Dr.

Jos Giovanni Guzmn Lugo

ADVISOR

MC. Antonio Ramrez Ramrez

PhD student 2nd. Semester

Dr. Ricardo Barrn Fernndez

ADVISOR

Ondeletas

Una ondeleta (ondcula) se define como una pequea onda que oscila en un breve intervalo de tiempo.

Funcin ondeleta
La ondeleta es una funcin (t) que puede ser real o compleja que
satisface ciertas condiciones.

Se emplean generalmente en el anlisis de frecuencias.

Las ondeletas, (wavelets) se han aplicado en diversas reas del anlisis

de imgenes como en la deteccin de bordes, codificacin de imgenes, el filtrado, modelos fractales, etc.

La familia de funciones ondeleta son funciones generadas por una onda

madre (seal) y se definen matemticamente como:

donde , es un parmetro de traslacin y , ( > 0), es un factor de escala.

Funcin ondeleta
La ondeleta de campo finito, (finite field wavelet): es un tipo de ondeleta
que opera sobre un campo particular, que contiene un nmero finito de elementos.

As, la expresin de la Transformada Ondeleta Discreta, se expresa como:

donde y corresponden a los ndices de rotacin y traslacin, respectivamente.

Problemtica
El acceso a los datos capturados mediante sensores satelitales,
debe ser ms preciso, a pesar de su baja resolucin espacial.

Estos a su vez, deben ser analizados de manera ms gil para

obtener informacin de diversa ndole,.

Justificacin
Aplicaciones de tipo comercial, en la deteccin de elementos
no deseados. (intrusiones, invasiones, etc)

Ubicacin de Asentamientos Irregulares.

Deteccin de plantos ilegales.

Seguridad de instalaciones de alto riesgo . Manejo de catstrofes.

Metodologa
Con base en el clculo de puntos de inters Mediante operaciones de la transformada ondeleta
(discret wavelet transform)

Se calcularn a una escala de 1 pxel, lo que significa una

Se considerar la adyacencia fuerte y dbil (vecindad)

observacin de tan solo 60cm2 (segn el sensor empleado)

Se establecern caractersticas para identificar objetos

(de acuerdo con el modelo OO)

Se trabajar sobre el modelo Raster

Modelo Raster
Se caracteriza por efectuar una representacin discreta del mundo real
empleando una malla o rejilla de celdas.

Cada celda contiene informacin de tipo cualitativo y cuantitativo de un

aspecto de la representacin.

Estos diferentes aspectos se manejan en capas.

Modelo Raster
Las celdas son regulares. Son localizables (x,y). Contienen informacin temtica (numrica).

Modelo O. O.
Es un enfoque que modela a un sistema como un conjunto de elementos (objetos) que interactan entre s Expresa esos objetos del mundo real, en una representacin Representa un dominio en trminos de conceptos que estn compuestos por verbos y sustantivos A estos conceptos los clasifica de acuerdo con su dependencia funcional

Modelo O. O.
Un objeto modelado:

Puede almacenar las relaciones que tenga con otros objetos Puede agruparse con otros, para formar objetos ms complejos Posee propiedades comunes y nicas Puede ser una entidad geogrfica discreta Puede ser visto como un conjunto de pixeles, pero con identidad Semntica

Puede agruparse y estructurarse en una jerarqua

11

Modelo O. O.
Jerarqua de un objeto:
Escenario

Urbano

Rural

Densamente Poblado

Escasamente Poblado

Zona Industrial

Desierto

Bosque

Selva

Azotea

Callejn

rbol

Arbusto

Claro

Camino

12

Estrategia
() Pre-procesado de la imagen

1 ()

13

Estado del Arte (1)

Autores
Xie Zhihua, Liu Guodong Yao Wei, Yan Fei,

Ttulo del Artculo

Weighted Local Binary Pattern Infrared Face Recognition. A new algorithm for remotely sensed image texture classification and segmentation. Aplicacin de tcnicas de teledeteccin y GIS sobre imagines Quickbird para identificar y mapear individuos de peral silvestre. Performance Evaluation of Micro Pattern Representation on Gabor Features for Face Recognition. Reconocimiento facial, con base en las leyes de Weber. Anlisis de texturas, mediante la Variacin Total en una segmentacin. Segmentacin e identificacin de una especie en particular de vegetacin.

Fecha

2011

2011

S. Arenas, J. F. Haeger, D. Jordano Sanqiang Zhao, Yongsheng Gao and Baochang Zhang David Alexander Fonseca

2011

Aplica la transformada Gabor en sus 4 fases, en el reconocimiento de rostros, en imgenes prestablecidas. Nueva metodologa para la deteccin Detectar cambios morfolgicos en de cambios basada en criterios imgenes mediante su orientados a objetos. caracterstica espectral

2010

2010

14

Estado del Arte (2)

Autores
Ashwini T. Sapkal, N. Z. Tarapore

Ttulo del Artculo

Satellite Image Classification using the Back Propagation Algorithm of Artificial Neural Network.
On Wavelet Decomposition over Finite Fields

Fecha

Clasificacin de texturas mediante 2007 K-means con apoyo de una RNABP

Introduccin a las ondeletas sobre campos de Galois, derivando en las de campo finito, como Haar y Daubechies. Propone un framework para cifrado y descifrado de flujo de datos, con base en ondeletas. Deteccin de objetos, mediante entrenamiento de clases en el sistema. Bases para la caracterizacin de objetos en imgenes satelitales. 2005

H. M. de Oliveira, T. H. Falk

Farshid Delgosha, Faramarz Fekri Line Eikvil, Lars Aurdal, Hans Koren Guillermo Castilla Castellano

Stream cipher using finite-field wavelets Classification-based vehicle detection in high resolution satellite images Object-oriented analysis of Remote Sensing images for land cover mapping: conceptual foundations and a segmentation method to derive a baseline partition for classification

2005

2004

2003

15

Objetivos
General.
Desarrollar algoritmos para analizar imgenes geogrficas mediante ondeletas de campo finito y detectar elementos con un enfoque orientado a objetos, utilizando cmputo de alto rendimiento.

Especficos:
1. Realizar la programacin de la transformada Haar y la funcin Gabor
(algoritmos conocidos), para aplicarlos al modelo orientado a objetos.

2. Proponer estrategias para el reconocimiento de objetos, en imgenes

geogrficas mediante ondeletas de campo finito.

3. Realizar la programacin de los algoritmos propuestos bajo el esquema de

procesamiento en paralelo.

16

Avances
Aplicacin de la transformada Haar para realizar el binarizado (umbralado) de imgenes:

Donde: N = 2n

La Matriz de Haar de dimensin 2x2 se presenta como:

17

Avances

18

Avances

19

Avances

20

Trabajo futuro prximo

Esqueletizado Caracterizacin Registro en una
Base de datos
24 15

Recuperacin de la
informacin

11

Construir la
semntica de los objetos

17

16

21

Aportaciones
Presentar el uso de la transformada ondeleta de campo finito para la
caracterizacin paramtrica de objetos en imgenes geogrficas.

Desarrollar algoritmos de programacin en paralelo con base en

procesadores grficos GPUs para la deteccin y reconocimiento de objetos en imgenes geogrficas.

22

Referencias

[Cast2004] Castilla, G., Object-oriented analysis of Remote Sensing images for land cover mapping: conceptual foundations and a segmentation method to derive a baseline partition for classification, Ph.D.Thesis, Polythecnic University of Madrid, Espaa, 2004. [Otsu1979] Nobuyuki Otsu, A Tlreshold Selection Method from Gray-Level Histograms, IEEE Transactions on Systrems, Man, and Cybernetics, vol. Smc-9, No. 1, Enero 1979. [Kitt1984] J. Kittler, J. Illingworth, Munimunm Erroro Thresholding, Pattern Recognition Society, Vol. 19 No 1, Great Britain, 1984. [Hara1993] Robert M. Haralick, Linda G. Shapiro, Computer and robot vision, Addison-Wesley Vol. 2. USA, 1993. [Saho1984] Kapur, Sahoo, Wong, A new method for Gray-Level Picture Thresholdin Using the Entropy of the Histogram, Computer vision, USA, 1984. [Saho1988] Sahoo, Soltani, Wong, Chen, A Survey of Thresholding Techniques, Computer, Vision, graphics and image processing, USA, 1988. [Mehm2002] Mehmet Sezgin, lent Sankur, Survey over image thresholding techniques and quantitative performance evaluation, Journal of Electronic Imaging 13, USA, 2004.

23

Referencias

[Sath11] P. Sathya and L. Malathi, Classification and Segmentation in Satellite Imagery Using Back Propagation Algorithm of ANN and K-Means Algorithm, Int. Journal of Machine Learning and Computing, USA, 2011. [Bru01] L.Bruzzone and D.Fernandez Prieto, Unsupervised retraining of a maximum-likehood classifier for the analysis of multitemporal remote-sensing images, IEEE Transactions on Geoscience and Remote Sensing, 2001. [Flay10] Floyd F. Sabins and W.H.Freeman, Remote sensing, Principles and Interpretation. Goodwill Industries of Denver, USA, 2010. [Dav10] David Alexander F., Nueva metodologa para la deteccin de cambios basada en criterios orientados a objetos, Engeniering Thesis, Chile, 2010. [Yaow04] Yao Wei, Yan Fei, A new algorithm for remotely sensed image texture classification and segmentation, Int. J. Remote Sensing, USA 2004, [Soss2006] Sossa Azuela, J. H. Rasgos descriptores para el reconocimiento de objetos, IPN CIC Mxico, 2006. [Eik09] Line Eikvil, Lars Aurdal and Hans Koren, Classification-based vehicle detection in high resolution satellite images, Journal of Photogrammetry and Remote Sensing, USA, 2009.

24

Referencias

[Fekr11] Fekri, Faramarz., Delgoshs, Farshid, Finite-Field Wavelets, With applications in cryptography and coding. Ed. Pearson, USA, 2011. [Soss2000] J.H. Sossa-Azuela, C. Yaez-Mrquez , Computing geometric moments using morphological erosionsq, National Council of Science and Technology, Mexico, 2000. [Soil2004] Soille Pierre, Morphological Image Analysis, Principles and Applications , Springer-Verlag Berlin Heidelberg, New York, 2004. [Gonz2008] Gonzalo Pajares, Jess de la Cruz, Visin por Computador Imgenes digitales y aplicaciones 2da Ed. Alfaomega, Espaa, 2008. [Paja2008] Gonzalo Pajares, Jess de la Cruz, Ejercicios resueltos de Visin por Computador, Alfaomega, Espaa, 2008.

[Flus1991] Jan Flusser, Toms Suk, Pattern Recognition by affine moment invariants, Pattern Recognition Society 26, Pergamon UK, 1993.
[Ashw07] Ashwini T. Sapkal, N. Z. Tarapore Satellite Image Classification using the Back Propagation Algorithm of Artificial Neural Network, UK , 2007 [MiHu1962] Hu, Ming K., Visual Pattern Recognition by Moment Invariants, IRE Transactions on Information Theory, N.Y., USA, 1962.

25

Bienvenidas todas sus sugerencias.

26

27

Fuente de las imgenes

28

Servicios:

29

Modelo Raster vs Vectorial

30

Antecedentes
Resolucin espacial en una imagen:

Es una indicacin del tamao del pixel expresada en trminos de

dimensiones sobre el terreno. Usualmente se presenta por un valor nico correspondiente a la longitud de un lado del cuadrado correspondiente a dicho pixel. As, una resolucin espacial de 30 m significa que el pixel representa un rea de 30 m x 30 m sobre el terreno. La resolucin espacial es una indicacin del potencial de detalle que ofrece una imagen..

Escala de una imagen:

La escala de una imagen o de un mapa hace referencia a la diferencia relativa

de tamao o distancia entre los objetos de la imagen y los reales terrenos. Esta diferencia se expresa como la relacin entre la distancia sobre la imagen y la real terrena.. As por ejemplo, una escala de 1: 100000 significa que 1 cm en el mapa o imagen corresponde a 100000 cm (1 km) sobre el terreno..

31

Qu es el enfoque O. O.
Enfoque que modela un sistema como un grupo de objetos que
interactan entre s.

Representa un dominio en trminos de conceptos compuestos por

verbos y sustantivos, clasificados de acuerdo a su dependencia funcional.

Identifica y trabaja con objetos existen en la naturaleza, que en

ocasiones se convierten en entidades hechas por el hombre.

Pueden ser clasificados, descritos, organizados, combinados,

manipulados e incluso creados.

32

Validez del Estado del Arte

33

Validez del Estado del Arte

microfeature

micromodel

34

Validez del Estado del Arte

35