrenamiento consta de imágenes de cráteres meteoríticos localizados en África. El siguiente paso que se realizará es el análisis de toda la región que se cubre con las imágenes Radarsat-1 de Egipto y Libia con las que se cuenta (descritas anteriormente). La finalidad es identificar, extraer y clasificar nuevos cráteres aún no explorados y determinar si éstos fueron formados por impacto o por un volcán.

Conclusiones

Una vez que la imagen ha sido segmentada se debe llevar a cabo una descripción de sus partes para poder identificar el objeto que se encuentra contenido en ella. El tipo de características que se extraen de los objetos depende de la aplicación. Éstas pueden ser con respecto a su morfología o bien a su estructura, por lo que puede obtenerse el área, perímetro, forma o color, entre otro. En este trabajo se han logrado determinar exitosamente las características de varios cráteres de impacto, con las cuales será posible el entrenamiento de una red neuronal.

La gran utilidad derivada de este estudio se halla en la posibilidad de encontrar zonas de impacto sin tener que realizar las expediciones al sitio de interés, evitando con esto altos costos de traslado y tiempo. El producto final derivado de este trabajo será un algoritmo robusto que pueda discernir claramente entre una estructura volcánica y un cráter meteorítico. Posteriormente, la información podrá ser corroborada en otras imágenes y, en caso de necesidad, por medio de una excursión directa al sitio establecido previamente, garantizando de antemano que se tendrá la ubicación geográfica correcta gracias a la posibilidad de trazar rutas óptimas en lugares con climas extremos y topográficamente casi inaccesibles.

Bibliografía

ABATE, B., C. Koeberl, F. J. Kruger y J. R. Underwood Jr., “BP and Oasis impact structures, Libya, and their relation to Libyan Desert Glass”, en Dressler, B.C., Sharpton, V.L., (Eds.) Large Meteorite Impacts and Planetary Evolution II, Geologycal Society of America, Inc., 1999, Special Paper 39, pp. 177-192.

BARAKAT A., “El-Baz crater: basaltic intrusion versus meteoritic impact crater”, Annals of Geological Survey of Egypt, 1994, Núm. XXIV, pp. 167-177.

BERMÚDEZ GONZÁLEZ et al., “Estudio comparativo de algoritmos para la reducción del “speckle” en imágenes SAR”, Libro de Actas-URSI2006, 2006.

CANADIAN SPACE AGENCY, 2012, [en línea]: <http://www.asc-csa.gc.ca/eng/> [Consulta: 28 de agosto de 2012].

CIGOLINI C. et al., “Endogenous and nonimpact origin of the Arkenu circular structures (al-Kufra basin –SE Libya)”, Meteoritics & Planetary Science, 2012, Vol. 47, Núm. 11, pp. 1772-1788.

CLAYTON, P. A., “The western side of the Gilf Kebir”, Geogr. J., 1933, Núm. 81, pp. 254-259.

DI MARTINO M., et al., “Non-impact origin of the Crater Field in the Gilf Kebir region (SW Egypt)”, 40th ESLAB Firs International Conference on Impact Cratering in the Solar System, 08-12 May. Proceedings, Países Bajos: European Space Agency, European Space and Technology Centre (ESTEC), 2006, pp. 43-48.

EL-BAZ F. y Ghoneim E., “Largest crater shape in the Great Sahara revealed by multispectral images and radar data”, International Journal of Remote Sensing, 2007, Vol. 28, pp. 451-458.

EL-BAZ, F., “The ‘Uweinat Desert’ of Egypt, Libya and Sudan: a fertile field for planetary comparisons of crater forms”, en F. El-Baz y T.A. Maxwell (Eds.), Desert landforms of southwest Egypt: a basis for comparison with Mars, Washington DC: National Air and Space Museum, 1982, pp. 251-253.

ESA Earth Online, NEST 4C-1.1, 2014 [Software computacional] [en línea]: <https://earth.esa.int/web/guest/-/nest-version-4c-1-1-released>.

Exelis Visual Information Solutions, ENVI 4.5, 2014, [Software computacional] [en línea]: <http://www.exelisvis.com/ProductsServices/ENVIProducts.aspx>.

FOLCO, L. et al., “The Kamil Crater in Egypt”, Science, 2010, Vol. 339, Núm. 5993, pp. 804.

GHONEIM E. M., “Ibn-Batutah: A possible simple impact structure in southeastern Libya, a remote sensing study”, Geomorphology, 2009, Núm. 103, pp. 341-350.

GONZALEZ, R. C., R. E. Woods, Digital Image Processing, 2nd ed., Upper Saddle River, NJ: Prentice Hall, 2002.

InfoSat Geomática, ERDAS IMAGINE, 2014, [Software computacional] [en línea]: <http://www.erdas.com.ar/productos_imagine.htm>.

KOEBERL, C., W.U. Reimold, J. Plescia, “BP and Oasis impact structures, Libya: Remote Sensing and Field Studies”, en Koeberl C. y H., Henkel (Eds.), Impact Tectonic, Países Bajos: Springer-Verlag Berlin Heidelberg, 2005, pp. 161-190.

LIRA, J. y L. Frulla, “An automated region growing algorithm for segmentation of texture regions in SAR images”, International Journal of Remote Sensing, 1998, Vol. 19, Núm.18, pp. 3595-3606.

LIRA, J., Introducción al tratamiento digital de imágenes. Ciencia de la computación, México: Instituto Politécnico Nacional, Universidad Nacional Autónoma de México, Fondo de Cultura Económica, 2002.

MARÍN CASTRO, Maribel Angélica, Modelo Jerárquico para la clasificación de galaxias, Luis Enrique Sucar Sucar, Jesús A. González Bernal y Raquel Díaz Hernández [dir.], Tesis de Maestría, Puebla: INAOE, 2012.

MVTec Software GmbH, MVTEC HALCON 9.0, 2014, [Software computacional] [en línea]: <http://www.mvtec.com/>.

ORTI, L., et al., “Non-impact origin of the crater-like structures in the Gilf Kebir area (Egypt): Implications for the geology of Eastern Sahara”, Meteoritics & Planetary Science, 2008, Vol. 43, Núm. 10, pp. 1629-1639.

PAILLOU, Ph. et al., “Discovery of the largest crater field on Earth in the Gilf Kebir region, Egypt”, Comptes Rendas Geoscience, 2004, Núm. 336, pp. 1491-1500.

SHI ZHENGHAO y B. Fung Ko, “A Comparison of Digital Speckle Filters”, Proceedings of IGARSS, 1994, Núm. 94, pp. 2129-2133.