Pre procesamiento de imgenes sub-acuticas de peces en

criaderos
Alberto Ceballos
Universidad del Magdalena

PLANTEAMIENTO DEL PROBLEMA: identificar peces en criaderos para medirlos y pesarlos

automticamente, con el fin de facilitar, entre otros, la determinacin de cantidad de alimento
necesario para estos. Se requiere calcular las equivalencias pixel-unidad de medida. Asimismo, se
encontraron tres grandes dificultades en la fase de pre-procesamiento

Iluminacin poco balanceada

Falta de contraste/color
Presencia de ruido

Para la fase de procesamiento primero que todo se proceda a adquirir la imagen luego al
preprocesamiento, segmentacin y por ultimo a determinar orientacin y eje principal.

Los montajes ms adecuados para esta estimacin de biomasa en estanques consisten en una
cmara ubicada junto a un conducto o tnel por el que se espera que circulen los peces, a menudo
los peces son retroiluminados o se coloca un fondo blanco para as poder facilitar la segmentacin.

Los entornos subacuticos debido a sus atributos particulares aaden al proceso de tratamiento de
la imagen una serie de dificultades adicionales tales como:

Deficiencia en la visibilidad
Prevalencia de tonos especficos

Esto debido a la densidad del medio y la refraccin de la luz que reduce la intensidad como funcin
de la profundidad, perdiendo las gamas de color diferentes al azul de forma gradual.

Para dichos inconvenientes explicados anteriormente se realizaron tcnicas entre ellas, las tcnicas
de restauracin, que intentan definir un modelo que simule la degradacin para utilizarlo
posteriormente en la de reconstruccin de la imagen original y la tcnica de mejoramiento, el cual
pretende mejorar la visibilidad de la imagen mediante la manipulacin de sus componentes

MEJORAMIENTO DE IMGENES SUBACUATICAS

Tcnicas basadas en estiramiento y manipulacin de histogramas y contraste

Tcnicas basadas en modelo retinex
Tcnicas basadas en filtros
Tcnicas mixtas

Las metodologas de evaluacin se tuvieron presente la evaluacin subjetiva donde se tiene en

cuanta un criterio de percepcin de color y visibilidad y la evaluacin objetiva donde determina la
calidad del mtodo segn la cantidad de bordes que se detectan mediante un algoritmo de
deteccin de bordes y anlisis de los histogramas de las imgenes procesadas.

En conclusin, los montajes basados en una nica cmara en entorno controlado simplifican las
tareas de procesamiento, segmentacin y medicin y que, durante la evaluacin subjetiva, se
observ una mejora notable del color, sin generacin excesiva de artefactos, al trabajar sobre el
modelo combinado RGB-HSV. Sin embargo, en las imgenes donde no hay una totalidad dominante,
FH-CLAHE HSV-FB es la mejor opcin.

Un enfoque heurstico para el pre-procesamiento de

superficies tridimensionales
Nallig Leal
Universidad Autnoma del Caribe

Para proceder a una reconstruccin de imagen en 3d primero que todo se debe realizar una captura
del objeto con diferentes vistas, luego se pasa a un procesamiento de imagen para lograr obtener
los puntos del objeto esto se realiza atraves de algoritmos, deteccin de bordes, mapa de
profundidad, como se tiene varias capas del objeto se tendr que proceder a otro proceso muy
importante como el procesos de registros, donde las diferentes caras son mezcladas en una sola,
luego se procede al pre-procesamiento que es donde se elimina el ruido, simplificacin, llenado de
huecos y finalmente se reconstruye la superficie y se obtiene la representacin visual del objeto.

Problemas de la reconstruccin en 3D es necesario para algunas aplicaciones por cuestiones de

manejo de memoria y costo computacional, reducir el nmero de puntos en la nube, es necesario
hacer un diezmado, pero al hacerlo se puede perder informacin valiosa, el algoritmo tienen que
lidiar con eso y saber qu puntos puede quitar las tcnicas heursticas nos ayudan a no tener que
combatir con problemas no condicionados.

En la reconstruccin de la superficie, se hace necesario mantener caractersticas y detalles finos

como lo son: bordes, esquemas, etc.

Soluciones heursticas:

Grandes volmenes de informacin: simplificacin basada en algoritmos genticos (AG) y

mapas Auto-asociativos
Orientacin de la superficie: calculo normales basada en redes neuronales artificiales
Representacin de detalles finos: clculo de pesos de superficie NURBS usando estrategias
evolutivas

En conclusin, las tcnicas heursticas suelen construir una aproximacin que genera niveles de
precisin adecuados, de acuerdo con la parametrizacin establecida por El usuario.
Las tcnicas basadas en heursticas permiten mitigar el costo computacional de otras tcnicas de
optimizacin y bsqueda de soluciones aplicables a problemas mal condicionados que no tienen
nica solucin. Las tcnicas heursticas simplifican la solucin de algunos problemas presentados
durante la reconstruccin 3D

Clasificacin de segmentos de video utilizando

representaciones visuales y lingsticas
Pedro Atencio
Instituto Tecnolgico Metropolitano, Medelln

Primero que todo para entrar en contexto hay que definir segmentos de video, que tiene como
significado secuencias de cuadros consecutivos que tienen relacin visual o semntica.

La aproximacin ms comn a la hora de segmentar un video consiste en realizar un muestreo

uniforme, otras aproximaciones se basan en el agrupamiento de cuadros consecutivos a partir de
caractersticas visuales y temporales, por ejemplo, agrupamiento por color y por flujo ptico.

Lo anterior ya aplicado podemos ver que en diversas tareas de anlisis de video tales como
bsquedas de video, clasificacin de videos y generacin de resmenes de video, entre otras, es
necesario determinar los segmentos que conforman el video.

Tecnologas relacionadas:

Aprendizaje profundo (Deep learning)

Aprendizaje de extremo a extremo (end- to- end)
Representaciones lingsticas vectoriales (Word-embeddings-vectors).

La metodologa que se llev a cabo fue la siguiente: primero que todo se procedi a la seleccin de
cuadros, seguido de la descripcin, clasificacin y agrupamiento.

En la seleccin de cuadros siempre es posible analizar todos los cuadros del video, aunque el costo
computacional es un factor a tener en cuenta en caso de utilizar esta aproximacin.

Se utiliza un muestreo uniforme de un cuadro por segundo y se parte del supuesto de que un
segundo de video es la unidad mnima para un segmento y por otra parte, para un muestreo
promedio de 30 cuadros por segundo, no ocurrira una variacin significativa visual o semntica.

Descripcin: se utiliza un clasificador basado en redes neuronales profundas. Prcticamente, la

arquitectura de red VGG-16.

Preentrenada con la base de datos imageNet.

Esta arquitectura puede reconocer 1000categorias visuales en una imagen y la comunidad cientfica
la ha utilizado de forma exitosa en diversas aplicaciones.

Clasificacin: la representacin GloVe es posteriormente procesada mediante una secuencia de

convoluciones 1D y maxpooling. La representacin obtenida mediante las capas anteriores es
ingresada a una serie de capas totalmente conectadas, la capa final tiene una funcin de activacin
softmax-one-hot encodding.

Agrupamiento: filtrado de mediana con ventana de anchura k con el objetivo de reducir la variacin
en las categoras semnticas detectadas en segmentos consecutivos.

Generacin de grupos de segmentos consecutivos que presente igual categora semntica.

En conclusin, se propone un mtodo basado en una aproximacin visual y lingstica para la

estimacin de segmentos de video. El carcter modular del mtodo propuesto hace posible la
modificacin de aspectos como la red de clasificacin visual, el modelo de representacin lingstica,
el clasificador lingstico o el dataset utilizado para la clasificacin semntica.

Es posible generar resultados interesantes utilizando arquitectura de redes neuronales modernas

pre-entrenadas, lo cual agiliza la construccin de sistemas de este tipo. Como trabajo futuro se
identifica la posibilidad de generar resmenes de video de forma automtica, utilizando el esquema
anterior.