DOI:

https://doi.org/10.14483/22487638.11679

Publicado:

2017-03-04

Número:

Vol. 20 (2016): Edición Especial

Sección:

Investigación

Segmentación de imagen por color basado en quorum sensing bacterial

Color image segmentation based on bacterial quorum sensing

Autores/as

  • Fredy Hernán Martínez Sarmiento Universidad Distrital Francisco José de Caldas
  • César Augusto Hernández Suarez Universidad Distrital Francisco José de Caldas
  • Diego Mauricio Acero Soto Universidad Pedagógica Nacional

Palabras clave:

Bacteria, Color, Exploración, Imagen, Segmentación. (es).

Palabras clave:

Bacterium, Color, Exploration, Image, Segmentation. (en).

Descargas

Resumen (es)

Contexto: El sistema visual del ser humano es ca­paz de un elevado nivel de procesamiento de imá­genes y extracción de información; por otro lado, muchos procesos de toma de decisiones se soportan en el análisis visual como herramienta primaria. Se propone, por lo tanto, un esquema de segmentación de imágenes de acuerdo al color que busca replicar funcionalmente este tipo de procesos a fin de iden­tificar en imágenes el área relevante para la estima­ción de oxígeno al interior de hornos.

Método: El algoritmo está soportado por esquemas bio-inpirados de navegación autónoma. El sistema trata de imitar el comportamiento de las bacterias (agentes artificiales) cuando se desplazan en un am­biente desconocido en busca de alimento, conside­rando solamente las lecturas locales del ambiente. El objetivo es que los agentes se muevan hacia las áreas de interés, proceso que se acelera por la in­clusión del Quorum Sensing (QS) que consiste en que las bacterias liberan información adicional en el medio cuando se supera un umbral poblacional, lo cual acelera la convergencia.

Resultados: El sistema ha sido aplicado exitosamen­te para segmentar un conjunto de imágenes pro­venientes del interior de un horno industrial. A un conjunto de imágenes tomadas al interior del horno de carbonización se le aplica segmentación del área correspondiente a la flama de acuerdo a patrones de referencia. El área a segmentar se identifica median­te el algoritmo propuesto de QS. Luego de remover el resto de la imagen, ésta se utiliza para estimar el contenido de oxígeno a partir de medidas de si­milaridad utilizando el histograma e imágenes de referencia. Los resultados muestran una reducción en los errores de estimación con respecto al mismo proceso sin la segmentación de la imagen.

Conclusiones: Problemas presentes en las imágenes reales tomadas al interior del horno, tales como co­rrimientos y bajo contraste con el fondo, inciden en estimaciones erróneas del nivel de oxígeno en el pro­ceso de combustión. Se ha demostrado que dichos errores pueden ser reducidos mediante pre-procesa­miento de las imágenes, en particular, utilizando el algoritmo propuesto para aislar el área de la imagen con la información relevante.

Resumen (en)

Context: The visual system of the human being is capable of a high level of image processing and ex­traction of information; on the other hand, visual analysis is a primary tool in many decision-making processes. Therefore, we propose a color-segmenta­tion scheme in images, which seeks to functionally replicate this type of processes in order to identify in the images the relevant area for the estimation of the amount of oxygen inside furnaces.

Method: Bio-inspired schemes of autonomous na­vigation support the algorithm. The system tries to imitate the behavior of the bacteria (artificial agents) when they move in an unknown environment in search of food, considering only the local readings of the environment. The objective is for the agents to move to the areas of interest, so we include Quorum Sensing (QS), which consists of the bacteria relea­sing additional information in the medium when a population threshold is exceeded, and this speeds up the convergence.

Results: The system was successfully applied to segment a set of images from the interior of an industrial furnace. We apply segmentation of the area corresponding to the flame to a set of images taken inside the carbonization furnace, according to reference patterns. The area to be segmented is identified by the proposed QS algorithm. After re­moving the rest of the image, we used it to estimate the oxygen content from similarity measurements using the histogram and reference images. The re­sults show a reduction in the estimation errors with respect to the same process without the segmenta­tion of the image.

Conclusions: Problems present in the images taken inside the furnace, such as slides and low contrast with the background, produce erroneous estima­tes of the oxygen level in the combustion process. We performed tests and could conclude that such errors can be reduced by pre-processing the images, in particular using the proposed algorithm to isolate the image area with the relevant information.

Biografía del autor/a

Fredy Hernán Martínez Sarmiento, Universidad Distrital Francisco José de Caldas

Ingeniero Electricista, Especialista en Gestión de Proyectos de Ingeniería, Candidato a Doctor en Ingeniería – Sistemas y Computación, Docente de la Universidad Distrital Francisco José de Caldas. Bogotá

César Augusto Hernández Suarez, Universidad Distrital Francisco José de Caldas

Ingeniero Electrónico, Magíster en Ciencias de la Información y las Comunicaciones, Magister en Economía, Candidato a Doctor en Ingeniería – Sistemas y Computación, Docente de la Universidad Distrital Francisco José de Caldas. Bogotá

Diego Mauricio Acero Soto, Universidad Pedagógica Nacional

Ingeniero Electrónico, Candidato a Magister en Ciencias de la Información y las Comunicaciones, Docente de la Universidad Pedagógica Nacional. Bogotá

Referencias

Arrabales, R., y Sanchis, A. (2008). Applying machine consciousness models in autonomous situated agents. Pattern Recognition Letters, 29(8), 1033-1038.

Bravo, V., Navarro, J. y Jacinto, E. (2010). Diseño e implementación de un codec digital de audio con FPGA, en formato PCM, de 2 canales con interfaz para usuario. Tecnura, 14(26), 56-68.

Burt, P. (1988). Attention mechanisms for vision in a dynamic world. En 9th international conference on pattern recognition.

Cassimatis, N. (2007). Adaptive algorithmic hybrids for human-level artificial intelligence. Advances in Artificial General Intelligence: Concepts, Architectures and Algorithms, 157.

Comer, M., y Delp, E. (1999). Morphological operations for colour image processing. Journal of Electronic Imaging, 8(3), 279-289.

Giral, D., Romero, R. y Martínez, F. (2015). Procesamiento paralelo en FPGA para convolución de imágenes usando Matlab. Tecnura, 19(43), 119-138.

Jing, Z., Lei, S., Li, Z., y Zhenwei, L. (2013). Pornographic image region detection based on visual attention model in compressed domain. IET Image Processing, 7(4), 384-391.

Luna, E., Silva, A., y Costa, C. (2016). An attentional model for autonomous mobile robots. IEEE Systems Journal, PP(99), 1-12.

Martínez, F., y Delgado, A. (2010). Hardware emulation of bacterial quorum sensing. Advanced Intelligent Computing Theories and Applications, Lecture Notes in Computer Science, 6215, 329-336.

Martínez, F., Rendón, A., y Guevara, P. (2016). Combustion quality estimation in carbonization furnace using flame similarity measure. Similarity Search and Applications, Lecture Notes in Computer Science (LNCS) series, 9939, 125-133.

Meurie, C., Lezoray, O., Khoudour, L., y Elmoataz, A. (2010). Morphological hierarchical segmentation and color spaces. International Journal of Imaging Systems and Technology, 20(2), 167-178.

Ortiz, F., Torres, F., Angulo, J., y Puente, S. (2001). Comparative study of vectorial morphological operations in different color spaces. Proceedings of SPIE Intelligent Robots and Computer Vision XX: Algorithms, Techniques and Active Vision, 4572, 259-268.

Tsalides, P., Vardavoulia, M., y Andreadis, I. (2002). Vector ordering and morphological operations for colour image processing: Fundamentals and applications. Pattern Analysis & Applications, 5(3), 271-287.

Cómo citar

APA

Martínez Sarmiento, F. H., Hernández Suarez, C. A., y Acero Soto, D. M. (2017). Segmentación de imagen por color basado en quorum sensing bacterial. Tecnura, 20, 55–63. https://doi.org/10.14483/22487638.11679

ACM

[1]
Martínez Sarmiento, F.H. et al. 2017. Segmentación de imagen por color basado en quorum sensing bacterial. Tecnura. 20, (mar. 2017), 55–63. DOI:https://doi.org/10.14483/22487638.11679.

ACS

(1)
Martínez Sarmiento, F. H.; Hernández Suarez, C. A.; Acero Soto, D. M. Segmentación de imagen por color basado en quorum sensing bacterial. Tecnura 2017, 20, 55-63.

ABNT

MARTÍNEZ SARMIENTO, Fredy Hernán; HERNÁNDEZ SUAREZ, César Augusto; ACERO SOTO, Diego Mauricio. Segmentación de imagen por color basado en quorum sensing bacterial. Tecnura, [S. l.], v. 20, p. 55–63, 2017. DOI: 10.14483/22487638.11679. Disponível em: https://revistas.udistrital.edu.co/index.php/Tecnura/article/view/11679. Acesso em: 28 mar. 2024.

Chicago

Martínez Sarmiento, Fredy Hernán, César Augusto Hernández Suarez, y Diego Mauricio Acero Soto. 2017. «Segmentación de imagen por color basado en quorum sensing bacterial». Tecnura 20 (marzo):55-63. https://doi.org/10.14483/22487638.11679.

Harvard

Martínez Sarmiento, F. H., Hernández Suarez, C. A. y Acero Soto, D. M. (2017) «Segmentación de imagen por color basado en quorum sensing bacterial», Tecnura, 20, pp. 55–63. doi: 10.14483/22487638.11679.

IEEE

[1]
F. H. Martínez Sarmiento, C. A. Hernández Suarez, y D. M. Acero Soto, «Segmentación de imagen por color basado en quorum sensing bacterial», Tecnura, vol. 20, pp. 55–63, mar. 2017.

MLA

Martínez Sarmiento, Fredy Hernán, et al. «Segmentación de imagen por color basado en quorum sensing bacterial». Tecnura, vol. 20, marzo de 2017, pp. 55-63, doi:10.14483/22487638.11679.

Turabian

Martínez Sarmiento, Fredy Hernán, César Augusto Hernández Suarez, y Diego Mauricio Acero Soto. «Segmentación de imagen por color basado en quorum sensing bacterial». Tecnura 20 (marzo 4, 2017): 55–63. Accedido marzo 28, 2024. https://revistas.udistrital.edu.co/index.php/Tecnura/article/view/11679.

Vancouver

1.
Martínez Sarmiento FH, Hernández Suarez CA, Acero Soto DM. Segmentación de imagen por color basado en quorum sensing bacterial. Tecnura [Internet]. 4 de marzo de 2017 [citado 28 de marzo de 2024];20:55-63. Disponible en: https://revistas.udistrital.edu.co/index.php/Tecnura/article/view/11679

Descargar cita

Visitas

249

Dimensions


PlumX


Descargas

Los datos de descargas todavía no están disponibles.

Artículos más leídos del mismo autor/a

1 2 3 4 > >> 
Loading...