Método para la identificación y clasificación automática de especies de granos de polen.

Método para la identificación y clasificación automática de especies de granos de polen.

La presente invención se refiere a un método para la identificación y clasificación automática de imágenes. En particular, la presente invención hace referencia a un método que permite la clasificación de diferentes especies de granos de polen a partir de una imagen de entrada almacenada previamente en una base de datos, siendo ésta una imagen digitalizada del grano de polen capturada a través de un microscopio con un conversor analógico digital integrado.

Método para la identificación y clasificación automática de especies de granos de polen

Objeto de la invención

La presente invención se refiere a un método para la identificación y clasificación automática de imágenes. En particular, la presente invención hace referencia a un método que permite la clasificación de diferentes especies de granos de polen a partir de una imagen de entrada almacenada previamente en una base de datos, siendo esta una imagen digitalizada del grano de polen capturada a través de un microscopio con un conversor analógico digital integrado.

Antecedentes de la invención

Aunque la idea de la automatización de la palinología se propuso hace ya 44 años por Flenley en 1968, en dicho momento se demostró lo difícil de implementarlo dada la tecnología disponible. Actualmente son numerosos los estudios que han tratado de desarrollar sistemas clasificadores para los granos de polen, haciendo uso de diversas técnicas e instrumentación. Estos estudios se han llevado principalmente en el ámbito académico. Entre ellos destacan los siguientes:

En Li, P. and Flenley, J. R. (1999) se clasifican 4 especies de polen utilizando 72 características de textura y redes neuronales como sistema de clasificación. El porcentaje de éxito alcanzado corresponde al 100 % para este número de clases.

En Boucher, A. and Thonnat, M. (2002) se utilizan imágenes en 2D validando los resultados con imágenes tridimensionales de los mismos granos de polen. Se usaron características geométricas, de textura y de color. Para clasificar cada clase se utiliza distancias de Mahalanobis. El porcentaje de éxito es de 97 % para cuatro clases y de 77% para 30 clases.

En Ronneberger et al. (2002) se clasifican 26 especies de granos de polen utilizando 385 muestras de imágenes tridimensionales. Se utilizaron las características llamadas "escala de grises invariantes". Se utilizó SVM como clasificador y mediante la técnica de "leave one ouf se alcanzó un porcentaje de éxito de 92%.

En Treloar et al. (2004) se utilizan medidas geométricas y de textura. Se utilizó un clasificador estadístico multivariable para clasificar 12 especies de granos de polen alcanzando un 95% de porcentaje de éxito.

En Li et al. (2004) se realizan tres experimentos, el primero utiliza características de textura y se clasifican 4 clases de granos de polen usando como método de clasificación un análisis discriminante lineal alcanzando 100% usando la técnica de validación cruzada "leave one out" En el segundo experimento se clasifican 13 clases de granos de polen utilizando características geométricas y de textura, llevando a cabo la clasificación con redes neuronales alcanzando un porcentaje de éxito del 100 %. En el tercer experimento se utilizan solamente las características de textura sobre las mimas clases del experimento 2 y usando también redes neuronales como sistema de clasificación, logrando nuevamente 100% de porcentaje de éxito.

En Zhang et al. (2004) se introduce la combinación de características de forma y de textura. La textura fue calculada usando la transformada de Gabor. Las características geométricas se describen usando momentos invariantes. El sistema de clasificación se basó en redes neuronales alcanzando un 97 % en la clasificación de 5 clases de granos de polen.

En Rodriguez-Damian et al (2004) el sistema propuesto realiza tareas de detección y clasificación utilizando características de brillo y forma. El número de granos de polen que compone la base de datos es: 98 Parietaria Judaica, 100 Urtica Membranácea y 93 Urtica Urens. El éxito alcanzado utilizando características geométricas es 63%; características de brillo 79%, 70%, 76%, 72% para cada clase; Usando descriptores de Fourier 90% considerando los primero 8 coeficientes. En este trabajo se utilizó un clasificador de distancia mínima.

En Hodgson et al. (2005) se detectan y clasifican 4 clases de granos de polen con un número total de muestras de 120 granos. Se utilizaron características de forma y textura. Como clasificador se usaron redes neuronales alcanzando un porcentaje de éxito de 96 %.

En Reisert, M. and Burkhardt, H. (2006) se realiza una continuación del trabajo presentado en [3]. En este trabajo [8] se incluyen como características la información direccional y la expansión armónica esférica. Empleando SVM como clasificador y aplicando la técnica de "leave one out" se alcanzó un porcentaje de éxito del 96.9 %.

En Rodriguez-Damian et al. (2006) se utilizan características de forma y textura. Los resultados son: de textura 88% de éxito y de forma de 80 %. Se usaron tres tipos de clasificadores: clasificador de distancia mínima, redes neuronales y SVM.

En Alien et al. (2008) se desarrolla un sistema de localización y clasificación automático de granos de polen. También se utilizaron características geométricas y de textura. Como

sistema de clasificación se utilizaron redes neuronales alcanzando un porcentaje de éxito de 90% para la identificación de tres tipos de granos de polen.

En Sander et al. (2009) se desarrolla un sistema de detección automático de granos de polen adquiridos al aire libre y usando un microscopio óptico multifocal para adquirir las imágenes. Se alcanzó un porcentaje de acierto del 86 % mediante la utilización de herramientas de reconocimiento de patrones de un sistema de análisis comercial.

En Ticay-Rivas et al. (2011) se transforman las imágenes utilizando el método "Decorrelation Stretching" con el fin de separar cada canal de color y extraer las características de forma más fiable. Se usaron características de frecuencia, geométricas, de textura y de color. Se alcanzó un porcentaje de éxito de 96.49% ± 1.16 en la clasificación de 17 especies de granos de polen de plantas tropicales.

En Travieso et al. (2011) se contrasta que la información de contomo puede ser suficiente para clasificar distintas especies de granos de polen. Mediante la transformación del vector del contomo, utilizando un kemel HMM y usando el resultado de esta transformación como nuevo vector de características a la entrada de un sistema de clasificación SVM, se consiguió un porcentaje de éxito de 93.8% ± 1.43 en la clasificación de 47 especies de granos de polen de plantas tropicales.

En Sabeenian et al. (2012) el sistema propuesto se centra en identificar y contar granos de polen cuando son fértiles usando Características Estadísticas de primer orden (First order Statistical Features) y características geométricas comunes CGF (Common Geometrical Features).

En Surangi et al. (2012) se utilizan características de forma, tamaño y textura. El clasificador se basó en un sistema de "vecinos más cercano" usando un kemel de estimación de para clasificar 7 tipos de granos de polen, siendo dos de ellos de tipo fósil. El máximo porcentaje de éxito alcanzado fue de 99%.

En Monzón García et al. (2012) se amplía el problema de identificación a verificación, alcanzado un porcentaje de éxito del 98.77%.

En Chica, M. (2012) se estudia el problema de clasificación de una clase mediante la utilización de características geométricas, de textura, de color y de los descriptores de la exina de los granos de polen. Se utilizaron tres enfoques para atacar al problema: usando un clasificador Gausiano, Vectores de datos de vector soporte (Support Vector Data

Description SVDD) y tres variantes de la técnica k-vecinos más cercano. Se usaron 5 tipos de polen de España y se alcanzó 0.99878 ±0.004 % de porcentaje de éxito.

En del Pozo-Baños et al. (2012) se presentan técnicas de procesado de imágenes de granos de polen y de clasificación. Se utilizaron características geométricas y de textura. Como sistema de clasificación se utilizaron redes neuronales alcanzando un porcentaje de éxito de 92.81 % en la clasificación de 17 clases de granos de polen.

El documento de patente US 20050251347 Al hace referencia a un método y un sistema para reconocer automáticamente partículas de polen en imágenes de muestras de aire u orina, empleando para ello métodos de vectorización y redes neuronales. Por otra parte, el documento de patente US 20110206241 Al hace referencia a un aparato y un método para cuantificar el número de granos de polen que se encuentran en una muestra fotografiada. El método propuesto difiere de los documentos de patentes citados en que con el método propuesto es posible identificar a que especie pertenece el grano de polen identificado.

Sumario de la invención

La presente invención se refiere a un método para la identificación y clasificación automática de especies de granos de polen que comprende las siguientes etapas:

1Método para la identificación y clasificación automática de especies de granos de polen que comprende las siguientes etapas:

(i) capturar una imagen que contenga al menos un grano de polen, empleando medios que permitan el formato digital de la imagen,

(ii) seleccionar al menos un grano de polen y extraer su contorno del fondo de la imagen seleccionada en la etapa (i),

(iii) caracterizar la imagen del grano de polen extraída en la etapa (ii), mediante el empleo de una pluralidad de parámetros de caracterización que incluyen su geometría y textura,

(iv) clasificar la especie a la que pertenece el grano de polen de la imagen de la etapa (ii) atendiendo a los valores de los parámetros de caracterización obtenidos en la etapa (iii) mediante el empleo de técnicas de Redes Neuronales Artificiales o Máquinas de Vectores Soporte.

2.- Método para la identificación y clasificación automática de especies de granos de polen, según reivindicación 1, caracterizado porque el procesado de la imagen en la etapa (ii), para extraer el contorno del grano de polen, comprende las siguientes etapas:

(i) reducir la correlación entre los distintos canales de color que forman la imagen,

(ii) extraer la información de saturación de la imagen en formato RGB,

(iii) ecualizar el histograma para normalizar la distribución de valores de los niveles de grises,

(iv) binarizar la imagen en escala de grises de la etapa (iii),

(v) eliminar el ruido de la imagen aplicando técnicas morfológicas de relleno de huecos y de eliminación de objetos pequeños.

3.- Método para la identificación y clasificación automática de especies de granos de polen, según reivindicación 1, caracterizado porque los parámetros de caracterización empleados en la etapa (iii) al menos son los siguientes:

- Parámetros geométricos: área, Bounding Box, centroide, longitud de los ejes mayor y menor, área convexa, diámetro equivalente, solidez, perímetro, extensión, excentricidad, centroide ponderado, forma, alto, ancho, y

- Parámetros de textura: contraste, correlación, energía, homogeneidad, entropía, descriptores de Fourier, aéreas relativas y objetos relativos.