Clasificación automática de los estados de desarrollo del arroz a partir de imágenes de RADARSAT-2

Abstract

Las imágenes de radar se utilizan tanto para la identificación, como para el seguimiento del crecimiento y la medición de las superficies destinadas a los diferentes cultivos. En este trabajo, utilizamos una imagen de radar capturada por el satélite RADARSAT-2 en el mes de febrero de 2009, para implementar un sistema de clasificación automática de los estados de desarrollo del cultivo de arroz. Debido a que las imágenes presentan un ruido de moteado característico, en la primera parte del proyecto, realizamos un estudio comparativo de varios métodos propuestos en la literatura para filtrar imágenes con ruido speckle. Adicionalmente, proponemos un método original de ventana adaptativa para el filtrado y desarrollamos un filtro que combina la media, la moda y la mediana, el cual dio buenos resultados. Seguidamente implementamos tres clasificadores, el clasificador Bayesiano; el clasificador Fuzzy c-mean y el Perceptrón Multicapa, para segmentar y clasificar las imágenes filtradas. Desarrollamos un clasificador mixto utilizando los resultados de los tres clasificadores, el cual nos dio, luego de la evaluación, exactitud mayor al 94%. El sistema se implementó utilizando la librería OpenCV en una plataforma de Ubuntu. / Abstract. Radar images are used for the identification, growth control of crops and the measurement of the areas destined for crops. In this work we used a radar image captured by the RADARSAT-2 satellite in February 2009 to implement an automatic classification system for the stages of development of rice crops. Due to the characteristic speckle noise present in the images, in the first part of the project we made a comparative study of several methods that are proposed in the literature to filter images with speckle noise. Additionally we propose an original adaptive window for the filtering and we developed a filter that combines the arithmetic mean, the mode and the median which gave good results. Next we implemented three classifiers, Bayesian classifier; Fuzzy c-mean classifier and the Multilayer Perceptron classifier in order to segment and classify the filtered images. We developed a mixed classifier using the results of the three classifiers which after the evaluation gave exactness greater than 94%. This system was implemented using the OpenCV library used in an Ubuntu platform.