METODO PARA LA DESCRIPCION DE MATERIAL PARTICULADO EMPLEANDO MICROSCOPIA ASISTIDA POR COMPUTADOR

ALEJANDRO RESTREPO MARTNEZ

POSTGRADO EN INGENIERIA DE SISTEMAS FACULTAD DE MINAS UNIVERSIDAD NACIONAL DE COLOMBIA SEDE MEDELLIN MEDELLIN, 2004

METODO PARA LA DESCRIPCION DE MATERIAL PARTICULADO EMPLEANDO MICROSCOPIA ASISTIDA POR COMPUTADOR
Alejandro Restrepo Martnez Ingeniero Mecnico

Tesis dirigida de Grado presentada Como requisito parcial para optar El ttulo de Maestra en Ingeniera de Sistemas

Director: Ph.D Profesor Flavio Prieto O. Codirector: M.Sc. John William Branch B.

POSTGRADO EN INGENIERIA DE SISTEMAS FACULTAD DE MINAS UNIVERSIDAD NACIONAL DE COLOMBIA SEDE MEDELLIN MEDELLIN, Marzo de 2004

DEDICATORIA

A mi padre Ernesto Restrepo Meja, el campen, que parti en el 2003 para el mundo de los sueos. La esperanza del futuro, es la fortaleza del presente A mi madre la emprendedora de sueos. A mi hermana la eterna viajera, quien con sus bsquedas de euros le puso ms emocin a la edicin de esta tesis. A mi hermano el soador del presente. A mi amiga Astrid por la compaa y su incondicional amistad.

1 iii

AGRADECIMIENTOS
Es importante reconocer y resaltar algunos espacios y personas que se relacionaron de manera indirecta con este trabajo de investigacin, pero no obstante elementos adicionales fundamentales para desarrollar la investigacin: REDAIRE que es el organismo que investiga todo lo referente a la calidad del aire del Valle de Aburr ; su apoyo fue fundamental para obtener la muestras y as poder desarrollar la parte experimental de este parte del material particulado La Maestra en Ingeniera de Materiales por su trabajo en la caracterizacin de materiales permiti utilizar la microscopa electrnica de barrido (SEM) en la cual apoyo de los profesores Alejandro Toro y Marco Antonio Marqus fue fundamental; adems abrieron la posibilidad de tomar el curso de posgrado Caracterizacin de materiales. El laboratorio de petrografa con su trabajo y experiencias en la caracterizacin de carbones permiti desarrollar metodologas para el caso del material M. e Ins reconocer el trabajo de preparacin de muestras y particulado. Es importante resaltar las profesoras Astrid Blandn Carmona. L.; fuer Solano. La Sede de Manizales de la Universidad Nacional de Colombia fue un espacio en donde se puedo ensayar microscopa de fuerza atmica (AFM) y algunas tcnicas de caracterizacin como el DRX y el FTIR. caracterizacin mineralgica que realiz el estudiante trabajo. Tambin es importante reconocer el apoyo del profesor Julin Bedoya y su asesora en la dieron

geologa Julio Cesar

iv 2

La universidad de la UIS y en especial el profesor Arturo Plata dieron una colaboracin fundamental para poder explorar la microscopa interferomtrica en el caso del material particulado del aire. Lo anterior se realiz por medio de una pasanta en el grupo de Optica en la UIS en Bucaramanga.

Los profesores Juan Diego Colegial (director de la carrera de geologa) y Ligia Beleo, ambos de Bucaramanga, y que permitieron discutir un trabajo de caracterizacin de areniscas, en el cual se formalizan algunos fenmenos fsicos que ocurren cuando se observan secciones delgadas utilizando microscopios pticos.

Instituciones como el DAS de Bogot e INGEOMINAS Bogot facilitaron tomar imgenes de microscopia electrnica de barrido.

v 1

RESUMEN
Este trabajo integra elementos de la visin microscopa electrnica de artificial, la microscopa ptica y la estudiar las

barrido como herramientas para

caractersticas del material particulado presente en el aire de la ciudad de Medelln. Debido a la diversidad de partculas a estudiar: material orgnico, material de residuos de combustin y material inorgnico. Se hizo nfasis en el etapa de formacin y adquisicin de la imagen, en la etapa de segmentacin. Para que el sistema responda a las exigencias del proceso de visin artificial, fue necesario evaluar el desempeo de la segmentacin en las diferentes condiciones. Se midieron varios factores de forma y descriptores de las partculas, se usaron la transformada de Hough y la morfologa matemtica para medir microscopa ptica bajo la estrategia de porosidad. Se desarrollaron multiespectrales. Se mtodos: para medir la granulometra, para caracterizar partculas utilizando imgenes implementaron mtodos para describir la percepcin de las imgenes. Se obtuvo un sistema de microscopia asistida por computador MAC, el cual es una herramienta para estudiar material particulado. Palabras claves: Material particulado de la contaminacin del aire de Medelln, Microscopa asistida por computador, visin artificial, segmentacin de imgenes digitales, factores de forma y descriptores de partculas.

vi

ABSTRAC

vii

INDICE GENERAL
1 1.1 INTRODUCCION MOTIVACION 1 1 6 6 10 10 16 16 17 17 20 23 27 36 36 37 38 39 40 42 42 43 43 43

1.2 MARCO TERICO REFERENCIAL 1.2.1 Microscopia Cuantitativa. 1.2.2 La Forma 1.3 OBJETIVOS DEL TRABAJO. 1.3.1 Objetivo General 1.3.2 Objetivos Especficos: 1.4 2 2.1 3 4 4.1 ORGANIZACIN DEL TRABAJO ESTADO DEL ARTE LOS TRABAJOS MS RELEVANTES EL PROBLEMA DEL MATERIAL PARTICULADO CAPITULO ETAPA DE BAJO NIVEL INTRODUCCIN

4.2 PROCEDIMIENTOS. 4.2.1 Mtodos para evaluar microscopio ptico 4.2.2 Mtodos para evaluar la cmara 4.2.3 Mtodos para evaluar el sistema microscopio-cmara. 4.2.4 Captura de las Imgenes 4.2.5 Manejo de la informacin 4.3 RESULTADOS 4.3.1 Resultados de la evaluacin del microscopio 4.3.2 Resultados de la evaluacin de la cmara .

viii

4.3.3 4.4

Mtodos para evaluar el sistema microscopio-cmara CONCLUSIONES

44 48 ERROR!

5 ETAPA DE LA SEGMENTACION Y SU EVALUACION MARCADOR NO DEFINIDO. 5.1 INTRODUCCION

Error! Marcador no definido. Error!

5.2 ESQUEMA DEL METODO PARA LA SEGMENTACION. Marcador no definido.

5.3 FACTORES DE PERCEPCIN UTILIZADOS PARA LA EVALUACION DE LA SEGMENTACION Error! Marcador no definido. 5.4 PROCEDIMIENTOS Error! Marcador no definido. Error! Marcador no definido. Error! Marcador no definido. Error! Marcador no definido. Error! Marcador no definido. ERROR! MARCADOR NO DEFINIDO. Error! Marcador no definido.

5.5 RESULTADOS 5.5.1 Estrategias de evaluacin cuantitativa. 5.5.2 Estrategias cualitativas 5.6 6 6.1 CONCLUSIONES CAPITULO INTRODUCCION

6.2 PROCEDIMIENTO Error! Marcador no definido. 6.2.1 Transformada de Hough Error! Marcador no definido. 6.2.2 Morfologa matemtica en la porosidad Error! Marcador no definido. 6.2.3 Factores de forma Error! Marcador no definido. 6.3 6.4 RESULTADOS Y ANALISIS CONCLUSIONES Error! Marcador no definido. Error! Marcador no definido.

7 RESULTADOS DEL SISTEMA MAC PARA EL CASO DEL MATERIAL PARTICULADO 86 7.1 INTRODUCCION 86

7.2 DISTRIBUCION DE TAMAOS DE LAS PARTICULAS 7.2.1 Mtodo para medir la granulometria. 7.2.2 Procedimientos para la granulometra 7.2.3 Resultados y anlisis 7.2.4 Conclusiones
ix

86 86 88 91 98

7.3 RESULTADOS DEL PROCESO DE SEGMENTACION 98 7.3.1 Resultados de la etapa 2 para el caso de imgenes utilizadas para medir distribucion de tamaos de las particulas 99 7.3.2 Diseo especifico de segmentaciones 112 7.4 CARACTERIZACION DEL MATERIAL PARTICULADO CON MICROSCOPIA OPTICA 117

7.5 DESCRIPCION DEL MATERIAL PARTICULADO UTILIZANDO LA MICROSCOPIA SEM. 118 8 9 10 CONCLUSIONES REFERENCIAS BIBLIOGRAFICAS BIBLIOGRAFIA 129 135 148

ANEXOS A. PARTICIPACIN EN EVENTOS B. AMPLIACIN DEL ESTADO DEL ARTE C. RESULTADOS DE LA GRANULOMETRIA D. RESULTADOS DE PERCEPCIN E. TABLA DE DESCRIPCIN DE METAS F. RESULTADOS PRELIMINARES DE OTRAS MICROSCOPIAS 155 157 181 184 188 192

6 x

INDICE DE FIGURAS
Figura 1-1 Esquema de los resultados que se pueden tener al abordar la problemtica del material particulado. Figura 1-2 Esquema de los elementos que se tienen en cuenta para estudiar el material particulado Figura 1-3 Esquema de las diferentes tcnicas que se aplican en el material particulado. Figura 1-4 Clases de los diferentes tipos de material particulado presentes en el aire Figura 1-5 Iluminaciones con las que pueden ser diferenciadas de mejor manera cada una de las partculas Figura 1-2 Iluminaciones con las que pueden ser diferenciadas de mejor manera cada una de las partculas Figura 1-6 Ejemplo de partculas observadas en diferentes condiciones de iluminacin Figura 1-7 Esquema microscopio de luz transmitida Figura 1-8 Esquema microscopio de luz polarizada Figura 1-9 Esquema micros. de luz reflejada Figura 1-10 Esquema micros. de luz Figura 1-11 Ejemplo imagen luz trasmitida Figura 1-12 Ejemplo imagen luz polarizada Figura 1-13 Ejemplo imagen luz reflejada Figura 1-14 Ejemplo imagen luz fluorescente Figura 1-15 Esquema de la interaccin de la energa en el microscopio SEM Figura 1-16 Esquema del funcionamiento del microscopio SEM Figura 1-17 Imagen de microscopio SEM en el modo de electrones rectroproyectados Figura 1-18 Partcula porosa, imagen de microscopio SEM, en el modo de electrones secundarios. Figura 3-1 Mapa mental de las reas que intervienen en la investigacin. Figura 3-2 Esquema del dominio del problema que afectan las condiciones de observacin. Figura 3-3 Esquema de la relacin objetivos en relacin al objeto y diferentes sistemas formadores de imgenes 4 4 5 7 7 7 8 11 11 11 11 12 12 12 12 13 13 14 14 27 30 30

xi 7

Figura 4-1 Esquema de la visin de bajo nivel para el caso del material particulado Figura 4-2 Respuesta Fotomtrica de la Cmara. Figura 4-3 Mosaico de imgenes que se capturaron con diferentes tiempos de captura, para la sensibilidad de 400 Figura 4-4 Clculo de CV(%) Vs. tamao partcula Q Figura 4-5 Clculo de los CV EQUIPO , CVOPER para el rea y el permetro de una partculas Figura 4-6 Varianza promedio de los tres canales de color para el caso de lmpara del fotmetro, medida en distintos tiempos y para diferentes nmero de cuadros promedios de la imagen Figura 5-1 Esquema de la Etapa 0 del proceso de segmentacin Figura 5-2 Esquema general de las ETAPA 1 y 2 para el desarrollo de la segmentacin Figura 5-3 Esquema Ampliado de la ETAPA 1. Parte A Figura 5-4 Esquema Ampliado de la ETAPA 1 (Evaluacin de la segmentacin). Parte B Figura 5-5 Esquema de algunos problemas que afectan la segmentacin Figura 5-6 Esquema del diseo especfico de segmentaciones Figura 5-7 Esquema del algoritmo para el anlisis de la continuidad Figura 5-8 Esquema del algoritmo para el anlisis de la similitud espacial de los niveles de gris Figura 5-9 Resultados del anlisis de continuidad para las muestras del grupo F Figura 5-10 Resultados del anlisis de la similitud de nivel de gris para el grupo F Figura 5-11. Curva ROC FPV (fraccin positivos verdaderos) FPF(fraccin positivos negativos) Figura 5-12 Resultados del Factor F de las imgenes de prueba Figura 5-13 . Q(i) vs Factor F Figura 5-14 . Valor RUME de los diferentes segmentadotes en los diversos casos Figura 5-15 . Curva de conetividad Figura 5-16 . Curva similitud de niveles de gris+A70 Figura 6-1. Mapa metal acerca de la factores forma en el estudio de partculas. Figura 6-2. A) Mapa de los mximos de la transformada de Hough para la imagen A16. B) Partcula denominada A16 Figura 6-3. Valores acumulados en el mapa de los mximos de la transformada de Hough para la imagen A16

38 45 45 47 47 48 54 54 55 55 58 58 61 61 63 63 67 67 68 68 68 68 74 76 76

xii 8

Figura 6-4. Curva de caracterizacin de poros (imagen A1) Figura 6-5 Imgenes binarias y editadas de las partculas analizadas, y que tienen el contorno de Hough trazado Figura 6-6 Contorno convexo de Hough para cada partcula Figura 6-7 Ejemplo de partcula porosa Figura 7-1 Esquema de trabajo para el estudio de la distribucin de tamaos. Figura 7-2 Resultados de la granulometra sobre las imgenes de prueba. Figura 7-3 Grficos de medicin de la granulometra Figura 7-4 Curvas granulomtricas medidas para la muestra UNAL-018 Figura 7-5 Histogrma de tamaos para la muestra UNAL-018 Figura 7-6 Imgenes de la muestra C-19-29. Figura 7-7 Imgenes de la muestra E-19-31. Figura 7-8 Resultados del anlisis de la similitud de nivel de gris para el grupo F Figura 7-9 Resultados del anlisis de continuidad para las muestras del grupo F Figura 7-10 Resultados de las curvas de continuidad. Figura 7-11 Curva de la diferencia de la probabilidad continuidad entre la segmentacin manual y la bimodal Figura 7-12 Curvas de similitud espacial de nivel de gris que muestran diferencias. Figura 7-13 Curvas de similitud espacial de nivel de gris que no muestran diferencias. Figura 7-14 Figuras de prueba para evaluar la relacin entre los factores de calidad de la segmentacin y las curvas de continuidad Figura 7-15 Curvas de continuidad para los cuadrados de prueba utilizados para evaluar la relacin entre los factores de calidad de la segmentacin y las curvas de continuidad . Figura 7-16 Curvas de continuidad para imgenes segmentadas provenientes de diversos formatos de color . Figura 7-17 Esquema de la segmentacin especifica para solucionar el problemas de partculas desenfocadas y partculas grises pequeas no detectadas. Figura 7-18 Esquema de la segmentacin especfica para solucionar el problemas de partculas transparentes Figura 7-19. Imgenes del proceso de segmentacin especfico. Figura 7-20. Imgenes del proceso de segmentacin especfico. Figura 7-21 Esquema para la caracterizacin de partculas orgnicas Figura 7-22 Esquema para la caracterizacin de partculas minerales

77 81 81 82 89 90 92 97 97 104 104 105 105 107 107 108 109 109 111 111 114 114 115 115 119 119

xiii 9

Figura 7-23 Esquema para la caracterizacin de partculas de residuos de combustin Figura 7-24 Casos de diferentes tipos de partculas observadas bajo una representacin multiespectral de las condiciones de iluminacin Figura 7-25 Imgenes para mostrar el problema de la conversin a niveles de gris provenientes de diferentes espacios de color. Figura7-26 Partculas que conforman el Grupo B y que tienen composiciones similares. Figura 7-27 Distribucin de la porosidad calculada por el mtodo de la morfologa matemtica para las partculas analizadas. Figura 7- 28 Imgenes de las partculas porosas analizadas Figura B-1 Esquema resumen de los tipos de segmentacin Figura B-2 Esquema de los mtodos de evaluacin de la segmentacin Figura B-3 Esquema resumen de las estrategias de estudiar la forma (tranformaciones) Figura B-4 Esquema resumen de las estrategias de estudiar la forma (regiones) Figura B-5 Esquema resumen de las estrategias de estudiar la forma (contornos) Figura C-1 Curvas granulometricas muestra 19 Figura C-2 Curvas granulometricas muestra 22 Figura D-1 Curvas de percepcin Figura D-2 Curvas de percepcin Figura D-3 Curvas de percepcin Figura F-1 Ejemplos de las franjas interferometricas en la observacin de muestras de material particulado Figura F-2 Resultados de la microscopia interferometrica de una partcula pulida Figura F-3 Anlisis de una partcula de cenizas del material pariculado observada bajo los modos de AFM, FMM, PMMM Figura F-4 Anlisis de una zona con resina y de una zona con particulas pequeas aglomeradas observadas bajo los modos de AFM, FMM, PMMM

120 121 122 126 127 127 166 166 169 169 170 181 182 185 186 187 194 195 197 197

xiv 10

INDICE DE TABLAS
Tabla 4-1 Resultados de los valores Q para los diferentes objetivos Tabla 4-2 Valores de delta de z para los diferentes lentes Tabla 4-3 Varianza promedio de las mltiples combinaciones de imgenes hechas para evaluar diferentes patrones color, lmparas y numero de cuadros promedio por imagen Tabla 4-4 Resultados de la entropa en imgenes variando el tiempo de exposicin Tabla 5-1 Calificacin de la segmentacin Tabla 5-2 Calificacin de los tipos de error Tabla 5-3 Ordenamiento jerrquico de las segmentaciones Tabla 6-1. Factores de forma medios a las partculas de prueba Tabla 7-1 Resultados de los Factores que evalan la segmentancin Tabla 7-2 Factores de evaluacin de segmentacin para cuadrados de prueba. Tabla 7-3 Factores de evaluacin de segmentacin aplicados a los casos de espacios de color y conversiones de niveles de gris. Tabla 7-4 Factores de evaluacin de segmentacin aplicados a los casos de espacios de color y conversiones de niveles de gris de imgenes multiespectrales Tabla 7-5 resultados de los factores de forma para las partculas analizadas (SEM) Tabla 7-6 Fraccin de porosidad para diferentes partculas Tabla B-1 Recopilacin de diferentes mtodos de segmentacin revisados en la literatura. Tabla B-2 Resumen de los diferentes artculos que tocan el tema del estudio de la forma Tabla E-1 Descripcin de requerimientos y caractersticas de algunos casos del material particulado 44 44 46 48 71 71 71 83 103 110 112 123 125 126 172 176 189

xv 11

1 INTRODUCCION
1.1 MOTIVACION

En todas las ciudades del mundo y tambin en Colombia existen diferentes fuentes y tipos de material particulado slido en suspensin presente en el aire, con dimetros mayores de 0.3 micras, asociados principalmente a las actividades industriales, comerciales y de transporte, entre otras. Dentro del material particulado suspendido en el aire se encuentran fragmentos de minerales, cenizas, residuos de combustin de carbn, holln, producto de combustin de fuel oil y crudo de castilla, desechos orgnicos, granos de polen, diversos, los cuales presentan composiciones qumicas y fsicas diferentes. De acuerdo con los estndares del Environmental Pollution Agency (EPA), concentraciones superiores a 50 g/m3 promedio anual y 150 g/m3 promedio diario de partculas con dimetros inferiores a 10 micras (PM1 10), afectan la salud humana, causando efectos sobre el sistema respiratorio, daos en tejidos pulmonares, cncer y muerte prematura. El PM10 de carcter cido pueden deteriorar materiales trabajados por el hombre y son las que producen la mayor reduccin de la visibilidad en muchos lugares del mundo. esporas, materiales sintticos, aerosoles de aceites, gotas de roco de lluvias cidas y lquidos

PM particulate matter

Una idea importante que se ha manejado control del material particulado presente necesidad de generar

en la parte ambiental,

con relacin al interactan

en el aire, es aquella que plantea la cmo las partculas

modelos que simulen

fsicamente con el sistema respiratorio humano. Debido a esto se han generado una serie de equipos que tratan de medir la cantidad de partculas presentes en un rango de tamao determinado, con lo cual, se establecen la cantidad de partculas que entraran a las diferentes zonas del sistema respiratorio. Con estas medidas se han hecho estudios que tratan de correlacionar la presencia de partculas con enfermedades en los seres humanos. Para atrapar las partculas se hace uso de un fenmeno de sedimentacin de las

partculas que cumple la ley de STOKES, para ste modelo se define el concepto de dimetro aerodinmico (D.A.) en la ecuacin (1), as: DiaAredinmico=DiaPartcula*(densidad)0.5 (1)

La ecuacin anterior es una correccin del tamao de las partculas en funcin a su densidad. A estos dimetros se les relaciona el tiempo necesario para que las partculas sean depositadas en una superficie, teniendo en cuenta esta informacin se disean los equipos que capturan las partculas. Entre los modelos que se tiene para medir el tamao de las partculas se tienen los siguientes: TPS (total de partculas suspendidas partculas TPS. PM10 (mide partculas menores a 10 micras de D.A las cuales se consideran respirables pues entran en el sistema respiratorio superior). entre 1-100 micras de D.A.) Los muestreadores de alto volumen son los equipos que se utilizan para atrapar

PM2.5 (mide partculas menores de 2.5 micras las cuales se consideran partculas inhalables y son aquellas que quedan atrapadas en los alvolos de los bronquios).

El hacer herramientas para describir el material particulado tiene dos intereses: Hallar elementos sobre el origen de las partculas. Dar elementos para correlacionar caractersticas de las partculas con enfermedades, y as, poder establecer el riesgo que se tiene en relacin con el material particulado. Lo anterior se sintetiza en la Figura 1-1. De las partculas es importante establecer la composicin, tamao y forma (ver Figura 1-2), ya que con estos elementos se adelantan estudios sobre la influencia que tienen las partculas en los tejidos biolgicos. Para abordar la problemtica de las partculas se encuentran infinidad de tcnicas experimentales, en donde algunas de ellas utilizan microscopas, con las cuales se pueden medir la composicin, la forma y el tamao de las partculas. En estas tcnicas entra el anlisis de imagen como una herramienta ms de trabajo y con la cual se puede aprovechar la informacin presente en las imgenes adquiridas. Una descripcin de las tcnicas se presenta en la Figura 1-3 Hasta ahora no se han efectuado estudios tendientes a la caracterizacin petrogrfica de dichos materiales en las ciudades colombianas, excepto ensayos espordicos de clasificacin visual. (BLANDON 2002), (BEDOYA 1999) Esta tesis viene ligada a dos reas de trabajo: (el anlisis digital de imgenes y el estudio de la calidad del aire), las cuales se han venido fortaleciendo en los ltimos aos en la Facultad de Minas; lo que ha permitido desarrollar el laboratorio de Petrografa del Carbn como un espacio, en cual se est expandiendo las

CMO Y DNDE SE GENERA LAS PARTICULAS?

ORIGEN

ANALISIS PROPIEDADES

ASOCIAN PARTICULAS

PARTICULAS PROCESADAS DE LOS FILTROS

CORRELACIONES PARTICULAS CON ENFERMEDADES

ANALISIS PROPIEDADES HERRAMIENTAS PARA MEDIR CANTIDADES PARTICULAS RIESGO HUMANO

Figura 1-1 Esquema de los resultados que se pueden tener al abordar la problemtica del material particulado.

SUPERFICIE

ASPECTO GENERAL

FORMA

PARTICULAS

COMPOSICION

TAMAO

REACTIVA?

FACIL DE ELIMINAR?

QUIEN LA ORIGINA?

HASTA DONDE PENETRA EN EL SISTEMA RESPIRATORIO?

Figura 1-2 Esquema de los elementos que se tienen en cuenta para estudiar el material particulado

posibilidades de la microscopa asistida por computador, adems de que de calidad para diferentes materiales.
TECNICAS DE ANALISIS
GRAVIMETRIA POR DIAMETROS Tamao FTIR (COMPUESTOS ORGANICOS) PARTICULAS DIFRACCION LASER (COULTER)

se ha

abierto la posibilidad de trabajar la visin artificial, como herramienta de control

COMPOSICION

DIFRACION DE RAYOS X (MATERIALES CRISTALINOS)

Composicin, tamao, forma

MICROSCOPIAS

ICP (deteccin de elementos)

TEM, AFM, SEM, OPTICO

EDX

ANALISIS DE IMAGEN

Propiedades se asocia a composicin

Figura 1-3.Esquema de las diferentes tcnicas que se aplican en el material particulado.

Es importante establecer que para el estudio de material particulado utilizando microscopa ptica es necesario: Estudiar las respuestas de las partculas al utilizar: Microscopa de luz transmitida, reflejada, con polarizacin de la luz y con luz fluorescente. Tomar elementos de la mineraloga ptica para caracterizar partculas sabiendo que cambios de luz debidos a la partcula (color) estructuras cristalinas de los minerales. Utilizar herramientas de la aeropalinologa para estudiar el material esporopolnico del aire y algunos otras partculas biolgicas. se relacionan con las

Se requiere tener presente que la petrografa del carbn da elementos de anlisis para estudiar los residuos combustin.

En la Figura 1-4 se presenta una clasificacin de las partculas entre tres grandes grupos: material orgnico, material de residuos de combustin, material inorgnico, esto, en general, se puede clasificar de sta manera, debido a las respuestas de las partculas a las diferentes condiciones de observacin. (BLANDON 2002) en la Figura 1-5 se muestra el tipo de iluminacin con que esos grupos de material particulado pueden ser ms fcilmente reconocidos. En la Figura 1-6 se muestran unas imgenes de cada uno de los grupos.

1.2 1.2.1

MARCO TERICO REFERENCIAL Microscopia Cuantitativa. el trabajo de para Young (YOUNG 1996), se puede acuar un entender el desarrollo de los sistemas MAC

Apoyndose en concepto como

el de Microscopia Cuantitativa, en el cual se enmarcan las

directrices necesarias

(Microscopia Asistida por Computador). DEFINICION : Microscopia Cuantitativa: Es un conjunto de procedimientos y mtodos que permiten generar imgenes para ser analizadas y producir datos para la interpretacin humana, con los cuales instrumento de medida. Entre las funciones de la Microscopa Cuantitativa estn las de detectar y estimar las propiedades de los objetos en las imgenes, para esto se requiere de calibracin y evaluacin sistema resolucin y la del sistema de iluminacin, de la platina de desplazamiento, del del enfoque (profundidad de campo), de la determinacin de la relacin seal ruido. Para lo anterior es electro-optico (cmara), el microscopio cumple la funcin de

importante entender los principios fsicos sobre los que se soporta la tcnica de la

microscopa. Para poder

desarrollar un sistema de microscopia asistida por

computador, adems es necesario utilizar una serie de algoritmos de procesamiento, segmentacin, anlisis de imagen y modelos matemticos

MATERIAL PARTICULADO

MATERIAL ORGANICO Granos de polen Esporas Escamas de mariposas Granos de carbn Fibras

RESIDUOS COMBUSTION Residuos Fuel Oil Residuos de escapes gasolina, diesel Residuos combustin carbn

MATERIAL INORGANICO Suelos, asfaltos Materias primas Reacciones secundarias Material de fondo Residuos minerales de carbn

Figura 1-4 Clases de los diferentes tipos de material particulado presentes en el aire

E L O B JE TO

M A T E R IA L PA R T IC U L A D O D E L A IR E
R E SID U O S C O M B U ST IO N M A T E R IA L IN O R G A N IC O

M A T E R IA L O R G A N IC O

M IC R O SC O P IA P T IC A : - F L U O R E S C E N C IA -T R A N SM IT ID A -R E FL E JA D A

M IC R O SC O P IA P T IC A : - R E F L E JA D A -T R A N SM IT ID A

M IC R O SC O P IA P T IC A : - T R A N SM IT ID A (P O L A R IZ A D A ) -R E FL E JA D A

Figura 1-5 Iluminaciones con las que pueden ser diferenciadas de mejor manera cada una de las partculas

Posible partcula orgnica

Partcula residuo combustin

Partcula inorgnica

Figura 1-6 Ejemplo de partculas observadas en diferentes condiciones de iluminacin

con los que se pueden resolver los problemas que presentan las imgenes de un sistema MAC. Un ejemplo de modelo matemtico utilizado, es la estereologa, con la cual es posible estudiar la forma 3D de la proyecciones 2D que se observan en las imgenes analizadas en algunas microscopas. Para el desarrollo experimental interferomtrica3
2 3

de esta tesis

es necesario soportarse en la

microscopa ptica, la microscopia electrnica de barrido (SEM2), la microscopia y la microscopia de fuerza atmica (AFM4); siendo las dos

SEM sigla inglesa Scanning Electronic Microscopy Es un tipo microscopia ptica, de la cual en los resultados se mostrar un exploracin inicial en relacin al problema del material particulado y para la cual en los anexo se expondr su principio fsico.

primeras tcnicas, fundamentales para el anlisis experimental de las partculas estudiadas. En la microscopa ptica problemas como las aberraciones de los lentes, la longitud de onda de la luz y fenmenos como la refraccin y la difraccin pueden influenciar la calidad de la imagen. Sin embargo, algunos cambios en la configuracin del microscopio ptico varan las posibilidades para el estudio de las partculas, es as como en esta tesis se manejarn varias configuraciones de la microscopa ptica: (de luz transmitida, de luz transmitida polarizada, de luz reflejada y luz reflejada fluorescente). Los esquemas de dichas configuraciones se observan en las Figuras 1-7, 1-8,1-9,1-10. En las Figuras 1-11,1-12,1-13,1-14 se presentan ejemplos de imgenes con diferentes condiciones de iluminacin. Para generar las imgenes digitales fue necesario utilizar una cmara CCD5 que fue acoplada en el microscopio. En (FENS 2000) se encuentra una explicacin sobre el SEM. As, en este microscopio un haz de electrones golpea la superficie de la muestra, entonces ocurren interacciones entre los tomos de la muestra y los electrones del haz. De las transformaciones de la energa resultante en el fenmeno ocurren dos tipos de respuestas. Primero la generacin de otros electrones: electrones secundarios, electrones rectroproyectados, electrones Auger, electrones transmitidos y electrones absorbidos. Segundo, la generacin de fotones: fotones de lumiscencia y fotones de Rayos-X. En la Figura 1-15 se muestran las diferentes partculas y fotones que pueden emerger. En (FENS 2000) Figura 1-16 se muestra como se forma la imagen en el SEM. El Haz de electrones enfocado es desviado en direccin X y Y por el sistema de barrido. La desviacin
4 5

es controlada de tal manera

que

un pequeo cuadro

AFM sigla inglesa Atomic Force Microscopy CCD sigla inglesa Charge Coupled Device

rectangular es barrido en la superficie de la muestra. El sistema de barrido sincroniza el haz de electrones en el microscopio con el haz de electrones al interior del monitor que es usado para mostrar la imagen En las Figura 1-17 y Figura 1-18 se presentan respectivamente las imgenes generadas en los modos de electrones secundarios (utilizado para imgenes 3D) y los electrones retroproyectados (en donde el nivel de gris est relacionado con el peso atmico de la muestra, niveles de oscuro significan bajo peso atmico y niveles brillantes indican altos pesos atmicos). En general, en cualquier microscopa, un elemento importante es el mtodo de preparacin de las muestras que se van a observar, ya que esto influye en las caractersticas de la imagen y en una buena observacin. De esta manera, en este trabajo se tiene para la microscopia ptica: montajes de granos en preparaciones palinolgicas, montajes de granos en resina que fueron pulidos , montajes del filtro en placas que utilizan aceite de inmersin. Para el microscopio SEM se usaron muestras de montajes de granos y montajes de granos en resina que fueron pulidos, ambas fueron recubiertas con oro. En (BEDOYA 2003) se explican los diferentes mtodos de preparacin de las muestras.

1.2.2

La Forma de la forma de partculas es uno de los problemas vigentes en la

El anlisis

tecnologa de polvos (LEAVERS 2000). En la descripcin de los contornos de las formas 2D, se utilizan mtodos de anlisis de imagen, que consumen tiempo y requieren interaccin con un operario (LEAVERS 2000). La principal dificultad est en hacer una extraccin individual de los objetos, evitando la sobreposicin y el contacto entre partculas (NAZAR 1996). Definir el tamao y la distribucin de estos, es un actividad resuelta en la comunidad (PODEZECK 1997). Lo importante

10

Cmara CCD

Cmara CCD

Ocular

Ocular Polarizador

Objetivo Objetivo Muestra Condensador Condensador Polarizador Difusor Difusor Lampara Lampara Figura 1-7 Esquema microscopio de luz transmitida Figura 1-8 Esquema microscopio de luz polarizada Muestra

Cmara CCD Lentes de proyeccin Fuente de iluminacin

Espejo

Cmara CCD Lentes de proyeccin Fuente fluorescente

Filtros para fluorescencia

objetivo

objetivo

Placa con muestra Figura 1-9 Esquema micros. de luz reflejada Figura 1-10 Esquema micros. de luz fl 11

Figura 1-11 Ejemplo imagen luz trasmitida

Figura 1-12 Ejemplo imagen luz polarizada

Figura 1-13 Ejemplo imagen luz reflejada

Figura 1-14 Ejemplo imagen luz fluorescente

12

Haz de electrones

Electrones retroproyectados Fotones de Rayos X Electrones Auger Electrones secundarios Luminocencia

muestra

Electrones absorbidos

Electrones transmitidos
Figura 1-15 Esquema de la interaccin de la energa en el microscopio SEM

C an de electrones

Lentes

Sistem a de barrido

A pertura H az de electrones M uestra

Sistema de deteccin Sistem a de deteccn

M onitor

Figura 1-16

Esquema del funcionamiento del microscopio SEM

13

Figura 1-17 Imagen de microscopio SEM en el modo de electrones rectroproyectados

Figura 1-18 Partcula porosa, imagen de microscopio SEM, en el modo de electrones secundarios.

14

de estudiar la forma y el tamao herramientas para entender

1996).

de las partculas es que esto puede

dar

las propiedades y el origen de las estas (NAZAR

Para poder hacer un estudio de la forma en los objetos de las imgenes que se tienen en esta tesis, es fundamental definir un modelo como el que se plantea desde la visin artificial, en el cual una 2D definiendo esta partcula se entiende desde el concepto de forma que tienen as: una forma es un conjunto de puntos

conectividad. donde la conectividad es una propiedad matemtica entre puntos, la anterior definicin se encuentra en Costa (COSTA 2001) En la descripcin de las partculas es comn que se mida el dimetro Feret, el

cual se define como una distancia entre dos tangentes en lados opuestos del borde de la partcula, y paralelo a alguna direccin fijada. Otras de las medidas que interesan en la geologa para describir las partculas, es la angularidad con la que se puede determinar que tan redondeados o ngulosos son los bordes de una partcula. Pero los factores ms utilizados son aquellos en donde se mide cuanto se desva el borde de una partcula 2D de una forma simple como un crculo o un cuadrado. Este tipo de factores de forma han sido trabajados exitosamente (PODEZECK
1997) y

algunas

veces estos factores son ms efectivos

que mtodos ms factores

complicados para describir la forma (STOYAN 1994). Algunos de los convexidad, relacin de redondez, relacin de

ms comunes son: relacin de elongacin, relacin de circularidad, relacin del triangularidad, relacin de cuadrangularidad, relacin de llenado. Es normal encontrar varios de estos factores en software especializado en anlisis de imagen para materiales. Para estudiar las formas de partculas no slo se utiliza el contorno, sino que tambin es necesario estudiar el comportamiento al interior de estas. Para esto es importante analizar la porosidad, que
(ALVAREZ ).

en algunos

casos se aborda desde la morfologa matemtica

15

Segn Costa (COSTA 2001) las formas se pueden representar desde tres caminos: contornos, regiones y transformaciones. En esta ltima; con la transformada de Hough, es posible analizar la cscara convexa de las partculas (RESTREPO-4
2003), (LEAVERS 2000). La transformada de Fourier

es otro

mtodo

muy

utilizado para cuando

describir partculas (WNALLEY 1982), (BOWMAN 2000). Sin describir partculas con bordes muy irregulares, pues para

embargo, Fourier presenta problemas cuando los bordes tienen discontinuidades o se quiere representar estos es necesario utilizar muchos coeficientes (LEAVERS 2000). Estos a su vez, tienen una serie de alternativas para la descripcin. En el trabajo de la forma se pueden utilizar dos herramientas: la geometra estocstica (estereologa); con la cual se aborda las partculas 3D a travs de sus representaciones de regin en imgenes 2D. La geometra fractal, que utiliza la Dimensin Fractal (Df) para describir los contornos de las partculas. Aunque no se utilizaran en la parte experimental es importante enunciar que la geometra estocstica dispone para estudiar la forma modelos como los conjuntos compactos aleatorios entre los que estn los polgonos de poisson, los polgonos de dirichlet, los polgonos las figuras de cascaras convexas y los conjuntos aleatorios redondeados,

gaussianos que cuentan con modelos booleanos no homogneos (STOYAN 1994). Lo anterior fuera de permitir describir partculas a travs de la forma, permite tener elementos para simular y modelar las partculas (MOLCHANOV 1996) .

1.3 1.3.1

OBJETIVOS DEL TRABAJO. Objetivo General

Establecer un mtodo para la descripcin semiautomtica del material particulado empleando microscopa asistida por computador.

16

1.3.2

Objetivos Especficos:

Establecer las condiciones de observacin para el sistema de microscopia asistida por computador Plantear un mtodo para seleccionar las estrategias de segmentacin que aborden los problemas de las partculas del material a estudiar. Implementar una estrategia para evaluar las segmentaciones. Seleccionar un grupo de caractersticas y factores de formas para analizar en las partculas segmentadas.

1.4

ORGANIZACIN DEL TRABAJO

La Seccin I PREAMBULO Captulo 2. ESTADO DEL ARTE .Se enuncian los trabajos mas relevantes, sin embargo, el detalle del estado del arte se encuentra en el anexo Captulo 3 LOS PROBLEMAS ALREDEDOR DEL MATERIAL PARTICUALDO, presenta una definicin de algunos problemas que se van abordar en el trabajo.

Seccin II ETAPAS DEL METODO PARA DESCRIPCION DEL MATERIAL PARTICULADO Aqu los captulos se consideran unidades independientes y tienen en su formato: resumen, introduccin, procedimientos, resultados y anlisis, conclusiones y unas referencias. El captulo 4 y 6 fueron presentados en eventos en el ao 2003. El captulo 5 esta en evaluacin para presentarse en un encuentro internacional. Captulo 4. ETAPA DE BAJO NIVEL, aqu se presentan una serie de ideas que son necesarias para tomar las imgenes con el sistema MAC. Se plantea el trabajo con el coeficiente de variacin como herramienta para conocer los lmites de la microscopia ptica. Captulo 5 ETAPA DE SEGMENTACION Y SU EVALUACION. Se planteo un mtodo de trabajo para desarrollar la segmentacin, para la cual

17

se utilizaron diferentes algoritmo de segmentacin, evaluadas en su calidad por medio de diversas estrategias. -

las cuales fueron

Captulo 6 ETAPA DE DESCRIPTORES DE FORMA. Se desarrollo las transformada de Hough, la morfologa matemtica y los factores de forma tradicionales.

Seccin III DESARROLLO EXPERIMENTAL

El captulo de esta seccin va

orientado a presentar una serie de resultados en donde se muestran que cosas son posibles medirse en el caso del material particulado cuando se utiliza la visin artificial. En especial la evaluacin de la granulometra, la caracterizacin del material particulado usando microscopa ptica. Tambin se midieron los factores de forma para partculas observadas con el microscopio SEM Captulo 7 RESULTADOS DEL SISTEMA MAC PARA EL CASO DEL MATERIAL PARTICULADO Seccin IV CONCLUSIONES Captulo 8 Seccin V INFORMACION FINAL Captulo 9 REFERENCIAS BIBLIOGRAFICAS Captulo 10 BIBLIOGRAFIA ANEXOS -

A. PARTICIPACIN EN EVENTOS B. AMPLIACIN DEL ESTADO DEL ARTE C. RESULTADOS DE GRANULOMETRIA D. RESULTADOS DE PERCEPCIN E. TABLA DE DESCRIPCIN DE METAS F. RESULTADOS PRELIMINARES DE OTRAS MICROSCOPIAS. Se Se utiliza la microscopia interferometrica y la microscopa de SPM para el estudio del material particulado de la contaminacin del aire.

18

SECCION I: PREAMBULO

19

2 ESTADO DEL ARTE

Fundamentalmente en los aos setenta se encuentran trabajos acerca del material particulado que utilizan la microscopa ptica como herramienta para medir el tamao de las partculas, en los cuales la medicin es un proceso manual, donde un experto humano define el tamao de las partculas por comparacin contra plantillas estandarizadas. (FRASER 1973) (ROACH 1973)(MCCRONE 1973). Lo anterior gener mtodos manuales. En los aos ochenta el desarrollo reduccin en los microscopia ptica da la del hardware y del software, adems de la artificial a la digitales de imagen. que los expertos no pudieran medir cuantitativamente elementos como la forma, los cuales ya eran mucho ms difciles de medir utilizando los

costos para acoplar un sistema de visin aparicin de los analizadores de

Permitiendo que el problema de medir tamaos de las partculas se pudiera abordar de una manera semi-automatica. As aparecen trabajos que apuntan a dar elementos para la calibracin y la comparacin del anlisis de imgenes, contra otras tcnicas instrumentales que sirven para medir los tamaos de las partculas (HALEY 1984) (
RELIANG 2003)

En la misma dcada de los ochenta la facilidad del acceso a los microscopios electrnicos genera un auge en la utilizacin de dichos equipos para estudiar los problemas del material particulado, apuntando principalmente a la descripcin de la composicin qumica, y a la idea de ampliar el rango de resolucin en el tamao de las partculas, en especial las submicromtricas, de las cuales se comienza a

20

tener el conocimiento, que son estas partculas las que en mayor medida afectar la salud. En general, se encuentra en el estudio del material particulado en los ltimos treinta aos, se ha dado nfasis a la idea de analizar las distribuciones de tamaos de grano. Por ejemplo, en Bedoya (BEDOYA 2003) se midi el tamao de grano con una tcnica que no utiliza visin por computador. Normalmente las herramientas de visin artificial que se utilizan son las que traen los analizadores de imgenes que estn acoplados a los distintos microscopios. Sin embargo, el proceso de segmentacin, si no es manual o semimanual, no se hace de una manera formal desde el punto de vista de la visin artificial, para permitir desarrollar sistemas MAC que respondan a las diversas problemticas de las imgenes. Tampoco se muestran los mtodos de calibracin del sistema, lo cual es muy importante si se quiere entender los sistemas MAC como instrumentos de medida. En (ASTM F328-80) se tiene una norma que presenta mtodos para medir la distribucin de tamaos de las partculas. En Restrepo (RESTREPO-1 2003) se presentan algunas ideas para tener en cuenta en la calibracin en la etapa de adquisicin y captura de las imgenes en una microscopia ptica. Adems de lo anterior se puede decir que en muchos de los trabajos no se ha artificial. permiten que

hecho una unificacin entre las tcnicas de caracterizacin y la visin Tambin se dado marcado nfasis a las tcnicas instrumentales

caracterizar composicionalmente las partculas, dejando a un lado la microscopia ptica, y quedando as una sensacin en la que inexplicablemente se subvalora las posibilidades de la microscopia ptica y se sobrevaloran las de la microscopia SEM. Algunos artculos que se pueden citar en relacin
2002)(LAPUERTA 1999)(CASSUCIO

a la utilizacin de la
1999)(BERUBE

microscopia aplicada en el estudio del material particulado son: (LAPUERTA

1983)(PULEDDA 1999)(HAYNLE 1985) (MASTALERZ 1998)(FRASER 1973) (ROACH 1973) (MCCRONE 1973) (DIAZ)(COE 1987), (SOLANO 2003), (RESTREPO-2 2003),

21

(RESTREPO-3 2003), en (PAYRI 2002) se utiliza el microscopio SEM y otras

tcnicas instrumentales para caracterizar las partculas, que se generan de un motor diesel. Unas referencias importantes, por la recopilacin de diferentes tcnicas instrumentales para la caracterizacin del material particulado son: (LOGDE 1998) y (RUDOLF 1999). En (BELLO 2000) se presentan algunas propiedades de las partculas que son residuos de combusitin Diesel. La idea de unificar las tcnicas instrumentales en un mtodo, donde la microscopa ptica sirva como estrategia preliminar para definir caractersticas de los materiales, y luego completarla con otras tcnicas como el microscopio electrnico de barrido, es una de las ideas experimentales que se aporta en la esta tesis; en esta lnea slo se encuentra que trabajos como (MUNOZ 1995) (BEDOYA 2002)(BLANDON
2002), en donde se utiliza

a la microscopa ptica como herramienta de

caracterizacin. Lo interesante de la unificacin es que reas como la mineraloga, la petrografa, palinologa, en donde los expertos a partir de observar imgenes hacen clasificaciones de las partculas. As, el anlisis de imagen, se convierte en una herramienta que permite que en el estudio de la contaminacin del aire se amplen las posibilidades de descripcin de las partculas, ya que el conocimiento de los expertos, de herramientas. Problemas en la preparacin, afectan directamente las imgenes y esto a su vez tiene influencia en las caractersticas de las partculas, trabajos como (BRANCH
2001)(BEDOYA 2002)(LAPUERTA 1999) presentan este tipo de problemas. En

en funcin de las relaciones entre

la forma, la composicin, el

tamao y las fuentes de contaminacin, todava es limitado y necesita el desarrollo

artculos como (BLANDON-2 2002) (BEDOYA 2003) se presentan los diferentes mtodos de preparacin de las muestras que facilitan la observacin de las partculas, cuando se utilizan microscopios pticos y SEM.

22

La descripcin de la forma es otro problema que tiene el estudio del material particulado. Sin embargo, en muchos de los artculos, la forma se describe de manera verbal, lo que no permite una objetividad en el estudio de las partculas. Ejemplo de esto se encuentra en: (DIAZ 1995)(COE 1987)(CASUCCIO 1983). En contraste, algunos artculos que apuntan al estudio de la forma del material particulado, utilizando los factores de forma que generalmente tienen incorporados los analizadores de imagen (BERUBE 1999) (RESTREPO-3 2003)(RESTREPO-4
2003) (SOLANO 2003). Adems de lo anterior, reas como la petrografa del

carbn aportan elementos importantes en el estudio de la forma, en el estudio

especficamente para el

de porosidad, la cual se ha desarrollado principalmente

anlisis de los residuos de la combustin del carbn char y para esto se ha empleando morfologa matemtica (ALVAREZ 1997). Estas ideas se han explorado en la descripcin de las formas del material particulado en Restrepo (RESTREPO4 2003).

En conclusin, se puede decir que la integracin de la microscopa cuantitativa, el anlisis de imagen. Y la caracterizacin material particulado. de materiales, pueden convertir los caracterizar el sistemas MAC en una ms de las herramientas con que se podra

2.1

LOS TRABAJOS MS RELEVANTES

En este tema, lo que se muestran son una serie de trabajos que aunque no son aplicados al material particulado, se relacionan de alguna manera con el desarrollo de sistemas MAC, la segmentacin tienen algunas ideas sobre el estudio de la forma. En general, en estos artculos estn delineados los elementos bsicos que se deben considerar desde la visin artificial para el caso estudio que se tiene en esta tesis.

23

En relacin a trabajos que plantean un desarrollo completo de un sistema MAC, en donde se presentan estrategias para el procesamiento de imgenes, algoritmos de segmentacin, elementos tericos para describir la forma y la utilizacin de quin utiliz microscopa de glbulos blancos clasificadores se encuentran dos tesis doctorales en donde se trabaj con la microscopa ptica as: en Fisher (FISCHER 2002), que se presenta un ptica transmitida para la caracterizacin de diatomeas y en Yang (YANG 1995), en sistema para medir el movimiento observados bajo un microscopio de fluorescencia. Este trabajo, en el procesamiento se plantea una estrategia para mejorar el ruido que presentan las imgenes de fluorescencia. Al analizar los trabajos anteriores, se encuentra cierta debilidad en lo referente a la calibracin del sistema, para las etapas de captura y las estrategias para calificar la seleccin y la calidad de la segmentacin. Otros trabajos donde se utiliza el anlisis de imagen en el estudio de materiales son: una tesis doctoral de Livens (LIVENS 1998), en la cual se utiliz la microscopa caracterizacin de ptica para la materiales (identificacin de corrosin e identificacin de

minerales de halita), este trabajo es interesante pues plantea elementos en relacin a la fsica que interviene en la observacin de minerales, presenta unos mtodos ad doc de segmentacin, como tambin una discusin experimental en relacin a como una los factores de forma y a las consideraciones para medir con la cmara digital el color. En Fens ( FENS 2000), se presenta el anlisis de imagen herramienta para medir porosidad en imgenes de microscopia SEM. Sin embargo, sustenta el porque las imgenes de microscopia ptica no funcionan para dar buenas medidas de la porosidad. Aunque esta tesis tiene ms un enfoque a la aplicacin en geologa, resalta que no se debe perder de vista la necesidad de calibrar las mediciones que se hagan utilizando el anlisis digital de imgenes contra otras tcnicas instrumentales. En France (FRANCE 2000) plantean los problemas que tienen de los sistemas de visin para granos de polen, adems d se hace una propuesta de arquitectura para analizar la forma y clasificar estos objetos. En Cloudard ( CLOUARD 1999) se muestra como un sistema experto puede implementarse en el procesamiento digital de imgenes, planteando as una manera

24

de manejar la informacin y las tareas en el procesamiento de imgenes, con el objetivo lograr un sistemas que sea automtico. Algunos elementos de este artculo se pueden incorporar en el desarrollo de sta investigacin de maestra, aunque hacer un sistema experto no esta en los alcances del trabajo de esta tesis. Algunos trabajos claves para entender y formalizar la microscopa cuantitativa son

(YOUNG 1995), que presenta las bases tericas para desarrollar la microscopa

ptica como un instrumento de medida. Una tesis doctoral que presenta los elementos para implementar una microscopa cuantitativa de fluorescencia (BODDEKE 1999), este trabajo es orientado al autoenfoque, la calibracin del eje z, a presentar elementos tericos de los sensores de imgenes (cmaras CCD) y al proceso fsico de la fluorescencia; aqu no se usaron elementos algortmicos de tratamiento digital de imgenes. Acerca de la segmentacin se tiene en Martin (MARTIN 2002), un trabajo clave para estudiar diferentes mtodos de valoracin de la calidad de la segmentacin e incorpora los desctriptores Gesalt como herramientas que sirven en el proceso de segmentacin. El tipo de imgenes en el que se ejecuta este trabajo, son imgenes de ambientes naturales. Un artculo como ( PABLICK 2002), en que el objeto de estudio son partculas microscopicas de jabn y donde se utiliza un microscopio SEM-EDX6 en la caracterizacin qumica de articulo interesante ya que el objeto estudio las partculas, es un se puede asemejar al material

particulado. Adems, plantea un mtodo de segmentacin con el cual se permite hacer un anlisis multiespectral y lo que tiene mucho potencial para ser utilizado en las diferentes condiciones de iluminacin. Con relacin a la forma, el libro de Costa (COSTA 2001) es clave para estudiar la teora
6

de la

descripcin , el anlisis y clasificacin de la forma.

Leavers

SEM es un microscopio electrnico de barrido y EDX (energy disperse X-ray) es un tipo de sensor que analiza los fotones que salen del impacto de la muestra con el haz.

25

(LEAVERS 2000) presenta imgenes de partculas observadas en un SEM, a las

cuales se les aplica transformaciones de Hough, que permiten calcular los factores de forma tradicionales en el estudio de representacin 2D. Por ltimo, es importante resaltar un trabajo como el Informe de caracterizacin de material particulado, proyecto DIMED (BEDOYA 2002), donde se presentan diferentes mtodos de preparacin de muestras del material particulado y se recopila varias informaciones del material particulado bajo diferentes tcnicas de caracterizacin y en especial la utilizacin de la microscopa ptica como una herramienta que permite identificar las partculas, de acuerdo a sus respuestas a las diferentes condiciones de iluminacin. Si el lector est interesado, puede ampliar la informacin del estado del arte partculas 3D que se analizan por su

leyendo el ANEXO AMPLIACION DEL ESTADO DEL ARTE.

26

3 EL PROBLEMA DEL MATERIAL PARTICULADO

Para entender la dinmica que tiene una investigacin como esta, es necesario ver el mapa mental de la Figura 3-1 en la cual se plantea claramente que reas como: la visin artificial, la matemtica, la ciencia de los materiales y la fsica, deben ser interceptarlas para abordar integralmente el problema del material particulado. Los problemas que se abordan en este trabajo van orientados a establecer un mtodo para particulado, empleando microscopa la visin asistida por

artificial, con el objeto de semiautomtica del plataformas de particulado. material

la descripcin

computador. La problemtica puede ser dividida en dos grandes ramas: las anlisis digital de imgenes y el objeto estudio material

Figura 3-1 Mapa mental de las reas que intervienen en la investigacin.

27

Las plataformas de Anlisis Digital de Imgenes (ADI). En general los sistemas

de ADI comerciales requieren mucha intervencin humana en

etapas como: la

captura imgenes, la segmentacin y la clasificacin; es en estos puntos en donde es necesario hacer aportes para que las plataformas puedan responder a las diferentes problemticas que presentan los objetos, y as, evitar tener funcionan items: 1. La microscopia asistida por computador como un instrumento de medida. Al observar la Figura 3-2, se encuentra que en el dominio del problema estn: el objeto (material particulado), el sistema formador de imgenes (microscopio); la adquisicin y la digitalizacin (cmara CCD), los cuales son etapas importantes en el proceso de visin artificial. En este punto, el asunto es definir estrategias que permitan utilizar la microscopa asistida por computador como un instrumento de medida, para lo cual es fundamental conocer los fenmenos fsicos que intervienen, y as poder controlar los elementos que afectan las mediciones. Por ejemplo, los tipos de ruido del sensor, la resolucin espacial del microscopio, la estabilidad de las lamparas del microscopio, el desempeo del sensor cmara digital, etc. Si se analiza la Figura 3-3, se resalta que dependiendo de las metas que se persigan ejemplo: medir la distribucin del condiciones de observacin y/o con el objeto, por tamao de las partculas, caracterizar las de las partculas en los desarrollos que slo bajo unas restricciones muy grandes, en relacin a las condiciones de

observacin. Otras ideas en esta problemtica se pueden plantear en los siguientes

partculas (composicin), segn las propiedades de respuesta a las diferentes analizar la forma espacios 2D y 3D. Es posible que se requieran unas exigencias especficas en la preparacin de las muestras, adems de definir unos mtodos de trabajo que respondan a las caractersticas tcnicas del tipo de microscopa que se utiliza, y tener unos procedimientos para poder manejar las informacin presente en las diversas imgenes que se obtienen en la observacin de una partcula.

29

CONDICIONES DE OBSERVACION
DOM INIO DEL PROBLEM A SISTEM A FORM ADOR IM GENES (M ICROSCOPIOS) EL OBJETO

ADQUISION Y DIGITALIZACION (CAM ARA CCD)

Figura 3-2 Esquema del dominio del problema que afectan las condiciones de observacin. (Inspirado de GONZALEZ 1996)

TAM AO

COM POSICION: (PROPIEDADES RESPUESTA)

FORM A 2D 3D

EL OBJETO

PREPARACION M UESTRAS

M ICROSCOPIA OPTICA Principio fsico: (luz ) onda,partcula

M ETODOS OBSERVACION

M ICROSCOPIA ELECTRONICA BARRIDO (SEM) Principio fsico: Interaccin haz electrones, materia
M ETODOS OBSERVACION

CAM ARA (CCD) CALIBRACION, FORM ATO:COLOR FORM ATO IM AGEN (JPG,BM P)

Figura 3-3 Esquema de la relacin objetivos en relacin al objeto y diferentes sistemas formadores de imgenes

30

La no unificacin de las reas como: la visin artificial, la fsica que interviene en los fenmenos estudiados, los modelos matemticos para la representacin de los objetos, junto con el poco nfasis al anlisis de las imgenes generadas en la microscopia ptica, han ocasionado que no se cuente con mtodos y estrategias definidas para la etapa de bajo nivel, obtenindose en muchos casos imgenes que no son ptimas para el anlisis y que impiden que un sistema MAC se considere como un instrumento de medida. Esta tesis ataca este problema generando un mtodo para esta etapa del tratamiento de imgenes, en el captulo 4. 2. El problema de la segmentacin Cuando se analiza el estado del arte de la visin arficial, se encuentra que hay cantidades de mtodos de segmentacin disponibles para aplicar en las imgenes. Sin embargo, muchos de ellos responden a casos especficos y en general queda la impresin, de que para solucionar el problema el nico camino es un trabajo de ensayo y error, el cual termina en un mtodo heurstico que soluciona un caso en concreto. Es claro, que el problema de la segmentacin est aun abierto, y es una etapa fundamental en la automatizacin de procesos, por lo que no se conocen an mtodos que sean genricos para todos los casos. Para algoritmo de segmentacin, es importante la seleccin un tener una serie de mtricas que

permitan establecer, cul ser el desempeo y las posibilidades de los algoritmos en las diferentes situaciones que se presentan en las muestras a analizar, y as tener herramientas un ms objetivas. En Martin (MARTIN 2001), se plantean varias ideas que muestran los problemas que se tienen en la segmentacin y su evaluacin , as se puede decir lo siguiente: debido al grado de subjetividad que tiene la segmentacin, la evaluacin de sta es difcil, quedando la pregunta qu es una buena segmentacin?. En algunos casos se puede creer que la segmentacin solo debe ser evaluada en el contexto, y que los mtodos de segmentacin requieren incorporar al modelo de los objetos un conocimiento que es derivado de las condiciones de las caso estudio (PHOLE). Queda el

31

problema de cmo comparar el desempeo de las segmentacin hechas por los algoritmos contra la segmentacin manual. Entre las estrategias de evaluacin que se plantean, estn las que miden la coherencia y la similitud de las es caractersticas de los objetos. Sin embargo, muchas veces estos mtodos no describen correctamente el comportamiento de los objetos. Otra situacin que las segmentaciones manuales rara vez son idnticas, pero a pesar de esto

pueden ser consistentes, as que es necesario tener una medida de segmentacin que tenga presente las consistencias y no penalice tales diferencias. En esta tesis se exploran diferentes metodologas y se plantean algunos mtodos para casos especficos para el estudio del material particulado.
3.

La descripcin de la forma. La representacin y la descripcin de la forma,

en la comunidad de la visin artificial, siguen siendo temas abiertos especialmente en el reconocimiento de objetos. Las exigencias que se tienen cuando un sistema de visin se debe considerar como un instrumento de medida hacen necesario explorar el desempeo de los descriptores de forma. Adems que debido a la interaccin que se debe tener con los expertos humanos, es importante que estos puedan hacer interpretaciones y relacionar ideas a los valores obtenidos en los factores de forma. Problemas como el desenfoque de zonas de las partculas, distorsiones de la forma por bajo contraste en el borde, sobrelapamiento de partculas, la necesidad de generar de describir de generar modelos y describir partculas 3D a partir de imgenes bidimensionales y otras situaciones; hacen necesario el definir estrategias que se requerimientos problema especficos del material particulado. adapten a Algunas los otras

consideraciones que se han tener presentes en el estudio de la forma son: el que se tienen en la descripcin de partculas, para conocer el nmero de esquinas representativas en el contorno de la forma y la situacin de cuantificar que tan angulosas son dichas esquinas. Otro elemento que es un problema es medir la porosidad que presentan las partculas, pues algunos factores no son sensibles a esta caracterstica. Tambin se encuentra que al ser

32

el borde de la partcula no continuo, se generan problemas para la representacin de esta, adems esto impide medir algunos factores de forma realizar transformadas como la de Fourier (LEAVERS 2000). Adicionalmente, se suma que no hay un factor universalmente aplicable a cualquier forma, y que se encuentran fallas en los factores tradicionales ya que en algunos casos para objetos con formas distintas, dichos factores reportan valores similares haciendo difcil la diferenciacin de las partculas (PODEZECK 1997). Esta tesis explora una serie de factores de forma y algunas transformaciones para estudiar la angularidad y la porosidad de las partculas. (Capitulo 6)
El objeto estudio en relacin con el dominio del problema. En el material

particulado hay un problema inicial y es el poco conocimiento que se tiene de las partculas a estudiar en la ciudad de Medelln, lo que crea la necesidad de desarrollar herramientas que permitan generar informacin acerca de estos objetos ej: una coleccin de imgenes, sobre la cual se operarn las diferentes etapas del anlisis digital de imgenes. Otras ideas que estn relacionadas al dominio del problema en que se elabora esta tesis pueden ser: a. El gran volumen de filtros de muestreo a analizar, las exigencias tcnicas en relacin al nmero de partculas necesarias a estudiar por muestra, hacen que los conteos manuales una actividad muy tediosa para los expertos humanos. b. Las limitaciones fsicas que tienen los sistemas tradicionales de microscopa ptica para la descripcin del material particulado de dimetros entre 5 a 30 micras. c. La subjetividad y la dificultad que tienen los expertos humanos para describir, cuantificar caractersticas de las formas de partculas observadas en los filtros del material particulado. Adems, hay dificultades para tener personal capacitado en el reconocimiento de las partculas.

33

d. La necesidad de optimizar la observacin en la microscopa ptica y electrnica, como herramientas para el estudio del material particulado. e. La diversidad de partculas presentes y las diferentes condiciones de observacin, que hacen ms complejos los requerimientos para los sistemas de visin artificial. f. La ausencia de una coleccin de imgenes que describan las caractersticas de las partculas presentes en la ciudad y el no tener en la literatura de la calidad del aire un mtodo para clasificar los diferentes tipos de partculas que fuentes.
g.

se pueden presentar segn las los procesos de

La necesidad de continuar

desarrollando

investigacin que pretenden darle un mejor manejo a los filtros de material particulado recolectado en los muestreadores del aire de Medelln. Esto enmarcado en las posibilidades econmicas y tcnicas de la ciudad para el monitoreo del aire, hace necesario tener un sistema MAC, abordado principalmente desde la problemtica de la visin artificial, con el objeto de contar con nuevas herramientas para el anlisis de las partculas del aire de la ciudad.

34

SECCION II: ETAPAS DEL METODO PARA DESCRIPCION DEL MATERIAL PARTICULADO

35

4 CAPITULO ETAPA DE BAJO NIVEL

4.1 INTRODUCCIN

Para desarrollar un sistema MAC que responda al estudio del MP es necesario soportar tanto terica como experimentalmente la etapa de visin de bajo nivel, la cual muchas veces no es tenida en cuenta por quienes procesan y analizan las imgenes, olvidando as una etapa que puede ser fundamental para disear sistemas que respondan correctamente a las necesidades del problema estudio. Unos trabajos para revisar son: (YOUNG 1996) necesarios para estrategias para evaluar donde se plantean los elementos

la microscopia cuantitativa. (DOEL 1998) presentan una serie de cuantitativamente microscopios pticos utilizando

procesamiento de imgenes. (VLIET 1996) platea los conceptos fsicos necesarios para entender la tecnologa de las cmaras CCD, adems de una serie de pruebas experimentales para estudiar el desempeo de estas. En (MARCHANT 2002) se establece que el concepto de entropa puede ser utilizado como una herramienta para establecer condiciones de iluminacin correctas para una escena determinada. Bajo el marco anterior, este trabajo aplica diferentes elementos tericos de la

literatura citada, en una serie de experiencias con las cuales se describen las caractersticas del sistema, con que se cuenta en el laboratorio de petrografa de la

36

Facultad de Minas, para estudiar el MP del aire de la ciudad de Medelln. A pesar de lo anterior, lo interesante de los procedimientos desarrollados, es que muchos de ellos sern necesarios si se pretende desarrollar un sistema MAC que sirva como instrumento de medicin en diferentes reas.

4.2

PROCEDIMIENTOS.

La etapa de visin bajo nivel para el caso elementos a tener

del desarrollo de MAC aplicado al

estudio MP se puede esquematizar en la Figura 4-1. En este se presentan tres en cuenta: el objeto estudio (MP), el instrumento de medida (MO) y el sensor (cmara CCD). En relacin al objeto (MP) en (BEDOYA 2003) se encuentran los mtodos de preparacin de la muestra. Estos tienen la ventaja de eliminar la presencia de fibras del filtro, las cuales se pueden confundir con las partculas ha estudiar, adems de evitar la aglomeracin de partculas. La la evaluacin de la calidad de las preparaciones es un proceso que se requiere para

escogencia del mtodo correcto con la objetivo de evitar procesamientos de imagen para solucionar problemas que se pueden resolver en la etapa de montaje de las muestras. Para este trabajo se desarrollaron mtodos que permiten utilizando luz fluorescente, luz polarizada y luz transmitida, hacer una clasificacin de las partculas segn sus propiedades fsicas. Las diferentes condiciones de iluminacin generaran la necesidad de evaluar el desempeo del sistema microscopio-sensor, utilizando patrones de color como lo se utilizan para medir la fluorescencia (Uranil) y una cua de cuarzo (lambda) la cual se utiliza para el anlisis de colores de interferencia en luz polarizada. Las condiciones de captura se seleccionaron tiendo en cuenta los requerimientos del sistema microscopio-sensor, en general responden a los

diferentes cambios presentados por los objetos al ser observados en las diversas CI. En relacin al manejo de la informacin las imgenes se guardaron en formato jpg lo que gener ciertas prdidas de informacin, pero que debido a los problemas del espacio de almacenamiento fue necesario aceptar. Las imgenes se guardaron a color,

37

sin embargo, para algunas casos no fue necesario procesarlas usando el color ya que los niveles de gris fueron suficientes. Como una alternativa para facilitar la toma de decisiones de la clasificacin de los objetos segn sus respuestas a las CI, se generaron imgenes multiespectrales, donde se representa en una sola imagen las diferentes respuestas del objeto a las CI.

Figura 4-1 Esquema de la visin de bajo nivel para el caso del material particulado

4.2.1

Mtodos para evaluar microscopio ptico

En este punto lo ms importante a tener presente son las limitaciones que tiene MO debido a la luz. Ya que las caractersticas de la luz restringe la capacidad de resolver espacialmente objetos, lo cual es fundamental para definir el rango de tamaos que se pueden medir correctamente utilizando este instrumento, esto se mide con frecuencia de corte fc ecuacin (1). Otro fenmeno fsico que limita la luz es la profundidad de campo, el cual es un rango donde un objeto permanece enfocado en la imagen, este se mide como z. Ver ecuacin (2). NA es la apertura numrica, que es una caracterstica de los objetivos del microscopio. es la longitud de onda de la

38

luz (con unidades en micrmetros). es el ndice de refraccin del medio que rodea las partculas. Las ecuaciones se extrajeron de (YOUNG 1996)

fc =

4 * N . A.

(1)

z = 4*n*

NA 1 n
2

(2)

4.2.2

Mtodos para evaluar la cmara

El fenmeno que permite entender el desempeo de la cmara es el considerar la luz como partcula, con lo que se explica el ruido debido a los fotones; considerando una densidad de foto-electrones de 700 e-m-2 para un sensor tpico. La ecuacin del ruido es: SNRfotones = 10log(n) dB (3)

n es el nmero de fotones por rea del sensor El ruido causado por la cuantizacin es: SNR = 6b+11 Donde b es el nmero de bits. Ms tipos de ruido se pueden consultar en (VIELT 1996) Otro elemento ha evaluar es la respuesta fotomtrica de la cmara, para lo que se realiz el siguiente experimento: en un cuarto oscuro y sin seal de entrada, con la cmara montada en el microscopio, se tomaron imgenes variando: la sensibilidad de la cmara, el tiempo de exposicin. Luego se midi el nivel de intensidad generado por todos los pixeles para cada imagen y se grafic contra el tiempo de exposicin que tuvo dicha imagen. El comportamiento de los datos presenta la respuesta fotomtrica de la cmara. (4)

39

4.2.3

Mtodos para evaluar el sistema microscopio-cmara.

El sistema microscopio-cmara requiere de una serie de pruebas que traten de medir su desempeo, a continuacin se presentan algunos conceptos que se manejaron para disear dichas pruebas. El primer concepto es el Teorema Nyquist, con el cual se establece cmo debe ser el muestreo de una funcin continua, ver la ecuacin 5 fm>2*fc (5)

Para medir la variacin del sistema es necesario medir el coeficiente de variacin (CV) de realizar una medida, variable medida (ej: rea) CV = / donde es la desviacin estndar de la y es el promedio estimado de esa variable. El

coeficiente de variacin total es la suma de la variacin del instrumento y la variacin ocasionada por los procedimientos donde el experto interviene. Ecuacin 6 CV2 TOTAL= CV2 EQUIPO+CV2PROCE (6)

En (YOUNG 1996) se plantea un modelo y una ecuacin para calcular del CVEQUIPO suponiendo que la partcula a medir es un circulo, pero que debido a problemas de la representacin de objetos por cuadrculas, lo que esta ligado a la forma del sensor, se genera cierta incertidumbre para saber, cuales son los pxeles reales que forman el borde de las partculas. Adems, ser requiere conocer la cantidad mnima de pxeles necesaria para hacer un muestreo de una seal continua, la cual es afectada tanto por la longitud de onda, como por la apertura numrica del objetivo utilizado. Con lo anterior representado en la ecuacin (7) se construy un grfico que permite saber cual sera el CV para una partcula con dimetro representado por un nmero de pxeles. Esto se explicar ms adelante.
2Qp(1 p ) = (Q 2 )2 + 2Qp 4

CV =

(7)

40

Q densidad de muestreo (pixeles) p = probabilidad de que un pixel del borde pertenezca a la partcula (1-p)= probabilidad de que un pixel del borde pertenezca al fondo.

Para calcular el CV del equipo se tomaron 20 imgenes de un objeto en el mismo punto, sin cambiar ninguna condicin de captura. Luego las imgenes se segmentaron con el mismo algoritmo, en las imgenes binarias se le midi el rea y el permetro, para cada uno se calcul la y . Para calcular el CVPROCE se tomaron 20 imgenes del objeto, pero ubicando este en distintas posiciones en la imagen; siempre tratando de obtener el mejor enfoque de la partculas, las imgenes se hall la y . Para estimar la estabilidad en las medidas de la intensidad de color en relacin al tiempo, se tomaron diferentes patrones (patrn de fluorescencia, patrn de color generado por un filtro de cuarzo denominado lambda el cual se observo en luz polarizada cruzada). Se utiliz una fuente de luz fluorescente y dos fuentes de luz blanca, una de estas lmparas tiene una configuracin que eventualmente es superior, por ser una fuente para hacer medidas con un fotmetro, lo que implica que tiene un equipo de control ms preciso. Cada patrn determinada lmpara y se tomaron 12 imgenes, fue observado con una cada una espaciada segmentaron con el mismo algoritmo, de nuevo a las imgenes binarias se les midieron el rea y el permetro, y para cada variable se

aproximadamente unos 10 minutos. Esto se hizo para un cuadro, para 4 cuadros promediados y para 16 cuadros promediados, en total para cada patrn se tomaron 36 imgenes. Con las 12 imgenes capturadas (para una misma condicin de cuadros promediados), se hicieron todas las mltiples combinaciones por pares de imgenes, y a cada par de imgenes se le midi la varianza entre ellas, apoyndose en la
Ecuacin 8.

41

2 =

1 2 MN

( I [m, n] I [m, n])

m =1 n =1 1 2

(8)

Donde I1 e I2 son las imgenes a evaluar, M y N son las dimensiones de las imgenes. La Entropa se midi en el histograma de la imagen utilizando la ecuacin 9, (aj) es el nivel de intensidad y P la probabilidad de ese nivel. El experimento que se hizo con la entropa fue tomar una imagen en diferentes condiciones de iluminacin y se relacionaron los valores obtenidos
(9)

con la forma del histograma de niveles de

intensidad de la imagen.

h = P (a j ) log P (a j )
j =1

4.2.4

Captura de las Imgenes

Aunque en la parte

de los resultados

no se presentarn las diferentes

configuraciones de las CI, es importante decir que para cada imagen es necesario reportar: la sensibilidad que se utiliz en la cmara, la configuracin del sistema ptico, el lente utilizado (la apertura numrica), el tiempo de exposicin, el tipo de captura (promedio, integracin), el tipo de iluminacin (transmitida, polarizada, reflejada, fluorescente) y las caractersticas de la lmpara.(ej: amperaje utilizado).

4.2.5

Manejo de la informacin

En esta etapa de la visin de bajo nivel se encontr que la cada partcula en general requiere de cuatro condiciones de iluminacin as: luz transmitida CI1, luz si se genera de cada condicin transmitida polarizada CI2, luz reflejada CI3 y luz reflejada fluorescente CI4. Cada imagen de estas se captura a color, sin embargo, iluminacin una imagen en niveles de gris y se le asigna un canal de color as
42

(CI2=R, CI4 =G y CI3=B) (CI2=R CI4 =G y CI1=B) se obtiene una imagen multiespectral en donde se incorporan las diferentes condiciones de iluminacin y con la cual se puede tomar una decisin acerca del posible grupo al que pertenezca.

4.3 4.3.1

RESULTADOS Resultados de la evaluacin del microscopio

En la Tabla 4-1 se presenta los valores Q que son el nmero de pixeles con que se tiene que representar una medida en micras para cada objetivo de acuerdo a la fc. Los valores resaltados con negrilla representan los dimetros en donde se tiene un CV igual al 1%. Para el objetivo de 20x ese valor es 11 lo que indica que slo partculas sobre 5 micras el CV es igual o inferior al 1%. En la Tabla 4-2 presenta el delta de z en donde se tiene una profundidad de campo para el cada lente. El lente de 20x es el que mayor delta presenta. Sin embargo, el delta obtenido es pequeo, lo que indica que partculas mayores a 5 micras en general no pueden ser enfocadas en toda su profundidad.
4.3.2 Resultados de la evaluacin de la cmara .

Los ruidos calculados para la cmara fueron: Ruido causado por los fotones SNRfotones = 42 dB, considerando un tamao del pixel del sensor 4.65*4.65m2 El valor anterior es bajo en comparacin con lo que se reporta en de cuantizacin fue: SNR cuantizacin = 59dB.
(VLIET 1996) pero quizs al comparar

con cmaras ms recientes este valor tenga otra apreciacin. El resultado del ruido

43

Tabla 4-1 Resultados de los valores Q para los diferentes objetivos

Objetivo X 160 100 63 50 20

Tabla 4-2 Valores de delta de z para los diferentes lentes

Longitud onda ndice refraccin Objetivo X 160 100 63 50 20 NA 0.95 0.9 0.85 0.8 0.3 0.546 m 1.54 z m 0.42 0.47 0.53 0.61 4.63

Frecuencia
Fc 6.96 6.59 6.23 5.86 2.20

Dimetro

0.5 3 3 3 3 1

1 2

6 42 40 37 35 13

7 14 21 28 35 7 13 20 26 33 6 12 19 25 31 6 12 18 23 29 2 4 7 9 11

La respuesta fotomtrica de la cmara Figura 4-2 permite decir que esta tiene un comportamiento lineal en el rango en que se utiliz y que la sensibilidad de 400 tiene una pendiente mayor que la sensibilidad de 50, lo cual es similar a lo presentado en la literatura. Es importante decir en este punto que los primeros ensayos que se hicieron no presentaron un comportamiento lineal, y se encontr la explicacin a esto, en el hecho de que el acople de la cmara al microscopio tiene un ranura por donde entr una iluminacin parsita. Lo importante de esto, es que a bajas condiciones de iluminacin y utilizando sensibilidades altas, el efecto de las iluminaciones parsitas pueden ser contraproducente para la captura de las imgenes. En la Figura 4-3 se ven diferentes condiciones de integracin afectadas por una iluminacin parsita en el sistema.

4.3.3

Mtodos para evaluar el sistema microscopio-cmara

Esta Figura 4-4 permite al entrar el valor de Q para obtener el CV que puede tener el equipo para medir una determinada partcula. Lo interesante es que para los lentes de 50X hacia arriba, las partculas que tengan un tamao mayor a 2 micras tienen un CV igual o menor a 1%. Pero para el lente de 20x una partcula de 2 micras puede tener un CV igual o superior a 10%, el cual se puede considerar alto. Es importante

44

destacar que este procedimiento permite acercarse a definir que tamaos de partculas se pueden medir correctamente para un determinado objetivo. En la Figura 4-5 el CVEQUIPO es menor al CVPROCE, esto se podra explicar por un lado la dificultad que tiene el experto humano de enfocar una imagen en el mismo punto y por otro lado al problema de representacin que se puede tener de una partcula al variar su posicin en pantalla. Pero es importante decir que la primera hiptesis puede ser la que ms peso tenga en este resultado. Es interesante resaltar que es el permetro la variable que sufre mayor variacin sufre (un CV alto). Lo que se puede explicar en la hiptesis, de que el desenfoque afecta ms fuertemente los bordes de la partcula que lo que afecta al rea

(Suma de Niveles de Gris de la imagen)

2.E+07 2.E+07 1.E+07 1.E+07 1.E+07 8.E+06 6.E+06 4.E+06 2.E+06 0.E+00

Tiempo microscopio-cmara Exposicin (Seg) Resultados evaluacin ASA 50 ganancia 1 ASA 400 ganancia 1 ASA 50 ganancia 4 ASA 400 ganancia 4

10

20

30

40

50

60

Figura 4-2. Respuesta Fotomtrica de la Cmara. (Nivel de Gris Vs. Tiempo Exposicin)

Figurs 4-3 Mosaico de imgenes que se capturaron con diferentes tiempos de captura, para la sensibilidad de 400 . Los cuadros ms brillantes se deben al efecto de la luz parsita en el sistema.(Cada cuadro es una imagen de una condicin de exposicin)

En la Tabla 4-3 se resalta que a medida que se utilizan ms cuadros para el promedio, la varianza disminuye. Lo que explica debido al efecto que tiene el promedio de imgenes, como una herramienta para eliminar el ruido. Para las imgenes con la condicin lambda, en general la componente roja es la que mayor varianza tiene, y quizs esto se deba a que esta componte es la principal, en el color que se genera en la imagen. Al comparar los resultados de la lmpara Tipo A contra

45

la lmpara Tipo B, para el procedimiento en que se promedian 16 cuadros por imagen, la primer lmpara tiene una menor varianza, sin embargo, no es claro el por qu s esta lmpara, que se puede considerar la mejor, debido a sus especificaciones tcnicas, presenta unas varianzas mayores, para los casos de un 1 cuadro 4 cuadros promedio en comparacin con la lmpara Tipo B.
Tabla 4-3 Varianza promedio de las mltiples combinaciones de imgenes hechas para evaluar diferentes patrones color, lmparas y numero de cuadros promedio por imagen
1 CUADRO Tipo iluminacin Patrn R 8.6 G 2.1 B 8.2 4 CUADROS PROMEDIO R G B 6.6 1.3 4.7 16 CUADROS PROMEDIO R G B 0.3 0.3 1.7

Lamp. Fotmetro Color lambda (Tipo A) Lamp. estndar(Tipo B) Color lambda Lamp. estndar(Tipo B) Partcula observada lambda Lamp. Uranil fluorescencia(Tipo C)

5.7 1.6 3.6 4.0 1.1 1.3 3.2 0.9 0.9 29.0 22.3 26.8 17.9 14.4 11.1 19.4 15.6 11.3 1.7 1.1 2.3 0.2 0.4 0.2 0.1 0.4 0.2

Cuando se analizaron los resultados de la partcula observada con lambda

los

cuales se hicieron con la lmpara Tipo B, se encontr que las varianzas eran altas en comparacin a los otros resultados, para explicar esto, inicialmente se crey que era un problema en la variacin del color en esas imgenes, debido al efecto del aumento del ruido en funcin al tiempo, sin embargo, se encontr que esas grandes diferencias, se deban a que las imgenes presentaban corrimientos de los objetos, generado esto por la vibracin en la plataforma del microscopio. Lo que ocasiona que cuando se calcula la varianza, punto a punto, algunos puntos no encuentran una correspondencia entre s, disparando los valores de la varianza. Tambin importante decir: que no es claro el por qu con 4 cuadros promedio. es para este caso, los resultados de 16

cuadros promedios, tienen una varianza mayor que los resultados de los imgenes

46

1 1

10

100

2.5 2

0.1 Probal. 0.01 0.005 0.01 0.05 0.1 0.2 0.3 0.4 0.5

CV(%)

1.5 1

CV

0.5 de los tres canales (R, G, B) En la Figura 4-6. se grfica el promedio de la varianza
0.001 para una imagen, la cual tiene en sus condiciones de iluminacin la lmpara Tipo A 0

con un filtro lambda. Estos datos se presentan para

0.0001

diferentes tiempos (donde

CVequipo

Area

Perimetro

Q tamaos en pxeles tiempo Ti<Ti+1) ypartcula diversas cantidades de cuadros promedios por (corregidos Nyquist)

imagen. Al

CVoper

analizar los resultados, se tamao encuentra que no tiene relacin directa Figura 4-4. Clculo de CV(%) Vs. partcula Q la varianza Figura. 4-5 . Clculo de los CV EQUIPO , CVOPER para el rea y el permetro de una partculas

con el tiempo transcurrido en el ensayo, y slo las ltimas imgenes tomadas en el tiempo T11 para los casos de 1 cuadro y 4 cuadros de imgenes promedio, Este fenmeno es posible que se deba a otra presentan una varianza diferente.

causa diferente a la del calentamiento de la lmpara y el sensor. Adems se debe decir, que a mayor nmero de cuadros promediados, se disminuye la varianza en los resultados. Al medir la entropa, ver Tabla 4-4, se encontr que la sirve parcialmente para

definir unas condiciones correctas de iluminacin pues en este caso la condicin normal presenta una mayor entropa que el resto de condiciones de iluminacin (1/25 la cual tiene una disminucin el contrastes y disminucin del brillo). Sin embargo, el problema se presenta para el caso de 6 seg. contra el de 20 seg. ambos sufrieron una disminucin del contraste y un aumento del brillo en comparacin con la imagen normal, pero la condicin de 20seg presenta una mayor entropa en comparacin a la de 6seg , lo cual no es coherente pues la condicin de 20seg tiene una saturacin hacia los blancos en donde la calidad de la imagen es menor, sin embargo, esto no fue

47

detectado por la entropa. En conclusin la entropa en algunos casos puede orientar la seleccin de una correcta condicin de iluminacin.

Tabla 4-4 Resultados de la entropa en imgenes variando el tiempo de exposicin

Iluminacin Entropa

normal 1/25seg 6seg 20seg

1.45 1.04 0.22 0.27

Figura 4-6. Varianza promedio de los tres canales de color para el caso de lmpara del fotmetro, medida en distintos tiempos y para diferentes nmero de cuadros promedios de la imagen

4.4

CONCLUSIONES El sistema MAC del laboratorio presenta un movimiento

relativo de los

objetos debido a la vibracin del sistema. El grfico del CV vs Q es una herramienta de primer orden para definir las posibilidades que se tienen para hacer una medida correcta del tamao de una partcula a un aumento determinado. La entropa puede ser un instrumento interesante para definir las condiciones de captura de la imagen de manera automtica cuando se aplica en estudio del histograma de los niveles de intensidad. Pero es necesario aclarar experimentalmente que pasa en los casos de saturacin de la imagen. En trminos generales el desempeo de la cmara utilizada es adecuado para hacer una microscopia cuantitativa de buen nivel, debido a la estabilidad en el color, al bajo ruido que tiene y a la sensibilidad que tiene para las condiciones de baja iluminacin

48

Se concluye que para el desarrollo MAC es necesario retomar los principios fsicos que explican el problema estudio, para poder plantear una serie de criterios que eviten la subjetividad de los operarios humanos en esta etapa.

49

5 ETAPA DE LA SEGMENTACIN Y SU EVALUACION

5.1 INTRODUCCION

La segmentacin es un tema

que sigue interesando a los investigadores lo cual

se ve reflejado en la cantidad de procedimientos de segmentacin de imgenes que se desarrollan (SKARBEK 1994). En general no es clara la manera de evaluar la calidad de la segmentacin, ni se tienen definidos criterios para la seleccin de un procedimiento que responda a los diversos problemas que podran tener en imgenes de casos de control visual. Para evaluar la calidad de la segmentacin se han usado una serie de estrategias que se soportan sobre segmentaciones manuales, en las cuales se cuantifican diferentes fenmenos y se utilizan curvas ROC
(FERNANDEZ 1999), diferentes mtricas como: dimensin Hausdorff, la similitud

de niveles de intensidad (SEZGING) , criterios de Gestalt con los que se quieren describir las posibles caractersticas de percepcin que podran estar presentes en un objeto (MARTIN 2001). Otra vertiente de estrategias trabajan sin apoyarse en la segmentacin manual, haciendo una serie de juicios cualitativos donde el experto califica la calidad de la imagen y tienen el objetivo principal de acercarse a una informacin semntica en las imgenes (SEZGING) (HEATH 1998).

50

Dado que para el desarrollo de un sistema MAC la segmentacin es un cuello de botella, pues es uno de los procesos que impide una completa automatizacin, se desarroll un trabajo en donde se plantean unas estrategias para medir desempeo de la segmentacin, utilizando mtodos futuro tener criterios particulado. cuantitativos el y mtodos

cualitativos, con el objetivo de ir construyendo un conocimiento que permita en el ms formales para la evaluacin y seleccin de la segmentacin, y as continuar con el avance de un MAC especializado en material

5.2

ESQUEMA DEL METODO PARA LA SEGMENTACION.

en partir una imagen de entrada en sus partes

Segn (GONZALEZ 1996) la definicin de segmentacin se puede enmarcar como sigue: ... la segmentacin consiste constituyentes u objetos.

Ampliando un poco esta definicin puede decir:

para el caso que se trabaja en esta tesis se

La segmentacin es la representacin de un conocimiento acerca de las caractersticas y los objetos de una imagen, con el cual se hacen una serie de agrupaciones de zonas en la imagen que permiten construir un modelo al cual se le aplicaran descriptores de objetos. Aunque la definicin es un poco restringida comienza a establecer unas condiciones para en relacin al problema que se trabaja. Uno de los grandes est en el cmo explorar mtodos matemticos y observar cules son los tipos de retos en la segmentacin

realizar la segmentacin

agrupaciones que estos mtodos pueden hacer en las imgenes de inters. Otra meta es la de contar con una mtrica que mida las diferencias de la segmentacin automtica, contra la representacin hecha por el experto segmentacin manual, ya que en esta se encuentra incorporado un cmo conocimiento alrededor de los objetos de la imagen. La pregunta

construir un grupo de modelos que generen una imagen con una distancia

51

pequea

a la

representacin que se

considera

correcta? Es un

interrogantes abierto. Si bien, este trabajo no solucionar este interrogante, si pretende hacer un nfasis en la necesidad de contar con una serie de estrategias para evaluar la calidad de segmentacin, y as poder entender el por qu un algoritmo falla para representar una situacin determinada. Por ltimo, es de destacar la importancia de tener estrategias con las cuales se organice el proceso de la segmentacin, para cumplir con los requerimientos de las imgenes analizadas; ya que esto sera el pilar para el desarrollo de un sistema MAC con un trabajan en artculo de (CLOUARD 1999). El primer paso en el desarrollo de la segmentacin es establecer que metas se van mdulo de segmentacin suficientemente flexible, algunas ideas en relacin a este aspecto se

a perseguir con el sistema MAC. Para esto, se llena una tabla en la que se consigna un serie de informacin de la cual se podrn sacar ideas iniciales de cmo deberan ser los algoritmos ms convenientes para un caso determinado. En la Figura 5-1 se establecen las etapas para describir las caractersticas de cada meta. Un primer paso es el de los requerimientos, donde se enuncian los niveles de detalle, los criterios a optimizar y los lmites en los que esta enmarcada la meta. El segundo paso es la descripcin de datos, aqu se tocan elementos como la descripcin fsica de los procesos alrededor de la adquisicin y captura de la imagen, se describen la percepcin de la imagen principalmente haciendo nfasis en la descripcin de los elementos que la componen, esta descripcin de los elementos estructurales de los objetos tales como: la naturaleza de los bordes y el contraste. Por ltimo, se hace una descripcin semntica de la imagen, en la que se definen los objetos en relacin a las propiedades individuales de los estos como: tamao, forma, interacciones entre objetos , la distribucin de los objetos en la imagen y algunos elementos de topologa de la imagen. Un ejemplo de esta etapa, que se puede denominar ETAPA 0, se encuentra en la Tabla 1 ANEXO, en la cual se presentan algunas de las metas para el caso del material particulado

52

El mtodo tiene otras dos etapas y el esquema general de estas se presenta en la

Figura 5-2. Se puede decir que: la ETAPA 1 tiene como objetivo escoger un grupo

de

imgenes

que representen

las metas

ms importantes que se

quieren

desarrollar con el sistema, a estas imgenes denominadas CASOS MACRO. Se les aplica el mayor nmero de estrategias de segmentacin, y se les evala la calidad por diferentes tcnicas; las Figuras 5-3 y 5-4, muestran en detalle esta ETAPA 1. Hay que dejar claro que una actividad importante es la abstraccin que se haga de los elementos que conforman la imagen, para el caso de esta tesis, se hizo una abstraccin en donde se considera que los elementos ms importantes son el fondo y las partculas7. As, el objetivo de los algoritmos de segmentacin es lograr hacer una diferenciacin de estos dos elementos. Se debe aclarar que la segmentacin puede ser afectada por una serie de condiciones previas que los algoritmos no solucionan y que generan en las imgenes segmentadas problemas, es por eso que en las condiciones iniciales de adquisicin y captura, se deben establecer procedimientos que minimicen este tipo de problemas, en la Figura 5-5 una serie de ejemplos en relacin a esto. Para terminar, es importante resaltar que despus de la ETAPA 1, se obtienen unas directrices en donde se puede recomendar acciones para el preprocesamiento o el la calidad de las imgenes postprocesamiento, con el objetivo de mejorar

resultantes. Por ltimo, en las directrices y apoyndose en el anlisis de los ndices que califican la segmentacin, se definen cuales de los algoritmos de segmentacin son ms recomendables para aplicarse a cada tipo de meta a perseguir con el sistema MAC, para el caso de la medicin de la granulometra el algoritmo de segmentacin bimodal tiene un buen desempeo (como se ver ms adelante).

Aqu todas las partculas se consideran del mismo grupo, sin embargo, ms adelante se muestra como se puede hacer diferenciacin entre ellas y permitir una clasificacin segn caractersticas de la naturaleza de las partculas. 53

1.)

REQUERIMIENTOS Niveles de detalle Criterios a optimizar Lmites

Etapa 0

2.)

DESCRIPCION DE DATOS Fsica Percepcin

-Tamao imagen - Formato imagen - Condiciones cmara - Condiciones microscopio - Objetivos utilizados - Montajes de la muestra

-Elementos que componen la imagen

Semntica
Figura 5-1 Esquema de la Etapa 0 del proceso de segmentacin

Abstraccin Casos MACRO de Prueba ETAPA 1 Evaluacin calidad segmentacin Directrices Iniciales PRUEBAS ESPECIFICAS de segmentacin Medicin de ndices calidad ETAPA 2 Anlisis
Confrontacin modelo experto Vs modelo algoritmos segmentacin

Aplicacin varios mtodos de segmentacin

Deteccin de problemas Diseo especfico segmentaciones

Figura 5-2 Esquema general de las ETAPA 1 y 2 para el desarrollo de la segmentacin

54

Objeto Estudio

Abstraccin

Modelo imagen Fondo + Partculas

Objetivos a alcanzar Percepcin imagen Representacin Informacin

Casos prueba: imgenes representativas

* Evaluacin
Bordes

Mtodos de Segmentacin Histograma Areas

Globales Locales Bimodal, multimodal

Figura 5-3 Esquema Ampliado de la ETAPA 1. Parte A

* Evaluacin segmentacin
Estrategias cuantitativas (Segmentacin manual)
Curvas de diagnstico ROC Mtricas similitud

Estrategias cualitativas (manejo estadstico)

Calidad imagen seg.
(buena, mala)

Factores Percepcin Gelsalt

Uniformidad intensidad Preprocesamiento imagen

Comparacin y ordenamiento

Postprocesamiento imagen

Figura 5-4 Esquema Ampliado de la ETAPA 1 (Evaluacin de la segmentacin). Parte B

55

En la ETAPA 2, lo que se busca es algoritmo seleccionado, esto se hace

establecer cul es el comportamiento del

mediante la evaluacin de las imgenes se

estudian. En este proceso, se confrontan las segmentaciones que hace el algoritmo segmentador contra unas segmentaciones manuales hechas por un experto, la cual se considera que representa un modelo correcto de las partculas que se deben medir. Esta etapa es fundamental, pues permite identificar el tipo de problemas que se presentan en la segmentacin, y para solucionarlos se definen estrategias especficas. En la Figura 5-6 se amplan las ideas que se trabajan para el diseo especfico de las segmentaciones. Hay caminos, uno denominado: Ajuste de puede

parmetros optimizacin APO, consiste en considerar que el algoritmo,

solucionar los problemas que se presentan en las imgenes, a travs de buscar un ajuste de los parmetros del algoritmo que permitan un desempeo promedio ptimo en las diferentes imgenes. El segundo camino se denomina: Mltiple Objetivos (MO) requiere una mayor abstraccin de los objetos, ya que la solucin de la segmentacin es una suma de estrategias, donde cada una soluciona un objetivo. Un ejemplo se tiene as: en el modelo de la imagen se tiene como elementos el fondo ms las partculas; el algoritmo bimodal de segmentacin slo diferencia partculas oscuras, asumiendo as que la imagen est formada por partculas brillantes y fondo, de manera que se puede plantear un algoritmo alternativo o que optimice la ubicacin de los niveles de gris, en los cuales est el fondo (camino APO) en el (camino MO) se tiene una segmentacin multiobjetivo, en donde hay un algoritmo que detecta partculas oscuras y otro algoritmo detecta partculas brillantes. En el camino MO se puede tener dos grandes estrategias, una que mide parmetros

en la imagen, los cuales sirven como indicadores para establecer si en la imagen hay un caso especfico, ejemplo: si hay partculas brillantes, en cuyo caso slo se aplica el algoritmo de segmentacin que soluciona este problema. La otra estrategia ejecuta en la imagen todos los algoritmos que solucionan los problemas. As, si se aplica un algoritmo para detectar en la imagen partculas brillantes y s la imagen

56

resultante es un conjunto vaco, significa que no hay partculas de este tipo en la imagen. Esta estrategia puede ser costosa computacionalmente, sin embargo, en el camino APO el medir parmetros para identificar casos especficos, puede resultar algo complejo.En las dos estrategias es necesario aplicar las segmentaciones, hasta que se solucionen todos los objetivos en la imagen. Para terminar, en el caso de los mltiples objetivos, se tiene el item de incorporar a priori de la imagen,

un conocimiento, esto para permitir adicionar informacin

para que los algoritmos pueden desempearse correctamente. Un ejemplo de esto se presenta con el algoritmo que detecta partculas oscuras este detecta adems partculas que son desenfocadas, pero que cumplen el criterio de ser oscuras. En el modelo del experto, su segmentacin no considera correcto este tipo de partculas, pues son incorrectas para medir el tamao ya que su forma est distorsionada; si este conocimiento a priori del experto no se incorpora al algoritmo que detecta las partculas oscuras, no se podr manual. simular el comportamiento de la segmentacin

5.3

FACTORES DE PERCEPCIN UTILIZADOS PARA LA EVALUACION DE LA SEGMENTACION

Se han hecho investigaciones en donde se estudian leyes que permitan hacer particiones de la imagen como las que sistema visual humano hace. Un grupo de leyes que en este sentido han sido aceptadas, se conocen con el nombre de leyes Gestalt ( FISCHLER 1987), entre algunas de estas leyes se pueden enunciar dos que interesan para este trabajo: -

La ley de proximidad, que establece que estmulos que estn cercanos tienden a
ser percibidos como un grupo.

La ley de similitud, donde estmulos similares tienden a ser agrupados, esta

tendencia puede ser dominada por el agrupamiento de proximidad.

57

58

Condiciones iniciales de la imagen Problemas:

1- Aglomeracin partculas 2- Ruido, condiciones iluminacin 3- Bajo contraste borde 4- Saturacin, sensor, halo 5- Representacin partculas 3D

Ele.ETAPA 1
PREPROCESAMIENTO

Problemas resultantes
PR1- Formas incorrectas

CAJA NEGRA
SEGMENTACION

PR2- Rugosidad contorno PR3- Dificultad de deteccin de ciertas partculas PR4- Distorsin forma

PR5- No se puede medir volumen superficie Figura 5-5 Esquema de algunos problemas que afectan la segmentacin

Diseo especfico segmentaciones Mltiple objetivos Combinacin de tcnicas Concepto conjuntos Ajuste de parmetros optimizacin Mide parmetro Desempeo promedio ptimo

Aplican todas las estrategias

Se transforma la imagen

Incorpora un conocimiento Se toma decisin Se transforma la imagen Se alcanza un objetivo

Incorpora un conocimiento Se toma decisin Se generan conjuntos Conjunto no vaco hay objetos Restricciones, alcanza un objetivo

Figura 5-6 Esquema del diseo especfico de segmentaciones

59

En Martin (MARTIN 2001), se plantea que la informacin de probabilidades que proviene de estrategias que aplican Leyes Gestalt, pueden ser muy tiles para hacer estudios en imgenes apoyados en tcnicas Bayesianas. A continuacin se presentan unos algoritmos que se inspiraron en las ideas de Martin, y que se disearon para abordar la ley de proximidad, en una estrategia que se denomin evaluacin de la continuidad, la ley de similaridad se trabaj en una estrategia denominada medicin de la diferencia de niveles de gris. La Figura 5-7 muestra un el esquema del algoritmo que se implement para medir la continuidad de los objetos.. Este procedimiento toman dos imgenes binarias, una de puntos distribuidos aleatoriamente en la imagen garantizando que la distancia entre ellos permita efectuar una dilatacin hasta de 23 pixeles sin que se toquen los objetos, mientras se ejecuta la dilatacin (estas imgenes fueron creadas); la otra es la representacin binaria de la segmentacin que se va a evaluar. Entre las dos imgenes se hace una operacin lgica AND, para identificar cuales puntos pertenece al objeto al que se le va a medir la continuidad. Una vez se tienen estos puntos se dilatan, en los pxeles del borde externo de la dilatacin se identifican cauales estn contenidos en el objeto, luego se mide la probabilidad de la continuidad. El algoritmo us las siguientes formulas:
PCpi , j = Npt _ Obj Npt _ Bd
(6)

PCTotal j =

PCp
i =1

i, j

(7)

Npt_Obj es el nmero de pxeles del borde dilatado que pertenecen al objeto. Npt_Bd es el nmero de pxeles que se generaron en el borde debido a la dilatacin.
i es un subndice que indica el punto que se estanalizando.

60

j es el subndice que indica el radio de dilatacin que se ejecuta.

PCpi,j es la probabilidad de continuidad de la partcula en el punto i en la dilatacin j. PCTotalj es la probabilidad de continuidad promedio para la dilatacin j

Para

hacer el clculo del factor de continuidad se utilizaron

100 puntos de

muestreos, repartidos en 4 imgenes, para garantizar la posibilidad de dilatacin. En la Figura 5-8 se muestra el procedimiento para el anlisis de similitud espacial de los niveles de gris, aqu se opera en la parte inicial de igual manera que en el mtodo de continuidad, se tiene una imagen con puntos aleatorios de muestreo se tiene una imagen binaria del objeto a analizar, se hace una operacin lgica de pertenencia y se encuentran los puntos que se van analizar. Se utiliza una tercera imagen que contiene la informacin de la muestra ha analizar, la cual est en niveles de gris, en esta imagen se mide el nivel medio de los niveles de gris del objeto estudio. Luego, para cada punto de muestreo se mide el nivel de gris , as se procede a calcular la diferencia en valor absoluto entre nivel medio del objeto y el nivel del pxel. Con todas las diferencias medidas en los distintos puntos, se construye un grfico donde se representan la frecuencia que cada nivel de diferencia de intensidades que se tiene segn la imagen binaria con que se analiza. La manera como se presentan los resultados de la continuidad se observa en la

Figura 5-9 en donde para cada punto de

fondo de la imagen.

dilatacin, se presenta la probabilidad

promedio de continuidad del objeto analizado, los resultados se midieron para el

La Figura 5-10 es un ejemplo de cmo se presentan los resultados en el anlisis de similitud espacial. La discusin ms amplia de estos resultados se discute en el captulo 7.

61

5.4

PROCEDIMIENTOS

Se hicieron montajes de partculas provenientes de los filtros tiene la ciudad y estas partculas se observaron en diferentes

de calidad que

microscopios MO y

SEM. Se tomaron diferentes casos a estudiar en el material particulado en los cuales los objetivos eran diversos, unas imgenes son utilizadas para definir la distribucin de tamaos y otras son utilizadas para describir las caractersticas de las partculas a diferentes condiciones de iluminacin con las cuales se clasificarlas en algunos de los grupos particulado de la ciudad. Con el objeto de conocer en este capitulo solo se presentan los resultados en relacin a las ETAPA 0 y ETAPA 1 del mtodo de segmentacin la ETAPA 2 se presenta en el captulo 7. Las imgenes escogidas para esta parte se les aplicaron diversas segmentaciones basadas en : Algoritmos por Histograma: en estos se tienen unos mtodos globales: Tomita (Tom.) (TOMITA 1982) Bimodal (Bim.) pretende en los que se ha divido el material

(GONZALEZ

1996)

Multitresholding

(Mul.)

[PAPAMARCOS],

Neuromultitresholding (Neu.)(PAPAMARCOS ) Tanto los dos segmentadores Mul .Neu. se utilizaron para solo segmentar en dos regiones la imagen.y Otsu (Ot.)

(PAPAMARCOS )(ESCALERA 2001). Bajo el histograma se tienen unos mtodos

locales Bersen (Ber) (PAPAMARCOS) otra vertiente Bersen (Slo) (FISCHER

2002)Nicblack (Nic). Algoritmos por Deteccin bordes: Se utiliz un algoritmo de

Canny (Can)(PAPAMARCOS) Algoritmos por Areas Se utiliz un algoritmo de segmentacin propuesto en (BORSOTTI 1998) el cual evala la dimensin fractal de los niveles de intensidad de una regin (SDf). Segmentacin semimanual ( Sem.) Se hizo una segmentacin Otsu las reas segmentadas. el experto con operaciones de morfologa matemtica la mejor y con una edicin manual se corrigieron los problemas en

62

En este capitulo se reporta los resultados de solo seis imgenes

tres de

ellas

alcanzaron las mejores segmentaciones y las otras tres fueron las segmentaciones ms deficientes, debido a que las calificaciones manuales gastaban mucha tiempo por parte del experto. Para cada imagen se aplicaron los anteriormente y 10 mtodos de segmentacin enunciados

los cuales fueron evaluados cuantitativamente, usando la

segmentacin semimanual hecha por el experto y calificados por las siguientes estrategias : Curvas ROC (Relative Operating Characteristic) [FERNANDES 1999], Factor F, el cual combina los factores de las curvas ROC, en un nmero que representa toda la informacin, si tiende a cero la segmentacin es muy buena, si tiende a uno esta es mala (FISCHER 2002) Este factor F fue modificado como se ve en la ecuacin (1). El factor RUMA mide el error relativo de la segmentacin, si el factor es menor que cero hay sobre-segmentacin, si el factor es mayor que cero hay sub-segmentacin (SEZING). Los factores F(I) y Q(I) (BORSOTTI 1998) evalan la homogeneidad de las zonas segmentadas y tambin tiene en cuenta si la imgenes se partieron en muchas partes, sin embargo, para la utilizacin de estos factores en este trabajo slo se consideraron dos zonas el fondo y las partculas Los factores de percepcin Gestalt de proximidad y intensidad se trabajaron inspirados en el trabajo de Martin (MARTIN 2002) y como se present anteriormente.

F = 1

P R es una probabilidad que se supone 0.5; P Es la fraccin de seal que se ajusta con
la imagen verdadera; R Es la fraccin de imagen verdadera que se ajusta con la seal .Para las curvas ROC Los positivos se consideran todos los puntos que hacen parte de las partculas y para las negativos todos los puntos que hacen parte del fondo.

(1 ) +

(1)

63

Conjunto prueba

ANALISIS DE SIMILITUD DE NIVELES DE GRIS

Se mide el nivel de gris medio del objeto Nobj Se mide el nivel de gris para cada pixel NPix
Se calcula el valor absoluto de la diferencia entre Nobj y NPix Dif =abs(Nobj-Npix)

Operacin lgica (AND) pertenencia

Objeto

Se grfica la distribucin de las diferencias

Figura 5-7 Esquema del algoritmo para el anlisis de la continuidad

Conjunto prueba

ANALISIS DE CONTINUIDAD

Se dilatan pixeles

Operacin lgica (AND) pertenencia

Nmero pixeles totales del borde dilatado (Npt_Bd) Calculo de la Probabilidad de continuidad

Pixeles del borde de la dilatacin {Operacin Lgica (AND) con el Objeto}

Nmero pixeles del borde dilatado que pertenecen al objeto (Npt_Obj)

Objeto

Figura 5-8 Esquema del algoritmo para el anlisis de la similitud espacial de los niveles de gris

64

CARACTERISTICAS DEL FONDO (Continuidad)

1 Probalidad promedio continuidad 0.99 0.98 0.97 0.96 0.95 0 F-19-13 4 F-19-14 8 F-19-22 12 16 F-19-25 20 F-19-30 Distancia de dilatacin

Figura 5-9 Resultados del anlisis de continuidad para las muestras del grupo F

CARACTERISTICAS DEL FONDO (similitud nivel de gris) Probabilidad de ocurrencia 0.25 0.2 0.15 0.1 0.05 0 0 F-19-13 5 10 15 F-19-22 20 25 30 F-19-30 35 Diferencia del nivel de intensidad F-19-14 F-19-25

Figura 5-10 Resultados del anlisis de la similitud de nivel de gris para el grupo F

65

La evaluacin cualitativa del experto consisti en 5 buena.

calificar de la calidad de la

segmentacin, con un valor (1,2,3,4,5), donde 1 significa muy mala segmentacin y

Adems se definieron diez tipos de problemas, que describen un tipo de error en la imagen resultante de una segmentacin, cada uno se evala de (1 a 5 ) pero aqu 1 significa problema leve y 5 significa problema grave. La otra actividad de calificacin cualitativa que realizo el experto, fue calificar por parejas la calidad de dos imgenes as: se comparan dos imgenes segmentadas a la mejor se le asigna el valor de 1 y a la menor se le asigna el valor de -1, en el caso de que fueran semejantes a cada una se le asigna cero. Con las 11 imgenes se hacen todas las combinaciones de parejas para que el experto evale, al final los resultados para cada mtodo de segmentacin se suman, luego se organizan jerrquicamente, empezando por el que ms puntaje tenga y terminado por el de menor puntaje. Todo lo anterior se hizo para cada una de las seis imgenes de prueba estudiadas en esta etapa.

5.5 5.5.1

RESULTADOS Estrategias de evaluacin cuantitativa.

Al analizar en la Figura 5-11 la curva ROC de los FPV Vs. FPF se puede decir que la imagen Prueba 2 fue la mejor descrita por los algoritmos, sin embargo, es importante aclarar que esto solo es para cuatro de los segmentadores utilizados. En la imagen Prueba 1 partculas. De la Figura 5-12 se encuentra que las imgenes Prueba 2 y Prueba 3 son las los se presentaron los mayores problemas para representar las

imgenes en donde los segmentadores tienen menores valores en especial

mtodos Bim. Mul.Nib Ots Tom lo que significa que son los segmentadores
66

funcionaron bien lo que no pasa las imgenes Prueba 8 y Prueba 10. Es importante destacar que las curvas tienden a presentar picos en las mismas zonas lo que significa que es algunos segmentadores no sern adecuados independiente la imagen que se utilice. La Figura 5-13 de F Vs Q muestra que no hay una correlacin lineal entre estas dos variables lo que implica que para muchas segmentaciones una buena calidad de segmentacin, es decir aproximarse mucho a la segmentacin semimanual, no se podr hacer con algoritmos que se soporten en la similitud de niveles de intensidad. Al estudiar la figura 4 que tiene los resultados del factor RUME, se puede decir que el problema ms importante para la iamgen Prueba 1 es que los algoritmos generan sobresegmentacin en comparacin a la segmentacin manual hecha por el experto. Lo que no pasa para la imgenes Prueba 2 y Prueba 3 que tienen una subsegmentacin. Aunque no se muestra en los grficos las imgenes Prueba 8, Prueba 9 y Prueba 16 presentaron sobresegementacin en relacin a los segmentacin manual. Al analizar las Figura 5-14 Gesalt de la conectividad del Fondo de las imgenes utilizadas se encuentra que todas decrecen que al aumentar la dilatacin y que la imagen Prueba 9 es la que decrece ms rpido lo cual se explica con el hecho de la partcula analizada en esta imagen es muy grande . En el resultado de la imgenes Prueba 1 tambin se decrece rpido y esto se debe a que hay varias partculas en la imagen que hacen que el fondo pierda rpidamente la conectividad al aumentar la dilatacin. El caso de la imagen Prueba16 se tiene que el fondo es muy conectado entre si y esto es debido al hecho de que la partcula es pequea. Para las imgenes Prueba 2 y Prueba 8 el comportamiento es muy similar, pero no es claro esto ya que imagen Prueba la partcula es muy grande y en la Prueba 8 la partcula es pequea en relacin al fondo de modo que estas dos imgenes se deberan diferenciar entre ellas.

67

En la Figura 5-15 se encuentra que tanto el fondo 1 como el fondo 2 presentan varios picos los cuales se pueden entender como que posiblemente haba zonas en estas imgenes que se podran asociar a problemas de enfoque en las partculas que origino que el experto no las considera. El fondo 3 tiene un solo pico lo que indica que el experto no rechazo partculas por problemas de enfoque, generando as un fondo de un nivel de intensidad homogneo. Aunque no se presenta aqu en las graficas al analizar el fondo de la imagen Prueba 9 se encontr que haba una cierta tendencia no a generar picos sino una zona en donde varias diferencias tenan la misma probabilidad, lo que puede ser ocasionado por el hecho de que el experto en esta imagen, solo segmento una partcula que le interesaba sin detectar otras partculas que estaban presentes y que se asumieron como fondo.
1.2 1 0.8 0.6 0.4
0.2 1.2 1 0.8

Prueba 1 Prueba 2 Prueba 3

FPV

0.6 0.4

0.2 0 0 1 2 3 FPF 4 5 6

0
Be. Bim . Can. M ul. Neu. Nib. O t. SDf. Slo. Tom .

Prueba 1 Prueba 8

Prueba 2 Prueba9

Prueba 3 Prueba 16

Figura 5-11. Curva ROC FPV (fraccin positivos verdaderos) FPF(fraccin positivos negativos)

Figura 5-12 Resultados del Factor F de las imgenes de prueba

68

25000 20000 15000 10000 5000 0 0 0.2 0.4 0.6 0.8 1 1.2

1 0 -1 -2 -3 -4 -5 -6 -7
Be. Bim. Can. Mul. Neu. Nib. Ot. SDf. Slo. Tom.

Prueba 1

Prueba 2

Prueba 3

Figura 5-13 . Q(i) vs Factor F

Figura 5-14 . Valor RUME de los diferentes segmentadotes en los diversos casos

1 0.98 Probabilidad promedio 0.96 0.92 0.9 0.88 0.86 0.84 0.82 0.8 1 3 5 7 9 11 13 15 17 19 21 23 Dilatacin Fondo 1 Fondo 2 Fondo 8 Fondo 9 Fondo 16 Probabilidad 0.94

0.35 0.30 0.25 0.20 0.15 0.10 0.05 0.00 0.00

0.20

0.40

0.60 Fondo 2

0.80 Fondo 3

1.00

Deferencia del nivel de intensidad (normalizada) Fondo 1

Figura 5-15 . Curva de conetividad

Figura 5-16 . Curva similitud de niveles de gri

69

5.5.2 Estrategias cualitativas

Los resultados de la calificacin cualitativa de la calidad de las imgenes

segmentadas se encuentra en la Tabla 5-1 del anlisis de los resultados se puede decir que la mejor segmentacin que evala el experto es la Semimanual y la peor es la Segmentacin con el mtodo (SDf) para todo los casos. La Prueba 8 fue la imagen en la que la mayora de los mtodos de segmentacin presentaron un mal desempeo . Despus de la segmentacin Semimanual, el Niblack fue el mtodo que mejor se comporto pero fallo para la Prueba 1 y Prueba 3 que son imgenes en donde se esperara que se tuviera una buena respuesta en comparacin con los mtodos globales, sin embargo, en estas funcion muy bien un mtodo de histograma local (Slo). En la imagen Prueba 2 varios mtodos globales funcionaron bien. Al calcular los promedios de las calificaciones de los diferentes mtodos para las imgenes de prueba se encuentra calificaciones bajas (entre 1 y 3) lo que indica que las caractersticas de las imgenes no responden bien para todos los mtodos de segmentacin con lo cual se puede decir que estos mtodos funcionan bien segn el contexto de la imagen. Para la calificacin de los tipos de error, ver Tabla 5-2, ah se encuentran que los errores que ms influencian las imgenes son: (la mala representacin de las partculas es el mas importante, el ruido debido a la compresin de la imagen, el ruido en el borde de las partculas y el problema de bordes incompletos) estos tres ltimos tipos de errores indican la necesidad de hacer procesamientos en la imagen para mejorar la calidad de esta, antes de aplicarles la segmentacin. En relacin al ordenamiento jerrquico de las segmentaciones se ve en la Tabla 5-3, y se encuentra el siguiente orden en el desempeo de las segmentaciones en el primer puesto es la segmentacin semimanual, en el segundo puesto (Be,Bim,Mul.Tom) en donde tres mtodos son segmentaciones de histograma

70

global, en el

tercer puesto son (Can, Nib) los cuales son

segmentaciones de

histograma local, el cuarto puesto es para (Neu), el quinto puesto es para (Ots), el sexto puesto es (Slo) y el ltimo puesto es para (SDf).

5.6

CONCLUSIONES
importante es que la segmentacin en algunos casos puede

Una conclusin

entenderse como un proceso de contexto, lo que implica que un algoritmo funcionara bien para ciertos casos, el reto es como bajo esta situacin se disean sistemas capaces de decidir cuando utilizar un mtodo de segmentacin u otro, para esto el camino de utilizar descriptores de percepcin y la incorporacin del conocimiento de los humanos puede ser un camino para llegar a estrategias empricas que funcionen para casos concretos de la experimentacin. Es importante decir que experimentos que evalen el desempeo de la calificacin hecha por el experto se requieren tanto para verificar lo consistencia de los resultados como las diferencias con otros expertos. Se requieren tanto para verificar lo consistencia diferencias con otros expertos. de los resultados como las

71

Tabla 5-1 Calificacin de la segmentacin Imagen Mtodo Semimanual (Sem.) Bersen (Be.) Bimodal (Bim.) Canny (Can.) Multithreshol ding (Mul.) Neurotrsholdi ng (Neu.) Niblack (Nib.) Otsu (Ot.) Sementa Df (SDf.) Seg Local (Slo.) Tomita (Tom.) Promedio Prueba 1 4 2 3 2 2 2 2 2 1 4 2 2.4 5 2 2 1 4 2 4 4 1 2 1 2.5 5 2 2 2 2 2 2 2 1 4 3 2.5 4 1 2 1 1 1 3 1 1 1 2 1.6 5 1 1 2 2 1 4 3 1 2 2 2.2 4 2 2 2 2 2 3 2 1 2 3 2.3 Prueba 2 Prueba 3 Prueba 8 Prueba 9 Prueba 16

Tabla 5-2 Calificacin de los tipos de error Er1 Er4 Er5 Er6 Er7 Tipo error imagen 3.5 1.3 1.3 1.7 0.7 Prueba 1 2.9 0.0 0.7 1.1 1.4 Prueba 2 2.3 0.0 1.4 1.1 1.4 Prueba 3 3.5 0.0 0.0 2.3 1.5 Prueba 8 4.2 0.2 0.0 2.1 2.8 Prueba 9 0.8 0.0 1.2 0.7 1.1 Prueba 16 2.8 0.2 0.8 1.5 1.5 Promedio

Er8 1.5 1.5 0.2 0.8 0.0 0.0 0.7

Er9 1.8 2.1 1.5 2.5 2.5 0.0 1.7

Tabla 5-3 Ordenamiento jerrquico de las segmentaciones

Be. Bim. Can. Mul. Neu. Nib. Ot. SDf. Prueba 1 Prueba 2 Prueba 3 Prueba 8 Prueba 9 Prueba 16 Promedio Puesto 6 6 4 4 7 2 5 2 2 9 7 2 2 6 5 2 7 8 2 3 8 7 6 3 8 4 6 7 3 3 5 2 5 7 5 8 9 8 7 4 9 2 8 6 4 4 6 3 10 3 9 9 5 9 8 5 3 10 10 10 10 10 9 6 Slo. 11 11 11 11 11 11 11 7 Sem. Tom. 1 1 1 1 1 1 1 1 4 5 3 5 6 5 5 2

72

6 CAPITULO ETAPA DE LOS FACTORES DE FORMA

6.1 INTRODUCCION

El estudio de partculas es un tema que permite aplicar el digital de imgenes (ADI)a diferentes campos. La utilizacin y la problemtica de los factores de forma tradicionales para describir partculas se puede encontrar en las siguientes referencias: (RESTREPO1 2003) (RESTREPO2 2003 ) (SOLANO 2003)

(BRANCH

2001) (RESTREPO 2001) (MORA

2000) (PODEZECK 1997)

(NAZAR 1996)
La transformada de Hough generalmente se trabaja como un detector de curvas paramtricas, pues debido al espacio en que trabaja los puntos se convierten en funciones de cosenos y senos, las lneas son un punto en donde se interceptan varias de estas funciones; no obstante, la transformada de Hough permite estudiar partculas ya que facilita la deteccin del convexo de estas, adems de que se pueden medir varios de los factores de forma tradicionales, la ampliacin de estas ideas se puede encontrar en (LEAVERS, 2000). Otras temticas alrededor de la forma utilizan: fractales (LI, 1993) (BEDOYA, 2002) (RESTREPO 2001), anlisis de Fourier en imgenes de microscopia electrnica (BOWMAN, 2000), la

73

morfologa matemtica y en especial la funcin distancia

permiten estudiar la

porosidad de las partculas generando una curva de porosidad de la cual se extraen parmetros que sirven de comparacin (ALVAREZ, 1997). Adems de lo anterior es importante revisar trabajos como los de

(WANG 1999) en el que se presentan

algunos problemas de la segmentacin en el estudio de partculas. El esquema mental de este trabajo se puede ver en la Figura 6-1 en donde una partcula puede ser analizada desde el tamao o desde la forma. Sin embargo, por cualquier camino se encontrar el problema de la agregacin de partculas el cual se debe solucionar en la segmentacin o en una etapa posterior a esta. En cuanto a las formas en el material particulado estas pueden estar en el mundo 3D 2D, este trabajo se centra en estudiar las representaciones 2D. Los factores de forma pueden buscar objetivos diferentes a la hora de describir objectos, algunos miden cuanto una partcula se parece a una figura geomtrica conocida, otros miran la convexidad de la partcula midiendo principalmente la influencia de las salientes ms importantes de las partculas. Tambin se puede medir que tan alargada puede ser la partcula. Otro elemento es la complejidad para la que se hace un anlisis del contorno o de las caractersticas de la porosidad de las partculas. Para ampliar el modelo mental a todo el proceso de visin artificial aplicado al caso de la microscopia asistida por computador se puede revisar (BRANCH 2003).

6.2

PROCEDIMIENTO

Es importante aclarar que este artculo no pretende dar un estudio estadstico de los factores de forma sino, ms bien, presentar una propuesta en la manera del cmo abordar el estudio de la forma para el caso especfico del material particulado. E en este sentido se analizaron 15 partculas 3D, en donde se tienen representados las diversas formas que se identificaron (granos de polen, partculas irregulares de aglomerados pequeos, partculas redondas que son aglomerados, partculas esfricas con poros, partculas alargadas formadas por aglomerados y partculas con formas de

74

poliedros). Adems

de las partculas anteriores se tomaron las imgenes de un

mineral (A15), de una estrella de cinco puntas (A16) y de una circunferencia (A17), las cuales fueron imgenes que sirvieron de control. Para todas se hizo un estudio

sobredimensionamiento

Agregacin de partculas

Distorsin

Problema Tamao

Partcula

Forma
Partculas 3D Partculas 2D

Proyeccin 2D Redondez Angularidad Alargamiento Elongacin Circularidad Convexidad Complejidad Bordes Dimensin Fractal Poros internos Morfologa matemtica

Factores forma

Figura 6-1. Mapa metal acerca de la factores forma en el estudio de partculas.

de diferentes factores de forma, se les aplic la transformada de Hough para hallar el convexo y en algunas se calcul una curva de porosidad usando la morfologa matemtica. Los resultados de los factores de forma se ampliaron en la discusin y el anlisis usando informacin de trabajos anteriores: (RESTREPO 2003), en donde se estudiaron las formas generadas por un corte transversal de las partculas, las cuales fueron observadas usando el microscopio electrnico en el modo de electrones retroproyectados. En (SOLANO 2003) paralelo. se analizaron formas de minerales observados en un microscopio ptico, usando luz trasmitida con los polarizadores en

75

6.2.1

Transformada de Hough

La transformada Hough permite hacer estudios de partculas 3D, pues se puede generar una representacin 2D de las partculas la cual se analiza con los factores de forma tradicionales. Lo interesante es que solo con un muestreo de algunos puntos se puede generar una forma que se aproxima al convexo de la partcula analizada (LEAVERS 2000). El procedimiento que se sigui fue: Generacin de puntos de muestreo. Dichos puntos tienen sus coordenadas en funcin de un plano coordenado con origen en el centroide de la partcula a analizar. Segmentacin de la partcula y una edicin para tratar de eliminar puntos al interior de esta el objetivo de disminuir los clculos a realizar en la transformada de Hough Operacin binaria entre los puntos de muestreo y la imagen binara del borde de la partcula Transformacin de Hough Ecuacin (1)

x *Cos+y *Seno= (1) Clculo del mximo valor de transformacin de Hough para cada ngulo . Ver

Figura 6-2 A)
Identificacin de los puntos que generan el contorno mximo de la transformacin de Hough. Estos son los que conforman el convexo de la partcula. Ver Figura

6-2 B)
Clculo del acumulado del mximo valor de transformacin. Ver Figura 6-3 Clculo de los factores de forma.

6.2.2

Morfologa matemtica en la porosidad

La morfologa matemtica y en especial la funcin distancia permiten estudiar la porosidad de las partculas generando una curva de porosidad de la cual se
76

extraen parmetros que sirven de comparacin. (ALVAREZ 1997). El procedimiento que se sigui fue: Segmentacin de la partcula. Generacin del convexa

Mapa de los mximos de la transformada Hough

78 10 26 52 0

A) 1
3

B)

-180 -160 -140 -120 -100 -80 -60 -40 -20 0

2 3

Radio (p)

4 13 0 15 6 18 2 20 8 23 4 26 0 28 6 31 2 33 8

4 5

4 5

Angulo (Grados)

Figura 6-2. A) Mapa de los mximos de la transformada de Hough para la imagen A16. B) Partcula denominada A16

Valores acumulados en el mapa de los mximos de la transformada Hough

54 52 Radio (p) 50 48 46 44 42 40 120 144 168 192 216 240 264 288 312 Angulo (Grados) 336 0 24 48 72 96

Figura 6-3. Valores acumulados en el mapa de los mximos de la transformada de Hough para la imagen A16

Construccin de la funcin distancia utilizando los bordes del convexo Medicin de la frecuencia de los niveles de gris utilizando la imagen de distancia y la imagen binaria de la segmentacin de la partcula.

77

 Calculo de los parmetros de porosidad a travs del ajuste de una Ecuacin potencial a los datos. Ver Figura 6-4

Curva de caracterizacin de poros

100 90 80 70 60 50 40 30 20 10 0 11 21 31 41 51 61 71 81 1 Volumen acumulado(%)

y = 0.3383x 2 R = 0.9861

1.1769

91

101

111

121

131

Distancia en pixels

Figura 6- 4. Curva de caracterizacin de poros (imagen A1)

6.2.3

Factores de forma

A continuacin se presentan la formulas y las notaciones para los diferentes factores de forma utilizados: N1 es igual al nmero de protuberancias de la partcula,

F1 es igual a la angularidad que se calcula como el promedio del acumulado del

mapa de mximo de Hough dividido el nmero de protuberancias., F2 es igual a elongacin y se calcula como el Feret mximo dividido por el Feret mnimo (F3 es la elongacin calculada usando un software de anlisis digital de imagen, no se reporta en la tabla), F4 es igual al rea de la partcula dividido por el rea convexo, F5 es igual al permetro de la partcula dividido por el permetro del convexo, F6 es igual Redondez que se muestra en la Ecuacin 2, los siguientes factores vienen inspirados de la referencia (PODEZECK, 1997)

F7 es igual a

Ecuacin 3, F8 es igual a la circularidad ver Ecuacin 4, F9 es igual a la triangularidad, ver Ecuacin 5, F10 es igual al alargamiento ver Ecuacin 6, F11 ver Ecuacin 8 es determinante de la matriz M ver Ecuacin 7, F12 es Ns determinante de la matriz M corregido por las esquinas en la partcula, ver Ecuacin 9.
78

141

la cuadrangularidad, ver

F6 =

perimetro 2 4 * * area *1.064 Area s * sp Area ( s * sp) / 2

(2)

F7 =

(3)

F8 =

Area 4 * * sp 2
P s

(4)

F9 =

(5)

F10 =

(6)

M=

F10 F 7 F8 F9

(7)

F11 = F10*F9 F8* F7

(8) (9)

F12 = Esquinas+H4*H3 - H2* H1

S es igual al feret ms largo; SP es igual al feret que esta a perpendicular a S; Area es igual al rea proyectada de la partcula; P es igual al permetro del borde de la partcula.

Para

las circunferencia

las esquinas se consideran cero, esto es segn

(PODEZECK, 1997), sin embargo, contrario a lo anterior si se utiliza el mtodo de

protuberancias generadas por Hough, las circunferencias tendran valores grandes, tendiendo al infinito; en este punto se tiene que definir una estrategia apropiada, para poder manejar estas dos propuestas de anlisis dependiendo en el caso que se estudia. Nota: la segmentacin en las imgenes del SEM fue realizada con el OTSU

acompaada de una edicin con morfologa matemtica controlada manualmente por

79

el experto. Para el caso de los minerales se hizo una segmentacin manual del contorno de las partculas.

6.3

RESULTADOS Y ANALISIS

Los resultados de los diversos factores de forma se encuentran en la Tabla 6-1. En la Figura 6-5 se observan las imgenes binarias de las partculas analizadas, las cuales estn editadas y tienen trazado alrededor el convexo que gener Hough, en la Figura 6-6 se grafica independientemente el convexo para cada partcula. analizan los resultados se encuentra que: se permiten ver valores Partculas con angulariades altas pueden tener Si se altos de

protuberancias para las esferas pero los que generan valores de angulariad bajos. muchas salientes o ser muy 1 tienden ha tener un irregulares. Las partculas con elongaciones cercanas a

comportamiento esfrico. Valores F4 cercanos a 1 indican que la partcula es convexa en el rea. Valores bajos de F5 indican que no hay irregularidades en la forma, valores muy altos indicarn cierta tendencia a ser una partcula de alta complejidad por presentar una gran cantidad de irregularidades en el contorno y que puede tener el efecto de poros. (La imagen A15 la cual es un cristal de un mineral tiene valores bajos para F4 y F5 lo cual indica ciertas caractersticas importantes en la forma). Al analizar el factor F6 se encuentran que los convexos generados tienden a ser circunferencias. Los factores F7 indican que los convexos se alejan de ser cuadrados. F8 indica que unas partculas convexas si tienden ha tener un comportamiento esfrico pero otras se alejan. F9 indican que los convexos se alejan de ser tringulos. El factor F10 indica que no hay partculas muy alargadas en las imgenes analizadas. El factor F11 en general muestra que todas las partculas tienen valores similares lo que explica que la cantidad de protuberancias es decisivo, sin embargo para corregir las partculas redondas es mejor en estos casos modificar F12, por ejemplo para la partcula A17 que es una circunferencia las protuberancias son 47 pero tiene como indicadores una angularidad baja y una elongacin cercana a uno

80

entonces en este caso las protuberancias se pueden corregir a cero lo que genera un valor de 4.28 en el factor F12 el cual es cercano al reportado en (PODEZECK,
1997). Si no es una circunferencia la partcula el factor F12 no se corrige.

Al analizar la redondez, la elongacin y el factor de llenado si la redondez tiene un valor alto, una elongacin cercana a 1 y una funcin de llenado fullratio pequeo menor que 0.7, se tiene una partcula esfrica muy porosa. Un ejemplo de esto es la partcula denominada mp5ppr1 la cual tiene los siguientes valores delos factoes de forma: redondez =44.56 elongacin 1.2 y Factor de llenado 0.64. Ver
Figura 6-7, esto

fue un resultado de Restrepo en (RESTREPO, 2003) Una

redondez, una elongacin y un factor de llenado cercanos todos a uno significa que la partcula que se tiene es una circunferencia sin poros. Ejemplo Figura Particula mp3pe2 redondez =1.12 elongacin 1.05 y Factor de llenado 0.98 (RESTREPO
2003). Cuando se miran los resultados de redondez, de elongacin y el factor de

llenado se encuentra que tiene un valor un poco superior a uno que presentando cierta tendencia a ser partculas polidricas que no tienen poros pero que en algunos casos las salientes, generan que las partculas se alejen de ser convexas lo que para los 30 minerales analizados en (SOLANO, 2003) elongacin 1.98 y Factor de llenado 0.87. La Figura 6-2 presenta el mapa de mximos de la transformada Hough, los es: se refleja en los valores de Factor de llenado. Un promedio de los valores reportados redondez =1.59

montculos que tiene el contorno representan la cantidad de puntos importantes que se tienen para generar el convexo de la partcula, esta figura identifica los cinco extremos mas importantes de la estrella de la imagen A16. Esta Figura 6-2 no se puede hallar si los valores de los puntos con los que determina Hough no son

81

A1

A2

A3

A4

A5

A6

A7

A8

A9

A10

A11

A12

A13

A14

A15

A16

Figura 6-5. Imgenes binarias y editadas de las partculas analizadas, y que tienen el contorno de Hough trazado
A1 A2 A3 A4

A5

A6

A7

A8

A11 A9 A10 A12

A13 A14 A15 A16

Figura 6-6. Contorno convexo de Hough para cada partcula

82

corregidos por ubicar el origen coordenado sobre el centroide de la partcula. La

Figura 6-3 representa los valores acumulados del mapa de mximos de la

transformada Hough, esta permite analizar que tan angular o redondeado puede ser un punto que hace parte del convexo de la partcula. A valores altos del radio (p) menos redondeado es el comportamiento de esa saliente en la partcula.

Figura 6-7 partcula porosa

En la Figura 6-4 se encuentra la curva de la caracterizacin de poros, su forma permite encontrar diferencias en las partculas debidas a las formas de los poros, adems los valores de ajuste de la curva permiten hallar unos parmetros los cuales facilitaran la diferenciacin entre partculas. En las partculas analizadas las curvas encontradas no tienen el comportamiento que presentan las partculas con poros grandes al interior, pero tampoco son semejantes a los otros casos que se presentan en
(ALVAREZ, 1997) por lo cual se podran considerar como de otro tipo de porosidad.

6.4

CONCLUSIONES

1. Se logr presentar una serie de estragegias: como la transformada Hough (que permite calcular la angularidad y tambin factores de forma tradicionales), la estrategia de la morfologa matemtica (sirve para distinguir los poros) y lo factores de forma que miden la similitud a figuras geomtricas sencillas. Todo esto en conjunto se convierte en una herramienta ms robusta para analizar las formas de las partculas. 2. Medir la redondez, la elongacin y el factor de llenado para el caso del material particulado pueden ser una herramienta importantes para diferenciar
83

algunos de los grupos de partculas presentes en las imgenes. Pero a esto es necesario agregar el estudio de la influencia de la porosidad en la forma de las partculas. 3. La transformada de Hough presenta una posibilidad interesante para generar el convexo de partculas.

Tabla 6-1. Factores de forma medios a las partculas de prueba

Ima N1 F1 A1 14 25 F2 F4 F5 F6 F7 F8 F9 F10 F11 F12

1.4 0.70 26.36 1.17 0.73 0.59 1.47 2.69 3.52 17.52 7.73 6.84 1.51 8.31 5.48 1.22 0.71 0.56 1.41 2.67 3.38 17.38 1.08 0.74 0.86 1.47 3.13 3.97 18.97 1.12 0.77 0.61 1.53 2.68 3.63 28.63 1.06 0.76 0.85 1.51 3.07 4.00 28.00 1.01 0.81 0.92 1.62 3.12 4.31 31.31

A2
A3 A4 A5 A6 A7 A8 A9

14 12.2 1.08 0.88 13.53 1.10 0.71 0.81 1.42 3.05 3.75 17.75 14 14.8 1.65 0.84 15 5.89 1.01 0.92 25 4.28 1.61 0.99 24 4.94 1.15 0.89 27 3.73 1.08 0.95

27 5.1 1.18 0.85 10.45 1.06 0.76 0.80 1.53 2.97 3.93 30.93

14 8.48 1.64 0.76 12.74 1.38 0.80 0.47 1.60 2.62 3.80 17.80

A10 16 11.1 2.5 0.80 12.46 1.41 0.75 0.39 1.51 2.39 3.31 19.31 A11 19 5.18 1.12 0.90 14.78 1.04 0.73 0.78 1.46 2.93 3.71 22.71 A12 17 9.58 1.5 0.79 8.51 1.12 0.72 0.62 1.45 2.70 3.46 20.46 A13 22 7.8 1.24 0.75 20.75 1.05 0.76 0.77 1.52 2.92 3.84 25.85 A14 23 6.16 1.69 0.75 21.05 1.13 0.75 0.60 1.50 2.67 3.55 26.55 A15 19 1.81 1.7 0.97 A16 7 7.16 1.15 0.65 A17 47 0.91 1.01 1.00 1.05 1.44 0.99 1.27 0.73 0.51 1.45 2.60 3.40 22.40 1.14 0.69 0.73 1.38 2.95 3.57 10.57 1.00 0.78 0.99 1.57 3.23 4.28 51.28

84

SECCION III: RESULTADOS DEL SISTEMA MAC PARA EL CASO DEL MATERIAL PARTICULADO

85

7 RESULTADOS DEL SISTEMA MAC PARA EL CASO DEL MATERIAL PARTICULADO

7.1 INTRODUCCION

Este captulo presenta los resultados en algunas reas de trabajo donde se puede utilizar un sistema MAC, aplicado al caso del estudio del material particulado, en particular se presenta: la medicin de las distribucin de tamaos de las partculas, los procedimientos desarrollados para la caracterizacin del material

particulado utilizando microscopa ptica, la descripcin de la forma de algunas partculas observadas en el microscopio SEM y algunos resultados preliminares de la utilizacin de otras microscopias. Adems de lo anterior, se presenta algunos ndices de evaluacin de la calidad de las segmentacin. Tambin se desarrollan termina con el descriptores de percepcin, inspirados en las leyes Gestalt. Se imgenes analizadas.

planteamiento de unas estrategias que abordan los problemas especficos en las

7.2

DISTRIBUCION DE TAMAOS DE LAS PARTICULAS

7.2.1 Mtodo para medir la granulometria. Como se mostr en la parte introductoria de este trabajo, en el estudio del material

particulado uno de los temas que ms interesa es la medicin de la distribucin de tamao de las partculas. Para esto se puede utilizar la visin artificial, usando la morfologa matemtica, se genera una herramienta para

86

la granulometra. La granulometra es un campo que, entre otras cosas, trata de la determinacin de la distribucin del tamao de las partculas de una imagen
(GONZALEZ 1996). Apoyndose en el trabajo de Luengo (LUENGO-2), se puede

decir: que la morfologa matemtica se ha utilizado ampliamente en la simulacin de tamices. Entendiendo por tamiz como cascada de filtros no lineales, los cuales aumentan en tamao y operan en serie, separando las partculas por tamaos. El procedimiento es as: se realizan operaciones de apertura sobre la imagen original con elementos de estructura, de tamao creciente. Se calcula la diferencia entre la imagen original y su apertura. Al final del proceso se normalizan estas diferencias y se utilizan despus para construir un histograma de distribucin del tamao de las partculas (GONZALEZ 1996). En Luengo (LUENGO-2), las ecuaciones con las que se expresa lo anterior son:
fri (x) =ri ( f(x) )- ri-1 ( f(x) )
(1)

fri es la imagen de granulomtrica en la escala ri ri es la escala

de la imagen granulomtrica

ri es operador morfolgico de cerrado en la escala ri

Para construir el histograma de distribucin de tamaos de las partculas, se hace uso de la suma de los valores de niveles de gris de la imagen en cada escala, como se muestra en la Ecuacin 2:

H (i ) =

f
x

ri

( x)
(2)

ri ri 1

87

Para normalizar la distribucin y hacerla invariante al contraste y al tamao de la imagen, se divide por el valor de la sumatoria de los niveles de gris de la imagen original, as:
H (i ) = H (i ) * 100 (3) H (k )
k

Se puede decir que una de las ventajas que tienen estas tcnicas morfolgicas, es que no es necesario hacer segmentacin en las imgenes a analizar, adems permitir ser ms o menos insensible, de a problemas de sobre-dimensionamiento de

los tamaos de las partculas, lo que ocurre cuando dos partculas se tocan entre s. Para abordar el problema de la medicin de la distribucin de granos, es posible utitilizar la morfologa matemtica como herramienta para construir dicha curva de tamaos. Pero a pesar de esto, es importante entender que un sistema MAC requiere de una serie de pruebas que permitan establecer el desempeo, entonces ms que reportar unas grficas de la granulometra de las diversas estaciones de las ciudad de Medelln, aqu se presentan algunos resultados del desempeo que se obtuvo con la utilizacin de la morfologa matemtica.

7.2.2

Procedimientos para la granulometra

El desarrollo experimental que se efecto para este problema, se esquematiza en la Figura 7-1, en donde se plantea que para medir la distribucin de las partculas usando dos procedimientos: la morfologa matemtica (en las imgenes en niveles de gris y en imgenes binarias). Y el procedimiento de medir directamente las reas de las partculas (en la imagen binaria resultante de la segmentacin). de las reas de las Con los datos adquiridos aqu, se construye un histograma morfologa matemtica. El mtodo de

partculas, el cual sirve para contrastar los resultados que aportan los mtodos de la morfologa matemtica se evalu en las imgenes sintticas mostradas en las Figuras 7-2, estas imgenes son binarias y

88

las partculas en ellas tienen diferentes tamaos. Adems, en una imagen de este grupo, se analiz el efecto que tiene la utilizacin de un elemento estructurante que es un octgono, diferente al elemento estructurante de cruz, que se utiliza normalmente en la granulometra y que se utiliz en la parte experimental.

DISTRIBUCIN TAMAOS

OBJETIVO : explorar mtodos para medir la curva de distribucin de tamaos del material particulado

Mtodo morfologa matemtica EVALUACION Imagen Niveles de gris Imagen Binaria

Histograma de reas de partculas ( imagen binaria)

Imgenes de prueba

CUANTIFICACION Area bajo la curva Entropa

Figura 7-1 Esquema de trabajo para el estudio de la distribucin de tamaos.

La curva granulomtrica de las partculas se midi sobre la imagen en niveles de gris y sobre la imagen que utiliza el algoritmo bimodal de segmentacin. Se construyeron curvas donde por rangos se reporta el rea debajo de la curva, adems, para en los mismos rangosse reporta la entropa los resultados de las imgenes en que tiene la curva. (Ver niveles de gris,

Figuras 7-3). En los resultados se discute la pertinencia de estas medidas, hechas

89

Fig. 2-A

Fig. 2-B

Fig. 2-C

Fig. 2-D

Curva granulomtrica de imgenes de prueba

40 35 30 Porcentaje (%) 25 20 15 10 5 0 0 10 20 30 40 50 60 # de pixeles dilatados
Porcentaje (%

Curva granulomtrica de imgenes de prueba

20 18 16 14 12 10 8 6 4 2 0 0 10 20 30 40 50 60 # de pixeles dilatados

Fig. 2-E

Fig. 2-F

Cuadradros

Cuadrados (octagono)

Grano ASTM6-6

Circunferencias

Circunferencias 2

Figura 7-2 Resultados de la granulometra sobre las imgenes de prueba. Fig. 2-A imagen de circunferencias pequeas. Fig. 2-B imagen de circunferencias grandes. Fig 2-C imagen de granos cristalinos. Fig. 2-D imagen con cuadrados de distintos tamaos Fig. 2-F es la curva granulomtrica de las imgenes que tienen las circunferencias Fig. 2-E curva granulomtrica para la imagen de cuadrados y los granos cristalinos

90

para las imgenes binarias no se reporta la entropa, pues no se pudo calcular en algunos rangos. La frmula de la entropa es:

E = p * log( p)

(4)

p es la probabilidad que tiene un nivel de gris en la imagen.

Para levantar las curvas granulomtricas que describan el material particulado se trabajaron tres tipos de imgenes8, as: las capturadas usando el objetivo de 100x, las capturadas usando el objetivo de 50x y las capturadas usando el objetivo de 20x. Para el objetivo de 100x se aceptan datos entre el rango de 5 pxeles a 60 pxeles, que de acuerdo a la calibracin de ese objetivo equivale de al rango de 0.96 micras hasta 11.52 micras. Para el objetivo de 50x el rango va de 22 pxeles a 60 pxeles y que equivale al rango de 11.8 micras a 29.52 micras. Finalmente, para el objetivo de 20x, el rango utilizado va de 17 pxeles a 60 pxeles que equivale a 30.43 micras a107.4 micras. Debido a que el trabajo en esta tesis es un prototipo se escogieron slo cinco imgenes de cada grupo9 . La granulometra para un rango es el promedio de las cinco imgenes, la curva granulomtrica se construye uniendo los resultados que cada objetivo aporta. Es importante aclarar que para las imgenes binarias slo se consideraron las partculas que no tocan el borde de la imagen.

7.2.3

Resultados y anlisis

En la Figura 7-2 F se observa dos curvas granulomtricas, donde cada pico representa una poblacin de partculas en un determinado rango. Se encuentra que

Se utiliz una nomenclatura arbitraria, en donde las imgenes del objetivo de 100 se etiquetan con el nmero 19, las imgenes del objetivo de 50x se etiquetan con el nmero 22 y las imgenes del objetivo de 20x se etiquetan con el nmero 20. 9 El grupo de 100x se componen de 40 imgenes, el de 50X se compone de 20 imgenes y el de 20X se componen por 10 imgenes.

91

Curvas granulometricas resultantes de la morfologa matemtica UNAL-018 iluminacin 20 (imagen normal) 20

Curvas granulometricas resultantes de la morfologa matemtica UNAL-018 imagen binaria (iluminacin 20)

Fig. 2-A
Porcentaje (%)

15 10 5 0 0 10 20 30 40 50 60
# de pixeles dilatados

40 35 30 25 20 15 10 5 0 0 10 20 30

Fig. 2-B

Porcentaje (%)

40

50

60

# de pixeles dilatados
Suma20-7
Suma 20-1 Suma 20-12 Suma 20-5 Suma20-14 Suma 20-7

Suma20-1 Suma20-12

Suma20-5 Suma20-14

Medida de la suma por rangos de la curva granulometrica Unal-018 Iluminacin 20 (imagen normal) 70 60 50 40 30 20 10 0 Rango Suma20-1 Suma20-12 Suma20-5 Suma20-14 Suma20-7 Valor del area bajo la curva en el rango Valor del area bajo la curva en el rango

Medida de la suma por rangos de la curva granulomtrica Unal-018 Iluminacin 20 (imagen binaria) 70 60 50 40 30 20 10 0 Rango Suma 20-1 Suma 20-12 Suma 20-5 Suma20-14 Suma 20-7

Fig. 2-C

Fig. 2-D

(0-10) (11-20) (21-30) (31-40) (41-50) (51-60)

(0-10) (11-20) (21-30) (31-40) (41-50) (51-60)

Medida de la entropa por rangos en la curva granulometrica Unal 018 Iluminacin 20 (Imagen normal) 0.8 Fig. 2-E 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 (0-10) (11-20) (21-30) (31-40) (41-50) (51-60) Rango Entropia20-1 Entropia20-12 Entropia20-5 Entropia20-14 Entropia20-7

Figura 7-3 Grficos de medicin de la granulometra Fig. 3-A Granulometra imagen de niveles de gris. Fig 3-B Granulometra imgenes binarias. Fig 3C Grfico del rea bajo de la curva granulomtrica Fig 3-A Fig 3-D Grfico del rea bajo de la curva granulomtrica imagen binaria Fig 3-B Fig. 3-E Grfico de la entropa de la curva granulomtrica Fig 3-A

Entropia de la curva

92

una curva est ms tirada a la izquierda y corresponde a las circunferencias de la Figura .7-2A, esto significa que en la imagen se tienen partculas dimetro menor en comparacin con las circunferencias de la Figura. 7-2B. La Figura. 7-E presenta la curva granulomtrica de la Figura. 7-2D y de la

Figura. 7-2C correspondiente a unos granos cristalinos de un acero. De estos resultados se puede decir: que para los granos cristalinos, la tendencia es tener una distribucin de tamaos alrededor de un mximo de 20 pixeles, lo cual es un comportamiento normal en ese material. De la Figura 7-2A se hicieron dos curvas: la que est en rojo, utiliza como elemento estructurante una cruz y la que esta en verde utiliza un elemento estructurante octgono. Al analizar los resultados, se encuentra que la curva roja tiene cinco picos que corresponden a los cinco grupos de tamaos, la curva verde tiene seis picos, de los cuales, el que est alrededor de los 22 pixeles es un pico falso que se origina, y que se debe al efecto que produce el utilizar un elemento estructurante octagonal en el proceso. Mtodos para representar la informacin Cuando se analizan las curvas granulomtricas se encuentra que independiente del tipo de objetivo que se utilice, los valores ms altos se encuentran por debajo de los 10 pxeles. Adems se nota una rpida cada de estos valores, (ver Figura 7310). Es posible que ms que el tipo de distribucin de partculas que hay en las imgenes, el efecto inicial que se tiene se deba al tipo de fondo en estas. Otro un punto a aclarar es que las partculas a las que se les puede medir el tamao deben ser oscuras, lo cual no es una suposicin totalmente cierta, ya que hay partculas que son transparentes. Este mtodo no permite medir dichas partculas. En general, se puede decir que en las curvas obtenidas difcilmente los expertos humanos puede establecer diferencias entre ellas, y sobre todo para encontrar los
10

En esta figura slo se reportan los valores de las imgenes tomadas con el objetivo de 20x, las figuras de los resultados de los otros objetivos se puede observar en el Anexo C

93

rangos de los tamaos de partcula que son ms preponderantes en la distribucin de la curva granulomtrica. Para solucionar este problema, se plante la utilizacin de dos curvas as: el rea bajo la curva y la entropa de la curva, tambin presentada por rangos. Para estas dos curvas se encuentra que reportan de la misma manera las relaciones de las curvas por rangos. Al analizar las curvas se ve como persiste con una mayor importancia de los rangos pequeos, adems del comportamiento decreciente que se presenta al aumentar el tamao. Entre los resultados la muestra UNAL-018-19 IMAGEN I-25 (ver ANEXO C) tiene una marcada preponderancia de los rangos entre los valores de 40 pxeles a 60 pixeles, y esto ocasiona que baje los niveles del rango ( 0 a 10) en comparacin con las otras curvas. Para verificar la informacin de las distribuciones del material particulado, se

midi la granulometra utilizando imgenes binarias, estas ltimas son el resultado de aplicar a las imgenes en niveles de gris el algoritmo de segmentacin bimodal, se opt por este procedimiento ya que a partir de las imgenes de Se debe destacar la gran diferencia que presentan prueba, qued claro que era posible diferenciar correctamente las granulometras presentes en las imgenes. cualitativamente las curvas granulomtricas, generadas de las imgenes continuas contra las que se generan por las imgenes binarias. Aunque no es claro por qu en las imgenes binarias aparecen partculas con valores mayores a 10 pixeles, los cuales no se logran detectar en los resultados de las curvas granulomtricas de las imgenes en niveles de gris. Una posible hiptesis es que en las imgenes binarias todas las partculas tienen un mismo nivel de intensidad (para este caso, el nivel de intencidad cero es el negro), de modo la influencia de las partculas es en igual proporcin, lo que puede no ocurrir para las partculas en las imgenes que estn en niveles de gris. Esto queda por explorar.

94

Los rangos de influencia. En el anlisis de los resultados de las curvas granulomtricas y haciendo uso de las curva de rea bajo la curva, es posible decir que, cualitativamente, los resultados de las distribuciones entre los distintos objetivos, presentan para el caso de las imgenes de 100x una influencia en el rango de (0 a10) pixeles. Para el caso de las imgenes de 50x, aunque el rango de (0 a 10) es importante, aparecen los rangos de (11 a 20) y (21 a 30) los cuales comienzan a diferenciar la granulometra de estas imgenes. Por ltimo, para las imgenes del objetivo de 20x tambin se tiene una influencia alta del rango de (0 a 10), adems de los rangos de (11 a 20) pero el rango de (21 a 30) tiene una mayor incidencia, que lo que se presenta en el caso de 50x , adems para las imgenes de este objetivo aparecen partculas entre los rangos (31 a 40), (41 a 50) y (51 a 60) los cuales para los otros objetivos no son tan importantes. Curva granulomtrica Hasta el momento se han presentado resultados de la granulometria y se ha del

discutido cmo presentar la informacin. Sin embargo, esto ante el problema

material particulado no pasa de ser una estrategia para ir conociendo la herramienta, ya que lo que es realmente importante para al caso del material particulado es la curva total de distribucin de las partculas. La cual se construye uniendo los resultados de las distribuciones de las imgenes de los diferentes objetivos. En la Figura 7-4 se presentan los resultados de las curvas granulomtricas obtenidas de las imgenes de niveles de gris y de las imgenes binarias. En esta figura se curvas. En las imgenes muestran encuentra una diferencia evidente en la forma de las picos ms pronunciados. Cuando conocimiento que se tiene encuentra que micras hacia abajo, y

binarias las curvas tiene un comportamiento de menor continuidad y de las distribuciones del

se analizan las dos curvas, en relacin al material particulado, se tienen una gran

hay una gran importancia de los tamaos de las partculas de 10 en ese grupo las partculas de 2.5

participacin. Desde el punto de vista de la contaminacin, esto se explica con el

95

comportamiento esperado de las partculas para una rea urbana con influencia de automotores. Es importante aclarar que las medidas reportadas por debajo de 0.9 micras, son valores no confiables debido a los fenmenos fsicos que ocurren y a los valores altos que tiene el CV para estos tamaos en el objetivo de 100x, esto se explic en el captulo de adquisicin y captura de la imagen. La verificacin de la distribucin Una ltima grfica que se construy que las para confirmar el comportamiento de las distribucin por diferentes mtodos es la Figura 7-5. Para este caso se esperara curvas tuvieran el mismo comportamiento, pero esto no ocurre. Esto tanto para las distribuciones de las imgenes binarias como las en el rango de (1.5- 2.5 micras) hasta el rango por significa que se tienen distribuciones distintas. Cuando se analiza las curvas, se encuentra que imgenes en niveles de gris,

debajo de (1-1.5 micras), mostrando un comportamiento creciente. Para los otros tamaos estas curvas difieren, y especificamente entre los valores de 4 micras a 100 micras, en donde la curva de las imgenes binarias reporta una mayor importancia de estos grupos, de lo que reporta la curva de las imgenes en niveles de gris. La curva denominada curva analizador, que se construy al medir el rea de las partculas, en esta se encuentra una distribucin en donde para el rango de 2.5 micras a 1 micras no hay un comportamiento creciente como se reporta en las otras dos curvas. Adems, de una 1 micra a 10 micras en general se puede considerar que todos estos rangos tienen la misma importancia, pero con un leve nfasis en el rango de 4 a 10 micras. Para los rangos de 10 a 100 micras el comportamiento es similar al de la curva denominada Gris. Hasta el momento no hay elementos que permitan explicar las diferencias entre las curvas y definir cual de ellas es la realmente correcta. Por esto es recomendable hacer ms pruebas y principalmente disear experimentos que permitan calibrar los mtodos.

96

Algunos aspectos que se deben considerar, en trabajos alrededor del problema son: - Huecos al interior de las partculas pueden influir en los resultados, ya que por la morfologa del hueco, la partcula puede desaparecer mucho ms rpido que si fuera completa, generando as que el objeto tenga un tamao menor en la distribucin. - El hecho de no medir las partculas que tocan el borde de la imagen, puede generar diferencias, ya que en las imgenes en niveles de gris estas partculas si se consideran.

CURVAS GRANULOMETRICAS DEL MATERIALPARTICULADO 10 9 8 7 6 5 4 3 2 1 0 0.1 1 10 Tamao en micras

UNAL-018-BINARIA

Comparacin de diferentes mtodos para calcular la curva de distribucin de tamaos 60 50 40 30 20 10 0

1. 5 1 2. 5 4 a1 0 a2 0 .5 ha st a a a 2. 5 10 4 a a 50 10 0 a 50

(Porcenaje %)

Porcentaje

100

1. 5

Tamaos en micras Binaria 018-20 Gris 018-20 Analizador 018-20

UNAL-018 NIVEL GRIS

Figura 7-4 Curvas granulomtricas medidas para la muestra UNAL-018

Figura 7-5 Histogrma de tamaos para la muestra UNAL-018

- Problemas

generados por la segmentacin, como el tener partculas que no genera problemas en la distribucin de

presentan su forma real, debido al desempeo del algoritmo en las diferentes condiciones del histograma, esto tamaos. - Cuando en las imgenes se tiene una alta influencia de partculas translcidas, entonces para medir la distribucin de tamaos es necesario hacer un proceso de identificacin de partculas oscuras y otro para las brillantes, siendo la granulomtrica una combinacin de estos dos resultados. curva

97

20

7.2.4 -

Conclusiones

Se tiene en la morfologa matemtica una herramienta que permite, para el caso del material particulado, medir la distribucin de tamaos que esta presente en las imgenes. Sin embargo, es muy importante que quienes van a utilizar este sistema, hagan una serie de experiencias que permita una calibrar los mtodos y as definir s los comportamientos que reporta la granulometra son nicamente debidos a la distribucin que tiene las partculas en la imagen o se deben a otros fenmenos.

Desde el punto de vista del rea del material particulado, cualquiera de las curvas que se obtuvieron estn en los comportamientos que se esperara para las distribuciones. Sin embargo, saber cual de las curvas obtenidas es la realmente correcta no es posible, y se necesitarn desarrollar experimentos para conocer el desempeo de las herramientas utilizadas.

Un problema que tiene la granulometra en niveles de gris. casos no se conoce de manera exacta los dimetros medidos.

En la medicin de

partculas, es que mide el tamao de objetos que estn desenfocados, para estos

7.3

RESULTADOS DEL PROCESO DE SEGMENTACION

En esta seccin se presentan los resultados de la segmentacin y se utilizaron varios factores de evaluacin de la calidad de esta, tambin se exploran algunos factores para describir la percepcin de la imagen, los cuales estn inspirados en algunas ideas de las leyes de Gesalt , lo anterior como herramienta para describir las imgenes y las diferencias entre las segmentaciones. Se analiz el desempeo de la segmentacin bimodal en 38 imgenes en niveles de gris, estas fueron capturadas con el objetivo de 100X, y que corresponden a nueve muestras de diferentes estaciones de monitoreo de la calidad del aire de la ciudad de Medelln; dichas imgenes estn destinadas a medir la granulometra de las partculas.

98

7.3.1

Resultados de la etapa 2 para el caso de imgenes utilizadas para medir distribucin de tamaos de las partculas

En el Captulo 5

se presentaron y utilizaron diferentes factores para medir la

calidad de la segmentacin, adems se trabaj una estrategia cualitativa en la cual se comparaban imgenes y se asignaba una calificacin. Para esta etapa se decidi utilizar la estrategia cuantitativa, pues evitaba gastar mucho tiempo con el experto. Los factores que se usaron fueron: Factor Q (i) se utiliz debido a que mide las caractersticas de similitud de los niveles de gris de la regin analizada, el Factor F para calcular este factor se tiene que procesar los tipos de errores que presentan la imagen (sobresegmentacin subsegmentancin) estableciendo la importancia de cada uno y el Factor RUME que permite conocer de una manera global cual tipo de error tiene la imagen segmentada. Adems se plantea un factor que se denomin, DIF_Q(i), diferencia de la similitud de los niveles intensidad, el cual se calcula as:
DIF_Q (i) = (Q(i) Manual Q(i)Segmentador)

(5)

Donde Q(i) Manual es el valor de la similitud de los niveles de intensidad, medido en la imagen de la segmentacin Manual, la cual se considera que es la segmentacin correcta.
Q(i) Segmentador, es el valor de la similitud de los niveles de intensidad, medido en

la imagen generada por el segmentador utilizado.

Se espera que

DIF_Q(i) tienda a cero, cuando la imagen

generada por el

segmentador sea igual a la segmentacin manual, pues se supone que estando sobre la misma zona los valores de Q deben ser similares. Para el anlisis, se puede decir que valores positivos indican que la segmentacin manual tiene una mayor

99

disimilitud en los niveles de gris. En algunos, casos como por ejemplo cuando el segmentador utilizado trabaje por mtodos histograma, esto significa que ese procedimiento puede tener serias dificultades para simular el modelo de segmentacin del experto, lo anterior puede repercutir en una subvaloracin del rea que debe ser segmentada por parte del segmentador. Por otro lado, cuando los valores son menores de cero significa que la segmentacin manual tiene una menor dispersin que la imagen generada por el algoritmo segmentador, y esto puede causar una sobresegmentacin comparado con la segmentacin manual. En la Tabla 7-1 se reportan los resultados de los factores DIF_Q(i), F y RUME, adems se tiene una columna en donde se enuncia verbalmente el tipo de problema que tiene la imagen. Al analizar dicha tabla se encuentra que siempre que los valores de DIF-Q(i) son negativos los valores de RUME son negativos. Esto significa que hay una sobresegmentacin y que el algoritmo segmentador tiene una dispersin mayor en los niveles de gris en comparacin con el comportamiento del modelo de particulas que genera la segmentacin manual. Cuando RUME es positivo, los valores de DIF_Q(i) son positivos, esto implica que hay una subsegmentacin de la imagen. El caso ms critico, es la imagen C-19-29 (ver la Figura 7-6), la cual es una partcula en donde el algoritmo de segmentacin no logra generar la forma que el experto considera correcta, principalmente porque la regin tiene niveles de intensidad oscuros y brillantes al mismo tiempo. Otros casos donde se presenta una partcula brillante y una subvaloracin11 en la segmentacin son: la imagen A-001-22-08, la imagen E-19-31 aqu se presenta el peor caso por no reconocer una partcula brillante (ver imgenes en la Figura 7-7), lo cual se ve reflejando en un valor de F igual 0.99. Sin embargo, el valor de DIF_Q(i) no es tan grande como el reportado en C-19-29 . Por otro lado, cuando se analiza el comportamiento de las imgenes en
11

Subvaloracin de un algoritmo de segmentacin se debe entender como el hecho de detectar un rea menor a la rea detectada en la segmentacin manual.

100

las que se reporta desenfoque en todas se encontr que los valores de DIF_Q(i) siempre son negativos, indicando que el desenfoque es una respuesta que puede estar en unos niveles de gris determinados. Adems, en estas imgenes se presentan valores de F altos, lo que significa que el problema del desenfoque es una de las situaciones que ms manual influye en la diferencia del modelo de la segmentacin hecha por el experto y las segmentaciones generadas por el algoritmo

bimodal. El peor caso de desenfoque bajo el anlisis del factor F es la imagen E-1907, que tiene un valor de F=0.724. Aunque los factores utilizados para medir las diferencias entre la imagen herramientas

segmentada manual

contra la del algoritmo segmentador son

interesantes, hay un aspecto que no tocan y es el de la similitud en la forma. Los factores pueden dar valores que en trminos generales, se portan bien, sin embargo, se pueden tener diferencias en la forma que no se pueden reportar, esto es un punto que queda abierto para ser explorado. Estos factores de continuidad y de similitud espacial de los niveles de gris, se midieron para en las segmentaciones bimodales de las 37 imgenes que se utilizaron para estudiar la calidad de la segmentacin, en el ANEXO D se reportan las figuras de estos anlisis. Algunas ideas que surgen de analizar los resultados de los factores de percepcin enunciados anteriormente son: Se encontr, que en las imgenes que se utilizan para medir la granulometra, en las Figuras de similitud espacial de los niveles de gris del fondo, que genera el segmentador bimodal, aparecen unos picos de frecuencias altas alrededor de diferencias entre los valores de 10 a 20. Adems, cuando el desenfoque es marcado, las frecuencias para diferencias menores de 7 tienen valores inferiores, en comparacin a las otras curvas de imgenes que no tienen desenfoque.

101

Algunas muestras donde ocurre este fenmeno son: F-19-30 (ver Figura 7-8), G19-42, D-19-25. (Ver ANEXO D) Cuando se analizan las curvas de continuidad, se encuentra que en aquellas en las hay una tasa alta de decrecimiento, por ejemplo la muestra F-19-30, (ver Figura 7-9), estos resultados se relacionan con valores absolutos altos en el Factor de Dif_Q(i). Algunas muestras donde se observa este comportamiento son E-19-31, D-19-23, C-19-29, A001-19-11. Con la idea de conocer la pertinencia de los factores de percepcin en la diferenciacin del comportamiento de segmentaciones de una misma imagen, se compar las curvas de percepcin12 para segmentaciones manuales y las segmentaciones bimodales para las muestras del grupo A. Se encontr que la curva de continuidad del fondo, generado por los dos mtodos, son diferentes en su forma, y hay una especial diferencia en la tasas de decrecimiento de la a los valores de continuidad solo una curva tiene valores continuidad (Ver Figura 7-10). Para representar mejor las diferencias entre las continuidades, se presenta la Figura 7-11, donde segmentacin bimodal y se encuentra que de las segmentacin manual se les restan los resultados de continuidad de la positivos y es la muestra A-19-01. Cuando se analizan los resultados de Q y RUME de la Tabla 7-1, se observa que para esta muestra estos factores son negativos lo que indica una sobresegmentacin en la medicin de las partculas por parte del algoritmo bimodal, esto ocasiona que para la imagen segmentacin manual el fondo de esta bimodal, por lo tanto la es ms grande que el fondo de la segmentacin tasa de continuidad es menor para la segmentacin

manual. Otro elemento que se puede encontrar con las curvas de percepcin, es el que se observa con la curva de similitud espacial de los niveles de gris, la cual reporta diferencias entre las segmentaciones bimodal y manual

102

Tabla 7-1 Resultados de los Factores que evalan la segmentancin

D-19-16 D-19-23 D-19-25 E-19-07 E-19-31 E-19-32 F-19-13 F-19-14 F-19-22 F-19-25 F-19-30 G-19-9 G-19-13 G-19-15 G-19-28 G-19-42 H-19-08 H-19-18 H-19-19 I-19-08 I-19-13 C-19-03 C-19-06 C-19-29 A-001-19-01 A-001-19-05 A-001-19-11 A-001-19-12 A-001-19-15 A-001-20-01 A-001-22-08 A-001-20-03 B-002-19-15 B-002-19-25 B-002-22-02 B-002-22-07 Media Desviacin estndar

DIF_Q(i) = (Q(i)Man-Q(i)SEG) -9.97 156.8 -65.43 -24.68 90.58 -13.87 -22.82 -13.25 -2.26 -14.77 -70.03 -4.03 -10.52 0.02 -8.29 -97.54 -13.5 -4.09 -3.49 -32.43 -24.25 -1.68 -6.15 1996.2 -9.29 15.15 348.74 80.28 11.45 -14.82 1.88 -15.25 -60.58 25.91 3.3 19.8 61.309 339.689

F 0.15 0.39 0.337 0.724 0.99 0.47 0.367 0.15 0.022 0.525 0.131 0.313 0.408 0.002015 0.133 0.919 0.188 0.11 0.173 0.638 0.114 0.083 0.036 0.278 0.156 0.012 0.097 0.092 0.083 0.24 0.081 0.439 0.449 0 0.136 0.47 0.275 0.250

RUME -0.353 0.521 -0.735 -5.229 0.549 -1.768 -1.145 -0.349 -0.041 -2.201 -0.278 -0.883 -1.358 0.004022 -0.3 -17.164 -0.432 -0.244 -0.412 -3.516 -0.24 -0.176 -0.071 0.369 -0.369 0.023 0.177 0.168 0.116 -0.447 0.103 -0.94 -1.389 0 0.04 0.2 -1.049 2.986

Tipo problema

Desenfoque Desenfoque Partcula transparente Desenfoque Desenfoque Desenfoque Desenfoque Desenfoque Desenfoque Desenfoque Desenfoque

Desenfoque

Desenfoque Desenfoque

Partcula transparente

12

Cuando se habla de curvas de percepcin, se refiere a la curva de continuidad y la curva de similitud espacial de los niveles de gris.

103

6A

6B

Figura 7-6 Imgenes de la muestra C-19-29. Fig. 6-A imagen en niveles de gris Fig. 6-B imagen resultante de la segmentacin

bimodal

7A

7B

7C

Figura 7-7 Imgenes de la muestra E-19-31. Fig. 7-A imagen en niveles de gris Fig. 7-B imagen resultante de la segmentacin imagen segmentacin manual

bimodal Fig 7-C

104

CARACTERISTICAS DEL FONDO (similitud nivel de gris) Probabilidad de ocurrencia 0.25 0.2 0.15 0.1 0.05 0 0 F-19-13 5 10 15 F-19-22 20 25 30 F-19-30 35 Diferencia del nivel de intensidad F-19-14 F-19-25

Figura 7-8 Resultados del anlisis de la similitud de nivel de gris para el grupo F

CARACTERISTICAS DEL FONDO (Continuidad)

1 Probalidad promedio continuidad 0.99 0.98 0.97 0.96 0.95 0 F-19-13 4 F-19-14 8 F-19-22 12 16 F-19-25 20 F-19-30 Distancia de dilatacin

Figura 7-9 Resultados del anlisis de continuidad para las muestras del grupo F

105

cuando los valores de la Dif_Q(i) son altos.

Este efecto

se refleja en

diferencias en la forma de las frecuencias en el rango de las diferencias en el nivel de intensidad que estn por debajo de 10. Este caso ocurre para las muestras A-001-19-11 y A-001-19-12.( ver Figura 7-12). Para ver el caso donde las frecuencias no cambian se tiene la muestra A-001-19-01 y A-001-1905, que se observan en la Figura 7-13. Con lo anterior se prueban las posibilidades que tienen los factores de percepcin para comparar imgenes segmentadas entre s, y dar elementos para el anlisis del desempeo de la segmentacin.

- Los factores de percepcin, y sobre todo el de continuidad, permiten abordar

uno de los problemas que qued abierto en los factores que evalan las caracertsticas de la segmentacin. Y es el de la necesidad de tener una forma de las herramienta que permita medir las diferencias en la

segmentaciones comparadas. Para analizar esto se crearon tres imgenes, una de ellas es un cuadrado el cual se considera la segmentacin manual, y por tanto la imagen correcta del objeto analizado. Las otras dos imgenes son el mismo cuadrado al cual se le extrajeron unos pequeos cuadrados, las imgenes generadas se pueden ver en Figura 7-14. En la Tabla 7-2 se muestran los valores obtenidos para los factores que califican la calidad de la segmentacin, se puede decir que aunque se detect una diferencia entre las dos imgenes de prueba, los resultados estn cercanos entre s y es difcil decidir sobre la diferencia en las imgenes. Cuando se utiliza la curva de continuidad (Figura 715), se observa una diferencia entre los objetos analizados, aunque se puede decir que cualitativamente la forma de las curvas es similar, sin embargo, la imagen del cuadrado 1 tiene la curva de continuidad ms cerca a la terica cuadrado, fuera de tener los valores de F y RUME ms prximos a cero. De lo anterior se puede decir que la curva de continuidad puede ser un elemento ms para distinguir diferencias en la forma cuando se comparan segmentaciones.

106

CARACTERISTICAS DEL FONDO (continuidad) SEGMENTACION BIMODAL

1 Probalidad promedio continuidad 0.99 0.98 0.97 0.96 0.95 0 4 A-001-19-01 8 12 A-001-19-05 16 20 A-001-19-12 Distancia de dilatacin

B
1 Probalidad promedio continuidad 0.99 0.98 0.97 0.96 0.95 0

CARACTERISTICAS DEL FONDO (continuidad) SEGMENTACION MANUAL

4 A-001-19-01

12 A-001-19-05

16

20 A-001-19-12

Distancia de dilatacin

Figura 7-10 Resultados de las curvas de continuidad. Fig 10-A Continuidad segmentacin bimodal Fig.10-B Continuidad segmentacin manual
DIFERENCIA ENTRE LAS PROBALIDADES DE CONTINUIDAD DE LA SEGMENTACION MANUAL CONTRA LA SEGMENTACION BIMODAL 11 13 15 17 19 21 0.015 0.01 0.005 0 -0.005 -0.01 -0.015 -0.02 -0.025 A-19-01 A-19-05 DISTANCIA A-19-11 A-19-12 A-19-15 23 1 3 5 7 9

Figura 7-11 Curva de la diferencia de la probabilidad continuidad entre la segmentacin manual y la bimodal

DIFERENCIA

107

CARACTERISTICAS DEL FONDO (similitud nivel de gris) SEGMENTACION BIMODAL 0.2 Probabilidad de ocurrencia 0.15 0.1 0.05 0 0 5 10 15

A
0.2 Probabilidad de ocurrencia 0.15 0.1 0.05 0
20

CARACTERISTICAS DEL FONDO (similitud nivel de gris) SEGMENTACION MANUAL

10

15 A-001-19-12

20

Diferencia del nivel de intensidad A-001-19-11 A-001-19-12

Diferencia del nivel de intensidad A-001-19-11

Figura 7-12 Curvas de similitud espacial de nivel de gris que muestran diferencias. 12-A curvas de la segmentacin bimodal 12B curvas de la segmentacin manual

CARACTERISTICAS DEL FONDO (similitud nivel de gris) SEGMENTACION BIMODAL 0.25 Probabilidad de ocurrencia

A
0.25 Probabilidad de ocurrencia 0.2 0.15 0.1 0.05 0

CARACTERISTICAS DEL FONDO (similitud nivel de gris) SEGMENTACION MANUAL

0.2 0.15 0.1 0.05 0 0 5 10 15 A-001-19-05 20 Diferencia del nivel de intensidad A-001-19-01

10

15 A-001-19-05

20

Diferencia del nivel de intensidad A-001-19-01

Figura 7-13 Curvas de similitud espacial de nivel de gris que no muestran diferencias. 13-A curvas de la segmentacin bimodal 13B curvas de la segmentacin manual

108

Figura 7-14 Figuras de prueba para evaluar la relacin entre los factores de calidad de la segmentacin y las curvas de continuidad . Fig. 14-A Cuadrado Fig 14-B Cuadrado 1. Fig 14 C Cuadrado 2.

109

Tabla 7-2 Factores de evaluacin de segmentacin para cuadrados de prueba. Factor F RUME Segmentacin Cuadrado 1 0.073 0.135 Cuadrado 2 0.077 0.142

Para terminar y considerando la idea: de que se obtienen ventajas de utilizar los factores de calidad de la segmentacin acompaados con la curva de percepcin de la continuidad; se hace una prueba con la que se quiere evaluar el efecto que se puede tener por el hecho de utilizar un tipo de espacio de color combinado, con un mtodo especfico para convertir una imagen a color en niveles de gris. Para esta experienca se tom la imagen A-19-01, la cual fue capturada en color (RGB). A partir de esta imagen se generaron varias imgenes en los espacios de color (HSI), (HLS),(HSV), de los cuales se generaron imgenes en niveles de gris tomando las componentes (I), (L), (V) del espacio respectivo. Adems, se gener una imagen en niveles de gris resultante de promediar las componentes R, G y B. Las imgenes en niveles de gris fueron segmentadas utilizando el algoritmo OTSU y para la imagen en gris del software LEICA tambin se utiliz el algoritmo bimodal13. Los Factores Dif_Q(i), F, RUME se calcularon confrontando las imgenes segmentadas contra una segmentacin manual. A todas las imgenes segmentadas se les midi el factor de continuidad. En la Tabla 7-3 se presentan los resultados de los factores de calidad y en la Figura 716 se presentan las curvas de continuidad. Al analizar la informacin anterior se puede decir, que tanto el espacio de color que se utilice como la conversin de niveles de gris son elementos que afectan las caractersticas de la imgenes segmentacin. Sin embargo, tambin se puede segmentadas provenientes del mtodo de LEICA, decir que las

13

Nota el anlisis de granulometra utiliz la conversin en niveles de gris del programa LEICA y sobre esta se utiliz una segmentacin bimodal

110

CARACTERISTICAS DEL FONDO (Continuidad)

Probalidad promedio continuidad 1 0.95 0.9 0.85 0.8 0 4 8 12 16 20 Distancia de dilatacin
Cuadrado Cuadrado 1 Cuadrado 2

Figura 7-15 Curvas de continuidad para los cuadrados de prueba utilizados para evaluar la relacin entre los factores de calidad de la segmentacin y las curvas de continuidad .

CARACTERISTICAS DEL FONDO (Continuidad)

Probalidad promedio continuidad 1 0.99 0.98 0.97 0.96 0.95 0 4 8 12 16 20 Distancia de dilatacin
LEICA OTSU INTENSITY OTSU LEICA BIMODAL LIGHNESS OTSU VALUE OTSU

Figura 7-16 Curvas de continuidad para imgenes segmentadas provenientes de diversos formatos de color .

111

y de las componentes L e I, presentan una misma forma ya que tienen unas curvas de continuidad muy similares. As, las diferencias que reporta el factor F para estas imgenes respecto a la imagen de la segmentacin manual, se debe al mtodo de segmentacin OTSU y no a la conversin a niveles de gris, otra que conclusin es que para la imagen en niveles de gris generada por el software LEICA, el mtodo OTSU tuvo un mejor desempeo que el mtodo bimodal.

Tabla 7-3 Factores de evaluacin de segmentacin aplicados a los casos de espacios de color y conversiones de niveles de gris.

FACTOR

DIFERENCIA Q(I)

RUME

TIPO DE IMAGEN
-9.29 Leica Bimodal Leica Otsu (L) Litghness Otsu (I) Intensity Otsu (V) Value Otsu -7.71 -8.79 s-8.9 -11.62 0.137 0.153 0.152 0.191 -0.313 -0.352 -0.356 -0.449 0.156 -0.369

7.3.2

DISEO ESPECIFICO DE SEGMENTACIONES

En las segmentaciones de prueba, resultantes de aplicar el algoritmo bimodal, se detectaron varios problemas: partculas oscuras desenfocadas detectadas, partculas pequeas no detectadas por el nivel de intensidad y partculas transparentes no detectadas. Para el desarrollo de la segmentacin especfica, es importante incorporar a las estrategias de segmentacin la idea: de que las partculas son zonas

de pixeles conectados, de modo que slo si se tienen bordes cerrados es posible

generar una partcula binaria que represente este objeto en la imagen. Bajo la idea anterior se utilizaron los procedimientos de la algoritmos que trabajan la deteccin morfologa matemtica, sobre de bordes, con esto se solucionan los

112

problemas que la segmentacin bimodal (basada en pixeles) no logr resolver. Para lo anterior se desarrollaron dos algoritmos cuyos esquemas de funcionamiento se presentan en las Figuras 7-17 y 7-18 . El primer algoritmo esta en la (Figura 7-17), trabaja parael caso de las partculas pequeas de niveles de gris intermedio no detectadas pero que tienen borde bien definido y adems elimina las partculas desenfocadas. Para esto se utiliza la imagen en niveles de gris, la cual se transforma en tres imgenes: una que es una segmentacin bimodal, otra imagen que es una segmentacin multinivel resultante de utilizar el algoritmo Neurothresholding (PAPAMARKOS) y de esta imagen se genera una imagen que es una segmentacin bimodal local basada en la estrategia de Bersen, por ltimo se transforma la imagen de niveles de gris por medio del detector Sobel. De todas esas imgenes se generan imgenes binarias sobre las cuales se realizan operaciones de morfologa matemtica, con las que se trata de cerrar contornos y detectar partculas. Adems se aplican una serie de operadores lgicos. El resultado de todas estas operaciones es encontrar dos conjuntos de partculas: el conjunto de partculas desenfocadas que se restan de la segmentacin bimodal y el conjunto de las partculas pequeas se suman a la imagen bimodal. El segundo algoritmo utiliza tres imgenes: la imagen de la segmentacin bimodal bimodal, la imagen que se genera de hacer una segmentacin de CANNY y la imagen que result de aplicar el procedimiento Figura 7-17. De estas imgenes se obtienen las imgenes binarias a las que se les aplican operaciones morfolgicas y operaciones lgicas. De esto resulta el conjunto de partculas que son brillantes y que no haban sido detectadas. En las Figuras 7-19 y 7-20 se muestran algunas de las imgenes que se utilizan o se obtienen de los algoritmos anteriores.

113

IMAGEN NIVELES DE GRIS Imagen segmentada bimodal Segmentacin multinivel Neurotresholding Segmentacin Local (Bersen) B2
Operaciones morfologa matemtica, Lgica binaria imgenes

Imagen Sobel

B1

B3
Conocimiento criterio partcula

Conjunto 1:partcula desenfocadas (resta) de la

bimodal

Conjunto 2:partculas pequeas

nivel gris intermedio , bordes bien definidos

Figura 7-17 Esquema de la segmentacin especifica para solucionar el problemas de partculas desenfocadas y partculas grises pequeas no detectadas.

IMAGEN NIVELES DE GRIS Imagen segmentada bimodal Imagen CANNY Imagen Corregida

B1

Conocimiento criterio partcula

B2

B3

Operaciones morfologa matemtica, Lgica binaria imgenes

Conjunto 3: partculas transparentes (borde caractersticas

similares

Figura 7-18 Esquema de la segmentacin especfica para solucionar el problemas de partculas transparentes

114

Fig. -A

Fig. B

Fig. -C

Fig. -D

Fig. E

Fig. -F

Figura 7-19. Imgenes del proceso de segmentacin especfico. Fig 19-A imagen a color de la muestra a medir. Fig 19-B imagen en niveles de gris. Fig 19-C Segmentain bimodal de la Fig 19-B. Fig. 19D Segmentacin Neurothresholding Fig 19-E Segmentacin Canny. Fig 19-F segmentacin Bersen de la Fig 19-D

115

Fig A

Fig. B

Fig. -C

Fig. D

Fig. -E

Figura 7-20. Imgenes del proceso de segmentacin especfico. Fig 20-A Borde de la segmentacin bimodal y otras particulas. Fig 20-B Correccin del borde bimodal. Fig 20-C Sobel de la Fig 19-B. Fig. 20D Segmentacin Bersen de la Fig 19-C Fig. 20-E Partcula transparente mas zona desenfocada

116

7.4

CARACTERIZACION DEL MATERIAL PARTICULADO CON MICROSCOPIA OPTICA

Para la caracterizacin del material particulado de las ciudad de Medelln, usando la microscopa ptica, bajo diferentes es necesario estudiar el comportamiento de las partculas condiciones de iluminacin (luz trasmitida, luz transmitida

polarizada, luz reflejada, luz reflejada fluorescente), dependiendo de las repuestas el objeto puede ser clasificado en uno u otro grupo. La formalizacin de estos resultados se observan en las Figuras 7-21, 7-22 y 7-23, en donde se muestran en rboles de decisin las caractersticas que tienen los tres grupos de partculas en los que se pueden clasificar el material particulado. Estos grupos son: partculas Un punto orgnicas, partculas residuos de combustin, partculas minerales.

importante es el manejo de la informacin y para esto vale la pena decir que las imgenes se toman en el formato RGB, de aqu cada condicin se representa en una imagen en niveles de gris, luego se vuelve a construir una imagen en RGB, pero que combina las diferentes condiciones de observacin as: por el canal Red, se coloca la imagen en niveles de gris de la condicin de luz transmitida polarizada, en el canal Green, se coloca la imagen en gris de las observaciones de luz reflejada, en la imagen Blue, se coloca la imagen de luz transmitida. Para las partculas de residuos de combustin la imagen de luz reflejada se utiliza en el canal Red remplazando la imagen de luz transmitida polarizada. Ejemplos de diferentes casos de caracterizacin se encuentran en la Figura 7-24, en donde la sigla Org indica las partculas orgnicas, de las cuales se pueden tener dos tipos: aquellas que slo tienen luz fluorescente, su imagen de respuesta genera un color verde. Y aquellas que tienen una repuesta a la luz polarizada, adems de la condicin fluorescente

generando un color rosado. La sigla Res (residuo de combustin) estas partculas tienen un comportamiento rojizo debido a que las caractersticas de luz reflejada

117

permiten identificarlas. Las partculas minerales

que tienen un comportamiento

rosado y un fondo azul, se identifican con la sigla Min. (Mineral). Uno de los problemas que se deben trabajar en este punto de la representacin

multiespectral, es la influencia que pueden tener los espacios de color y los mtodos de conversin a niveles de gris, ya que para un mismo mtodo de segmentacin esto puede traer problemas. La Figura 7-25 C tiene una baja intensidad debido al mtodo de promediar los niveles de gris que utiliza el software LEICA, a diferencia de la Figura 7-25D que tiene una mayor intensidad. Las diferentes imgenes de segmentacin se alejan del comportamiento mostrado en la imagen manual. Cuando se analizan con los factores de calidad de segmentacin se encuentra que la ms cercana a la segementacin manual es la imagen de la Figura 25-F. La Figura 25E presenta un problema se subvaloracin de la zona real de la partcula, lo cual lleva a considerar que utilizar el mtodo de conversin a niveles de gris de LEICA puede generar problemas en la segmentacin de imgenes multiespectrales. La Tabla 7-4 reporta los valores de calidad de la segmentacin para las imgenes mostradas en la Figura 25. De lo anterior se concluye, que para el estudio de caractersticas de las partculas, es necesario adelantar pruebas en los espacios de color, para establecer en que estado funcionan mejor las segmentaciones de dichas imgenes.

7.5

DESCRIPCION DEL MATERIAL PARTICULADO UTILIZANDO LA MICROSCOPIA SEM. fueron presentados en (RESTREPO 2003). Para

Los resultados de esta seccin

poder elaborarlos se utilizaron muestras pulidas de concentraciones del material particulado, las imgenes fueron generadas con el electrones rectroproyectados, en donde las diferencias de nivel de intensidad de la imagen cualitativamente indican diferencias en el peso atmico de las muestras. Se tomaron 37 imgenes de distintas partculas de varias estaciones de Monitoreo de la Ciudad. Las imgenes

118

Anlisis para partculas orgnicas

A lta flu o r e s c e n c ia SI

C2
NO

T r a n s lu c id o

C3
NO

M e n o s p r o b a b le d e s e r o r g n ic o

SI

A n is o tr p ic o

C1
SI NO

F o rm a re d o n d a e lip s o id e , e s q u in a s re d o n d e a d a s

NO

SI

P o s ib le g r a n o d e p o le n (T ip o B )

O r g n ic o p o s ib le (p a r te in s e c to , a c e ite ) T ip o C

O r g n ic o p o s ib le (p a r te in s e c to , a c e ite ) T ip o A

F o rm a re d o n d a e lip s o id e , e s q u in a s re d o n d e a d a s SI

NO

P o s ib le g r a n o d e p o le n

O r g n ic o p o s ib le (p a r te in s e c to , a c e ite ) T ip o B

Figura 7-21 Esquema para la caracterizacin de partculas orgnicas

Anlisis para partculas minerales

C2
Alta

Alta In te n s id a d a n is o tro p ia SI

C1

NO

F lu o re s c e n c ia B a ja n in g u n a

M e n o s p ro b a b le d e s e r m in e ra l

N o m in e ra l C o lo r n e g ro

B a jo lu z tra n s m itid a

C3

T ra n s p a re n te

C o lo r M in e ra l tip o 2 p le o c ro ic o

C4
SI

R e p u e s ta a lta m e n te re fle c ta n te NO

C4

R e p u e s ta a lta m e n te re fle c ta n te

NO F o rm a re d o n d a F o rm a p o lie d ro s F o rm a p o lie d ro s SI

R e s id u o c o m b u s ti n (c a ld e ra )

P o s ib le g ra n o d e c a rb n s in quem ar

F o rm a re d o n d a M in e ra l g ru e s o P o s ib le b u rb u ja

F o rm a p o lie d ro s

M in e ra l tip o 1

Figura 7-22 Esquema para la caracterizacin de partculas minerales

119

Anlisis para partculas residuos combustin

F lu o r e s c e n c ia

C2
N o

Si

N o e s r e s id u o

B a jo lu z t r a n s m it id a

C3

Opaco SI N o F o rm a re d o n d a R e p u e s ta SI e n te C4 raelftlaem c ta n te SI N O

F o rm a re d o n d a

Ir r e g u la r p r o b le m a e n fo q u e

F o rm a p o lie d r o s

M in e r a le s r e s id u o s c o m b u s t i n c a rb n

R e s id u o c o m b u s t i n ( c a ld e r a )

M in e r a l g ru e s o R e s id u o c o m b u s t i n d e c a rro s

Figura 7-23 Esquema para la caracterizacin de partculas de residuos de combustin

fueron clasificadas segn la composicin, que se obtuvo de realizar microqumico con la sonda EDX. Cuando se analizan

un anlisis

relaciones de Si2O/Al2O3

CO/Si2O, se pueden agrupar las partculas como se muestra en la Tabla 7-5. En la Figura 7-26 se muestra un ejemplo de las partculas que forma un grupo. Para analizar las imgenes se aplic el algoritmo OTSU, manual para acompaado de una edicin les separar las partculas de inters. A las imgenes binarias se

analizaron los factores de forma con que contaba el LEICA, en especial los que permiten medir la circularidad, con el inters de detectar las partculas que pueden tener origen como residuo de combustin.

120

Org

Org

Org

Bur

Org Org Min Org Org

P1 Min Org Min Min

Org

Res

Res

Figura 7-24 Casos de diferentes tipos de partculas observadas bajo una representacin multiespectral de las condiciones de iluminacin.(Min) partcula mineral, (Org) partcula orgnica, (Res)partcula residuo combustin. (Bur) en esa imagen hay una burbuja

121

Figura 7-25 Imgenes para mostrar el problema de la conversin a niveles de gris provenientes de diferentes espacios de color. Fig A imagen multiespectral Fig. B segmentacin manual de partcula, Fig C imgenes de promediar las intensidades de la imagen A. Fig D imagen A en el canal Value del espacio (HSV) Fig E segmentacin OTSU imagen Fig C. Fig.F segmentacin OTSU de la imagen Fig D. Fig G segmentacin OTSU de la conversin I,espacio (HSI). Fig. H segmentacin OTSU de la conversin L espacio (HLS)

122

Tabla 7-4 Factores de evaluacin de segmentacin aplicados a los casos de espacios de color y conversiones de niveles de gris de imgenes multiespectrales F RUME

FACTOR
TIPO DE IMAGEN

DIFERENCIA Q(i)

288.46 Leica Otsu Litghness Otsu Intensity Otsu Value Otsu -177.04 -29.96 -137.6

0.226 0.102 0.331 0.087

0.282 -0.142 -0.025 -0.111

En los factores de forma: redondez, relacin de aspecto y relacin de llenado las circunferencias tienen que ser uno, lo cual ocurre con las partculas que tienen este comportamiento en las imgenes analizadas. Sin embargo, cuando las partculas son redondas y tienen poros, su relacin permetro rea cambia y el factor redondez se aleja de uno. El factor relacin de llenado tambin se aleja de uno y tiende a cero a medida que la partcula es ms irregular, lo cual se puede entender como una evidencia de que se tiene una partcula porosa. Adems de las partculas redondas, se puede identificar las partculas alargadas cuando las relacin de aspecto se aleja de uno, lo cual se encuentra en algunos casos.

Debido a que en las partculas la porosidad es importante se medir la fraccin de poros que tiene cada partcula utilizando la siguiente ecuacin:

FraP =

Area _ de _ poros *100 Area _ de _ particula _ llena

El Area_de_partcula_llena es el rea de la partcula si al interior de ella no hubiera poros, para medir esto se utilizo una representacin del convexo de la partcula. El Area_de_poros es el rea de todos los poros que estn al interior de la partcula.

123

En la Tabla 7-6 se muestran los resultados para

las diferentes partculas que

presentan porosidad en la imagen. La fraccin de las paredes es cunto material tiene realmente la partcula. Ya que es interesante conocer cmo es la distribucin de esos poros, se utiliz la estrategia de morfologa matemtica planteada en el captulo 6. Los resultados se encuentran en la Figura 7-27, en donde se observan diferentes distribuciones que estn relacionadas a la forma, si se compara con las imgenes analizadas, las cuales se pueden observar en la Figura 7-28. Una conclusin importante en esta seccin es que cuando se combina el anlisis qumico, con las caractersticas de las imgenes, se encuentran ciertos comportamientos que permiten lanzar altas tienen bajos niveles de intensidad un residuo de combustin. hiptesis que relacionan la forma con los y en ellas se encuentra cualitativamente

elementos que las componen. Por ejemplo: las partculas porosas con fracciones mayores cantidades de carbono como elemento. Lo que se puede interpretar como

124

Tabla 7-5 resultados de los factores de forma para las partculas analizadas (SEM) NOM. PART. REDONDEZ RA. ASPECTO RA. LLENA 1.425 1.718 0.89 1 MP1PA1 6.563 1.64 0.907 2 MP5P5R1 2.5 0.744 3 MP2PA2B 2.5 1.891 1.665 0.908 4 MP1PE1 5 MP3PE3 1.093 1.11 0.982 21.559 1.322 0.834 6 MP3PEX1 7 MP3PE2 1.121 1.053 0.979 1.736 0.811 8 MP3PAR1 2.795 0.918 9 MP3PEL1 1.493 1.69 2.828 1.341 0.858 10 MP3PA2 11 MP2PE1 1.6 1.181 0.964 1.538 0.842 12 MP2PA4 14.563 1.747 0.741 13 MP3PAP1 10.592 6.66 1.388 0.864 14 MP2PP1 1.319 0.815 15 MP2PP2G 25.908 1.975 1.303 0.93 16 MP3PE1PE 1.386 0.718 17 MP5PPSR1 20.862 1.614 18 MP2PP3 36.798 0.563 19 MP5PPR1 44.561 1.195 0.639 8.286 0.405 20 MP1FV1 4.858 1.185 0.751 21 MP4PPA1 62.733 22 MP4PRA1 16.633 1.155 0.582 1.475 23 MP5C1 11.112 0.479 8.619 1.549 0.872 24 MP4PA4 8.466 1.775 0.81 25 MP4PA2 3.753 1.71 0.837 26 MP1PA7 8.728 0.699 27 MP4PAF1 2.455 2.056 0.813 28 MP4PA3 2.686 7.649 1.336 0.478 29 MP4PAR1 6.791 1.306 0.872 30 MP4PS1 31 MP4PE1 1.888 1.133 0.973 1.381 1.918 0.901 32 MP1PA5 1.892 0.8 33 MP4PA1 2.877 2.187 0.79 34 MP1PP1 3.253 0.884 35 MP1PP2 4.242 1.166 9.699 2.301 0.754 36 MP2PA6 1.482 0.842 37 MP5PPA1 18.883

Grupo Grupo A Grupo A Grupo B Grupo B Grupo B Grupo B Grupo B Grupo B Grupo B Grupo B Grupo B Grupo C Grupo C Grupo C Grupo C Grupo C Grupo D Grupo D Grupo D Grupo E Grupo E Grupo E Grupo E Grupo E Grupo E Grupo E Grupo E Grupo F Grupo F Grupo F Grupo F Grupo F Grupo G Grupo G Grupo H Grupo H Grupo I

125

Figura7-26 Partculas que conforman el Grupo B y que tienen composiciones similares. Tabla 7-6 Fraccin de porosidad para diferentes partculas NOMBRE. % POROS 1 MP3PA2 3 MP4PS1 4 MP2PA6 7 MP2PP1 9 MP4PA4 11 MP5PPA1 12 MP1PP2 18 MP3PEX1 26 MP2PP2G MP3PAP1 MP2PP3 MP5PPSR1 MP5PPR1 MP4PRA1 34 46 47 51 65

% PAREDES 99 97 96 93 91 89 88 82 74 66 43 54 49 35

126

CURVAS DE CARACTERIZACION DE POROS

100 90 80 70 60 50 40 30 20 10 0 0 50 100 Distancia en pixeles MP3PEX1 MP2PP2G MP5PPR1 MP5PPSR1 MP5PSR1 Figura 7-27 Distribucin de la porosidad calculada por el mtodo de la morfologa matemtica para las partculas analizadas. 150 200 Volumen acumulado (%)

Figura 7- 28 Imgenes de las partculas porosas

analizadas

127

SECCION IV: CONCLUSIONES

128

8 CONCLUSIONES
Las conclusiones se pueden agrupar en grandes temas as: 1. Para la etapa de bajo nivel se concluye: La utilizacin de la varianza, permiti detectar diferencias entre las imgenes a color formadas en tiempos distintos, pero estas variaciones no se debieron a la cmara, sino a la vibracin del microscopio, lo que gener un desplazamiento relativo de los objetos en la imagen, que se reflej de una manera marcada en los resultados de la varianza. La cmara Pixera 150es, respondi bien a las diferentes condiciones de iluminacin utilizadas, esto se debe a las caractersticas que tiene: en la ganancia de intensidad a condiciones de baja iluminacin y al buen desempeo en relacin al ruido. La promediacin de 16 cuadros por imagen, fue el procedimiento que menor varianza tuvo, sin embargo, debido al tiempo que requiere este, la promediacin de 4 cuadros por imagen, se puede utilizar con un buen desempeo. Se hall que las operaciones de enfoque de las imgenes por parte del operario, es un procedimiento que aumenta el coeficiente de variacin, y esto se refleja principalmente en los resultados del permetro. La representacin multiespectral, en donde se incorporaron las imgenes de las diferentes condiciones de iluminacin (Luz transmitida, luz trasmitida polarizada, luz reflejada, luz reflejada fluorescente), fue una herramienta que posibilit, que a travs de la visin artificial, la microscopa ptica pudiera clasificar diferentes tipos de partculas (residuos de combustin, materia orgnica, material mineral).

129

Se encontr que el coeficiente de variacin CV, planteado en la etapa de bajo nivel, es una herramienta fundamental para definir las posibilidades que se tienen con la microscopa ptica y la cmara CCD, y especialmente en el problema relacionado de hallar los lmites en los cuales se pueden medir los tamaos de las partculas. As, que se estableci, que para el caso del objetivo de 100x, las medidas por debajo de cinco pixeles (0.96 micras), no se deben considerar correctas, pues se presentan valores muy altos en el CV.

2. Para la etapa de la segmentacin y su evaluacin se concluye: La descripcin de la percepcin y la semntica: de las caractersticas de la imagen, los tipos de problemas que se tienen en la segmentacin los elementos que componen la imagen. Esto acompaado de la utilizacin de factores que miden la calidad de la segmentacin como: aplicadas en las Dif_Q(i), F y RUME. Adems de las estrategias Gestalt de continuidad y de similitud de los niveles de gris imgenes segmentadas. Todo esto en conjunto permiti orientar el desarrollo de la segmentacin especifica en especial, para el caso de las imgenes utilizadas en al medicin de la granulometra. Tanto en la estrategia cuantitativa para evaluar la segmentacin, como la estrategia cualitativa, se encontr que los algoritmos de segmentacin responden de manera distinta a las caractersticas de la imagen. Adems, se encontr que el algoritmo bimodal tiene un buen desempeo en imgenes como las utilizadas para medir granulometra. Y el algoritmo OTSU funcion para las imgenes generadas en el microscopio SEM. Sin embargo, es necesario una edicin manual una segmentacin multiobjetivo, para poder definir partculas de inters en la imagen.

130

Se encontr, que para el desarrollo de la segmentacin, cuando se tienen diversos casos en la imagen cuando se tienen varias metas a lograr, el dividir el proceso en las pasos facilita la organizacin del proceso en cual se disea una segmentacin que se aproxima a las caractersticas de la segmentacin manual. Las etapas necesarias son: Etapa 0, en donde se describe de la imagen. Etapa 1, que hace una evaluacin de todos los algoritmos de segmentacin disponibles sobre imgenes de CASOS MACRO. La Etapa 2 donde se disean las segmentaciones especficas.

Se concluye, que en las diversas imgenes analizadas, para separar las partculas del fondo de la imagen, se requiere de estrategias de segmentacin basada en pixeles, tanto globales (algoritmo bimodal), como locales (neurothresholding, Bersen). Adems de estrategias de segmentacin basadas en bordes (Canny,Sobel). Todo esto acompaado de la morfologa matemtica, con la cual se procesaron las imgenes aprovechando el concepto de partcula.

3. Para la etapa de los factores de forma se concluye: Se logr plantear una serie de estrategias con las que se pueden estudiar las caractersticas de la forma de las partculas, para esto usaron tcnicas tales como: la transformada de Hough, que permiti calcular la angularidad, los factores de forma tradicionales, e identificar los puntos con los que se construye el convexo de las partculas. Otra algunas partculas. Cuando los factores como la redondez, la elongacin y la relacin de llenado tienden a uno, se puede identificar una circunferencia en la imagen. Pero cuando la redondez y el factor de llenado se alejan de tcnica importante que se utiliz la morfologa matemtica y sirvi para construir curvas de porosidad que describen

131

uno y la elongacin es cercana a uno, la partcula se puede definir como circular pero porosa. 4. Para los resultados en relacin al problema del estudio del material
particulado se concluye:

Se encontr que las curvas granulomtricas se afectan por el tipo de elemento estructurante utilizando morfologa matemtica. Adems, entre las estrategias trabajadas hay diferencias en los resultados de las curvas granulomtricas obtenidas. Por esto es importante considerar los resultados de la distribucin de tamaos con cautela, en relacin a su pertinencia en el problema del material particulado.

Se hall, que para

analizar las curvas

granulomtricas tanto el

grfico de rea bajo la curva y el grfico de la entropa, son unas herramientas que facilitan la visualizacin de las diferencias entre las imgenes estudiadas. Los factores de calidad de la segmentacin Dif-Q(i) y RUME indican los problemas globales que puede presentar una imagen segmentada, por ejemplo: si la imagen tiene problemas de sobresegmentacin o subsegmentacin. Con el factor F, debido a la manera como se calcula, es posible identificar independientemente cada uno de estos problemas. Los factores de percepcin de continuidad permitieron comparar las imgenes resultantes de los diversos mtodos de segmentacin y establecer, en ellas si hay diferencias espaciales o en la forma de los objetos segmentados. Adems, con el factor de diferencia de niveles de gris, fue posible detectar en las imgenes problemas debidos al desenfoque. Se hall, que dependiendo del espacio de color que se utilice y el mtodo de conversin a niveles de gris, se afecta el desempeo de los algoritmos de segmentacin. Teniendo un efecto negativo, estudiadas

132

principalmente en las imgenes multiespectrales que se convierten a gris, y en especial las que utilizan el mtodo Leica. Las imgenes de las partculas pulidas observadas en microsocopa SEM, cuando son analizadas composicionalmente con la sonda EDX, y a esto se le combina informacin de la forma, de la porosidad y del nivel de intensidad, es posible con esto, hallar diferencias de diversos grupos en las partculas del material de la contaminacin de la ciudad de Medelln.

133

SECCION V: INFORMACION FINAL

134

9 REFERENCIAS BIBLIOGRAFICAS
(ADE 1996) ADE, H. et. al. Observation of polymer birefringence in Near-Field Optical Microscopy. American Chemical Society. Vol 12 No.2 January 1996 (ALVAREZ 1997) ALVAREZ, D. et al. Unbiased methods for the morphological description of char structures. Fuel. Vol 76 No.13 (1997) (ARANGO F 2003) ARANGO F, Avance en el estudio de la materia orgnica sedimentaria utilizando herramientas de anlisis de imagen. VIII Simposio de Tratamiento de Seales, Imgenes y visin artificial. Nov. 2003 (ARAUJO) ARAUJO, A. et. al. Unsupervised image segmentation based the wavelet textural analysis and neural networks. Universidade Federal De Minas Gerais. (ASTM 1994)ASTM D420 standard test method for airborne asbestos concentration in workplace atmosphere (ASTM D1535-89)ASTM D1535-89 Standard test method for specifying color by Munsell system. Annual Book of ASTM. (ASTM D1729-89) ASTM D1729-89 Standard practice for visual evaluation of color differences of opaque materials. Annual Book of ASTM. (ASTM E308-90) ASTM E308-90 Standard test method computing the color of objects by using the CIE system. Annual Book of ASTM. (AYALA 2001) AYALA G., DOMINGO J. Spatial Size Distribution: applications to shape and texture analysis.IEEE PAMI Vol 23 No.12 December 2001 (BARIANI) BARIANI. M. et. al Data mining for automated visual inspection. University Ferrara. (BARNARD 2001) BARNARD, K. et. al. Camera characterization for color research. Color Research and Application 2001 (BARNDORFF-NIELSEN 1999) BARNDORFF-NIELSEN, O. Et. al. Stochastic Geometry. Likelihoold and computation. CHAPMAN& HALL/CRC Boca Raton 1999 (BARRANCO 2003) BARRANCO, R. et. al. Prediccin del comportamiento a la combustin de algunos carbones suramericanos en un reactor tubular vertical. VI Congreso Nacional de Ciencia y Tecnologa del Carbn. Medelln 2003

135

BARRANCO-LOPEZ) BARRANCO-LOPEZ, V. et.al. A measure of quality for evaluation methods of segmentation and edge detection. Universidad de Granada. (BEDOYA 2002) BEDOYA J., et. al.. Characterized matter particulate TPS of Medellin used image analysis AWWA 95th conference Balthimore 2002 (BELLO 2000) BELLO A. 2000. The Effect of Diesel Properties on the Emissions of Particulate Matter, CT&F vol2 no.1 (BHALERAO 2000) BHALERAO,A.et.al.Unsupervised Image Segmentation Combining Region and Boundary Estimation http://www.dcs.warwick.ac.uk/~abhir/research/papers/unsupervised.pdf (BLANDON 2002-2) BLANDON M. A. et.al. Caracterizacin del material particulado presente en los filtros de contaminacin del aire, utilizando FTIR, DRX, SEM y anlisis digital de imagen. Informe de avance para el DIME. Universidad Nacional de Colombia, sede Medelln. 2002 (BLANDOON 2002-1)BLANDON M. et .al. Estudio de los macerales liptinticos del carbn de la Formacin Amag, pertenecientes a la cuenca de la Sinifan (Antioquia), utilizando anlisis digital de imagen (A.D.I). Informe final proyecto de investigacin para el DIME. Universidad Nacional de Colombia, sede Medelln. 2002 (BORSOTTI 1998) BORSOTTI. M. Quantitative evaluation of color image segmentation results. Pattern Recognition Letters 19 (1998). (BOVIS )BOVIS, K. et.al. Enhancement technique evaluation using quantitative measures on digital mammograms. University of Exeter (BOVIS) BOVIS,K.et.al.Enhancement Technique Evaluation using quantitative measures on digital mammograms. www.dcs.ex.ac.uk/research/pann/pdf/pann_SS_052.pdf (BOWMAN 2000) BOWMAN, E. Et. al. Particle Shape Characterisation using Fourier Analysis. CUED/D-soils/TR315 (2000) (BRANCH 2001) BRANCH J.W, OLAGUE G. La visin por computador una aproximacin al estado del arte. Facultad de Minas. Revista Dyna No.133 Julio 2001 (BRANCH 2001-1) BRANCH J.W,RESTREPO A. Estudio del material particulado suspendido de la ciudad de Medelln usando anlisis de imagen. Encuentro Internacional sobre modelacin y calidad del aire en el valle de Aburr Noviembre 2001 (BRANCH 2003) BRANCH, J. et. al. Descripcin de partculas empleando los conceptos del procesamiento digital de imgenes, la geometra fractal y la estereologia II CONGRESO INTERNACIONAL DE MATERIALES VII CONGRESO NACIONAL DE CORROSIN Y PROTECCIN. Bucaramanga 2003 (BRIEN 2003) BRIEN. G. et.al. Coal characterization by automated coal petrography. Fuel 82 (2003) (BRYDGES) BRYDGES, D. et. al. Application of a 3-CCD color camera for colorimetric and densitometric measurements. EMPA (CASTELLANOS 2002) CASTELLANOS A. Polarized light microscopy in materials characterization. Microsopy Microscopy and Analysis. Vol 54. May 2002

136

(CASUCCIO 1983) CASUCCIO G. S et al. 1983. The use of computer controlled Scanning Electron Microscopy in Environmental Studies. Air Pollution Control Association. Vol. 33 No. 10. (CAVALLANO 2002) CAVALLANO, A. et. al. Objective evaluation of segmentation quality using spatio-temporal context. Proc IEEE International Conference on Image Processing 2002 Sept. (CHAN 1996) CHAN, S. et. al. An expert system for detection of cervical cancer cells using knowledge-base image analyzer. Artificial intelligence in Medicine 8 (1996) (CHAN 1997) CHAN, L. C.Y. And PAGE, N. W. Particle fractal and load effects on internal friction in powders. Powder Technology 90 (1997) 259-266 (CHANG 2002) CHANG J. et. al. Multi-modal gray level histogram modeling and decomposition. Image and vision computing 20 (2002) (CHANG 2002) CHANG,J.et.al.Multi-modal gray-level histogram modeling and decomposition Image and Vision Computin 20 (2002) 203-216 http://citeseer.nj.nec.com/chang02multimodal.html (CHO 1991) CHO T., CONNERS R. A neural network approach to machine vision systems for automated industrial inspection. Neural conference IEEE 1991 (CLARK 1986) CLARK, N.N. Three Techniques for Implementing Digital Fractal Analysis of Particle Shape. Powder Technology 46(1986)45-52 (CLEMENT 2003) CLEMENT, A. et. al. Unsupervised segmentation of scenes containing vegetation (Forsythia) and soil by hierarchical analysis of bi-dimensional histograms. Pattern Recognition Letter 24 (2003) (CLOCKE 1995) CLOKE M et. al 1995. Automated Maceral Analysis Using Fluorescence Microscopy and Image Analysis. Fuel Vol. 74 No. 5. pp. 659-669. (CLOUARD) CLOUARD, R. et. al. Borg: a knowledge-based system for automatic generation of image processing programs. IEEE. PAMI VOL 21. NO.2 Febreary 1999 (COBALEDA 2000) COBALEDA, G. et. al. A study of image autocorrelation as a method to characterize porosity and estimate permeability. CT&F Ciencia, Tecnologa y Futuro. Vol 2 No.1 Dic 2000 (COE 1987) COE J. M. et. al 1987. The Morpholy and Size Distribution of Atmospheric Particles Deposited on Foliage and Inert Surfaces. Technical Papers. (COSTA 2001) COSTA F, et al. Shape Analysis and Classification . Theory and Practice. CRCPress USA 2001 (CROSS) CROSS, G. et. al. Markov Random Field texture Models. IEEE PAMI 5 Vol. 5 No.1 January 1983 (DAVID 1993)DAVID, P et. al W. 1993. Determination of coal maceral composition by means of colour image analysis. Fuel Processing Technology, 36 pp. 9-15. (DETTLING 2002) DETTLING M. BUHLMANN P, Boosting for Tumor classification with gene expresion data.Seminar fr Statistik. Switzarland September 19 2002

137

(DIAZ 2003) DIAZ, I. et.al Comparacin de dos tcnicas de minera de datos para la clasificacin de liptinitas. VIII Simposio Tratamiento de Seales, Imgenes y Visin Artificial. Medelln Nov 2003 (DICHE 2001) DIGHE. M. Et al Application of Digital Image Processing to Reconstruct 3D Microporosity in Cast A356.0 Alloy AFS Transactions. 2001 (DOEL ) DOEL, L. et. al. Design considerations for convetaciontal microscpe based microarray-reader to impove Sensivity (DOEL 1998) DOEL, L.R. et. al. Quantitative evaluation of light microscopes based on image processing techniques. Bioimaging 6 (1998) (DOUGHERTY 2002) DOUGHERTY. G. et. al. Lacunarity analysis of spatial pattern in CT images of vertebral trabecular bone for assessing osteoporosis. Medical Enginering & Physics 24(2002) (DOUGLAS 1998) DOUGLAS B, NOLAND. Electron microscopy characterization of exhaust emission particulate matter. 1998. (EHRLICH 1984) EHRLICH, R, et.al. Petrography Image Analysis, I. Analysis of Reservoir Pore Complexes. Journal of Sedimentary Petrology Vol. 54 No 4 December 1984. (EGMONT-PETERSEN 2002) EGMONT-PETERSEN, M. Et. al. Iamge processing with neural networks a review. Pattern Recognition 35. 2002 (ESCALERA2001) ESCALERA A. Visin por computador Fundamentos y Mtodos. Printice Hall Madrid 2001 AMO(2000) (EVERINGHAM 2002) EVERINGHAM, M.et. al. Algorithm evaluation by probabilistic Fitness/Cost analysis, and application to image segmentation ACCV2002 The 5th Asian Conference on Computer Vision. (FAN 2001) FAN, J. et. al. Automatic image segmentation by integrating ColorEdge extraction and seeded region growing. IEEE PAMI Vol.10 No.10 Octuber 2001. (http://www.cs.purdue.edu/homes/yau/papers/IEEEIP1010.pdf (FANG 2002) FANG, B. et.al. Tumor cell identification using features rules. SIGKDD 2002 Canada (FANG 2002) FANG,B.et.al.Tumor Cell Identification using Features Rules www.comp.nus.edu.sg/~leeml/papers/kdd02.pdf (FENS 2000) FENS, Petrophysical Properties from small rock samples using Image Analysis techniques, PhD Thesis, Delft University 2000 http://www.ph.tn.tudelft.nl/Bin/publications. (FERNADES 1999) FERNANDES, J. Colour-based recognition for remote sensing in enviromental systems. Ph.D. Dissertation. Conventry University. 1999 (FILIPPIDIS 2000) FILIPPIDIS,A. et. al. Fusion of intelligent agents for the detection of aircraft in SAR images. IEEE PAMI Vol 22. No4 April 2000 (FINLAYSON 2001) FINLAYSON, G. et. al. Color by correlation: a simple, unifying framework for color constancy. IEEE PAMI Vol 23 No. 11 Nov. 2001 (FISCHER 2002) FISCHER, Automatic Identification of Diatoms PhD Thesis, University of Bern, 2002 http://www.iam.unibe.ch/~fki/staff/fischer.html (FORERO-VARGAS 2001) FORERO-VARGAS,M.et.al.New formulation in image thresholding using fuzzy logic http://citeseer.nj.nec.com/forerovargas01new.html

138

(FORGET) FORGET, C. Improved Method for E1122 Image Analysis Nonmetallic Inclusion Ratings. MiCon 90: Advances in Video Technology for Microestructural Control. (FRANCE 2000) FRANCE, I. et. al. A new approach to automated pollen analysis. Quaternary Science Reviews 19 (2000) (FRANCOIS 1999)FRANCOIS,A.et.al.Adaptive Color Background Modeling for Real-Time Segmentation of Video Streamshttp://iris.usc.edu/Outlines/papers/1999/francois-cisst99.pdf (FRANCUS 1998) FRANCUS P. An image-analysis technique to measure grain-size variation in thin sections of soft clastic sediments. Sedimentary Geology 121 (1998) (FRANCUS 1998) FRANCUS, P. An image-analysis technique to measure grainsize variation in thin section of soft clastic sediments. Sedimentary Geology (121)1998 (FUETEN 1997) FUETEN, F. A computer-controlled rotating polarizer stage for the petrographic microscope. Computers y Geosciences Vol. 23 No. 2. 1997 (GARCIA 2000) GARCIA A, Determinacin de parmetros mineralgicos mediante anlisis digital de imagen. Cadernos Lab . Xeolxico de Laxe Corua 200 Vol 25 1999-122 (GARZON 2003) GARZON, J. et.al. Construccin de imgenes rango para la metrologa ptica de susperficies. VIII Simposio Tratamiento de Seales, Imgenes y Visin Artificial. Medelln Nov 2003 (GEDAY 2000) GEDAY, M. et. al. Images of absolute retardance L* n, using the rotating polariser method. Journal of Microscopy Vol 198 April 2000 (GEUSEBROUEK 2001) GEUSEBROUEK, J. et. al Color invariance. IEEE PAMI Vol 23. no.12 Dec. 2001 (GEVERS 2002) GEVERS T. Adaptive Image Segmentation by combining photometric invariant region and edge information. IEEE PAMI Vol 24 No6 June 2002 (GEVERS 2002) GEVERS, T. Adaptive image segmentation combining photometric invariant region and edge information. IEEE PAMI Vol 24 No. 6 June 2002. (GONZALEZ 1991) GONZALEZ, M et al. Caractersticas Morfomtricas de las Cenizas Volantes. Cedex. Centro de Estudios y Experimentacin de obras Pblicas. Madrid #78 1991 (GONZALEZ 1996) GONZALEZ, R. C y WOODS, R. E. Tratamiento Digital de Imgenes. Addison Wesley/Diaz de Santos.1996 (HAENSELMANN 2000) HAENSELMANN,T.et.al.Wavelet-based Semi-automatic Segmentation of Image Objects http://www.informatik.unimannheim.de/informatik/pi4/publications/library/Haenselmann2000a.pdf (HALEY 1984) HALEY M.et.al. Modern Instrumental Techniques for Particle Size Evaluation. Journal of the Canadian Ceramic Society.1984 Vol. 53 pp15-20 (HANBURY 2002) HANBURY,A.et.al.A 3D-polar Coordinate Colour Representation Suitable for Image Analysis.Technical report 16 December 2002 URL: http://www.prip.tuwien.ac.at/ftp/pub/publications/trs/tr77.pdf

139

(HAYNLE 1985) HAYNLE F. H. 1985. Size distribution of particles that may contribute to soiling of material surfaces. Journal of the Air Pollution Control Association. (HEATH 1998) HEATH M. et. at. Comparison of Edge Detectors: a methodology an initial Study. Computer Vision and Image Understanding Vol 69 No. 1 (1998) (JOY) JOY, D. Et. al. Metrics of resolution and performance for CD-SEMs (JURISICA 2001) JURISCA I, et al. Intelligent decision support for protein crystal growth. IBM systems journal VOL 40 no. 2 2001 (KAYE 1993) KAYE, B. H. Applied Fractal Geometry and the Fine particle Specialist. Part I: Rugged Boundaries and Rough Surfaces. VCH publishers, Weinheim 1993 (KENT 1997) KENT, J. Data analysis for shapes and images. Journal of statistical Planning and Inference 57. (1997) (KING 1982) KING, R.P. Determining of the distribution of Size of Irregularly Shaped Particles form Measurements on Sections or Projected Areas. Powder Technology 32 (1982) (KOLESNIK 2002) KOLESNIK Y, ORLOVSKY A, Image System for Quantitative Immunofluorescence measurement. Microscopy and Analysis. Vol 56. September 2002 (KORNER 2000) KORNER. C Et. al. Influence of processing conditions on morphology of metal foam produce from metal powder. MTS, Vol 16 July-August 2000. (LARANO 2002) LARANO F., TOLPPANEN, P. 3D characterization of coarse aggregates Engineering Geology 65. (2002) 17-30 (LEAVERS 2000) LEAVERS, V Use of the Two-dimensional Radon Transform to Generate a Taxonomy of Shape for the Characterization of Abrasive Powder Particles PAMI VOL 22 NO. 12 DEC 2000 (LEE 1991) LEE J, WANG J, DAVIS D, NELSON A. Integration of neural networks and decision tree classifiers for automated cytology screening. Neural conference IEEE 1991 (LEHOSTSKY) LEHOSTSKY, D. et. al. Intelligent high sensitivity CCD line scan camera with embedded image processing algorithms. ONTARIO. (LESTER 2002) LESTER, E. Et. al. A novel automated image analysis method for maceral analysis. Fuel Article in press (LESTER 1985)LESTER, E. et. al. 1993 Image Analysis Techniques for Petrography Analysis. Fuel Processing Technology. (LEVENSON 2000) LEVENSON, R. et.al. Spectral imaging and microscopy. American Laboratory November 2000 (LIAO 2001) LIAO,P.et.al.A Fast Algorithm for Multilevel Thresholding.JOURNAL OF INFORMATION SCIENCE AND ENGINEERING 17, 713-727 (2001) http://www.iis.sinica.edu.tw/JISE/2001/200109_01.pdf (LIN 1988) LIN, R. et.al. A fluorogeochemical model for coal macerals. Org. Geochem. Vol. 12 No.4, 1988 (LIU 1997) LIU, Y. et. al. Document image binarization based on texture features. IEEE PAMI Vol 19 No.5 May 1997.

140

(LIU 1999) LIU, J. et. al. Adaptive image segmentation with distributed behaviorbased agents. IEEE PAMI Vol 21 No. 6 June 1999. (LIVENS 1998) LIVENS, Image Analysis for Material Characterization, PhD Thesis, University of Antwerp, Belgium, 1998 http://143.129.203.3/visielab/livens/pub.html (LORENTE 1990)LORENTE, M. A. 1990. Digital Image Analysis: an Approach for Quantitative Characterization of Organic Facies and Palynofacies. International Symposium on Organic Petrology Zeist, The Netherlands, Volume 45. (LU 2001) LU S.Z. Et. al. Fractal Method of Nodularity Measurement in Ductile Iron. AFS Transaction 2001. (LUCEY 1999) LUCEY,S.et.al.Chromatic Lip Tracking Using a Connectivity Based Fuzzy Thresholding Technique. http://www.andrew.cmu.edu/user/slucey/isspa99.pdf (LUENGO-1) LUENGO, C. et. al. Segmentation-free estimation of length distributions using sieves and RIA morphology. Delf University of Technology. (LUENGO-2), C. et. al. Morphological scale-space to differentiate microstructures of food products..elf University of Technology. (MALPICA 1997) MALPICA,N.et.al.Applying Watershed Algorithms to the Segmentation of Clustered Nuclei (MAMPAEY 2001) MAMPAEY. Quantitative description of Solidification morphology of lamellar and spheroidal graphite cast iron. AFS Transactions. 2001 (MARCHANT 2002) MARCHANT J. et. al. Testing a measure of image quality for acquisition control. Image and Vision Computing 20 (2002) (MARSCHALLINGER 1997) MARSCHALLINGER R. et. al. Automatic mineral classification in the macroscopic scale. Computers & Geosciences Vol 23. No.1 1997 (MCKOENL2000) MCKOENL,K.et.al.Evaluation of Segmentation Methods for Surveillance Applications EUSIPCO, Tampere Finnland, Sept 5-8 2000 http://ltswww.epfl.ch/~tvgroup/publications/publications_2000/eusipco-mckoen.pdf (MCQUAKER 1984) MCQUAKER N.R. And SANDBERG D. K. 1984. Determination of coal Dust in Airbone Particulate Materials by Automated Optical Microscopy. Journal of the Air Pollution Control Association. (MIGNOTTE 2000) MIGNOTTE, M. et. al. Hybrid genetic optimization and statistical model-based approach for the classification of shadow shapes in sonar imagery. IEEE PAMI Vol.22 No.2 Feb. 2000 (MIN) MIN, J. et. al. Automated performanced evaluation of range image segmentation. University of South Florida. (MIRMEHDI 2000) MIRMEHDI, M. et. al. Segmentation of color textures. IEEE PAMI Vol 22. No.2 February 2000. (MOLCHANOV 1996) MOLCHANOV, I. et. al. Statistical model of random polyhedra. Commu. Statis- Stochastic models 1(2) 1996. (MONADJEMI) MONADJEMI,A.et.al.Speed vs. Accuracy for High Resolution Colour Texture Classification http://www.cs.bris.ac.uk/%7Emonadjem/bmvcpaper_151.pdf

141

(MONTES 2001) MONTES N, OSORIO G, PRIETO F, ANGULO F. La visin artificial aplicada al proceso de produccin del caf. Facultad de Minas. Revista Dyna No.133 Julio 2001 (MONTSENY 1994) MONTSENY, E.et.al.Deteccin de Contornos Escaln Mediante Algoritmos Difusoswww.etse.urv.es/recerca/rivi/pub/vision/Blanes94.pdf (MONTSENY) MONTSENY. E et. al. Deteccin de contornos escaln mediante algoritmos difusos. Univesidad Rovira (MOSCHENI 1998) MOSCHENI. F et. al. Spatio-temporal segmentation based on region merging. IEEE PAMI Vol 20 No.9 Sept 1998 (MUOZ 2001) MUOZ A.,OSORIO G, PRIETO F, ANGULO F. Deteccin de patologas celulares empleando visin artificial. Facultad de Minas. Revista Dyna No.133 Julio 2001 (NABHANI 2002) NABHANI, F. et. al. Performance analysis and optimization of shape recognition and classification using ANN. Robotics and Computer Integrated Manufacturing. 18 (2002) (NAKAMURA 1999) NAKAMURA,T.et.al.On-Line Visual Learning Method for Color Image Segmentation and Object Tracking http://robotics.aistnara.ac.jp/~takayuki/iros99cmr.pdf (NEIL 1997) NEIL, M. Et.al . Method of obtaining optical sectioning by using structured ligth in a conventional microscope. Optics letters Vol 22 No.24 1997 (OJALA 2002) OJALA, T. et. al. Multiresolution Gray-Scale and rotation invariant texture classification with local binary patterns. IEEE PAMI VOL. 24 No. 7 July 2002 (PACLIK 2000)PACLIK P, et al. Multi-spectral image segmentation algorithm ocmining spatial and spectral information. Pattern Recognition Group Faculty oF Applied Science Delft University Technology The Netherlands. 2000 (PACLIK) PACLIK, P. et. al. Supervised segmentation of textures in backscatter images. Delf University of Technology. http://www.ph.tn.tudelft.nl/Bin/publications (PACLIKP 2002) (PACLIK P, et al. Supervised segmentation of textures in backscastter images.2002 IEEE (PAGANI) PAGANI, A. et. al. Clasificador de leucocitos mediante procesamiento digital de imgenes. 4to Simposio Argentino de Informtica y Salud. SADIO (PALUS) PALUS, H. et. al. Evaluation of colour image segmentation results. Silesina University of Techonology. (PAPAMARKOS 2000) PAPAMARKOS, N. et. al. Multithresholding of color and gray-level images through a neural network technique. Image and Vision Computing 18 (2000) (PAPAMARKOS 2002) PAPAMARKOS, N. et. al. Adaptive color reduction. IEEE SYSTEMS, MAN AND CYBERNETICS partB: Vol 32 No.1 Feb 2002. (PARKER) PARKER, J. Thresholding using an illumination model. University of Calgary. (PARODY 2001) PARODY. S. Descripcin Morfolgica de Agregados Ptreos Gruesos Empleando Procesamiento Digital de Imgenes. Tesis de grado In. Industrial. Universidad Nacional de Colombia Facultad de Minas 2001

142

(PARRINELLO 2002) PARRINELLO, T. et. al. Multifractal analysis and feature extraction in satellite imagery. Int. J Remote Sensing Vol 23 No.9 2002 (PATIENCE 2001) PATIENCE D. Et. al Particle-Shape Monitoring and Control in Crystallization Process. AIChE Journal. Sep 2001 Vol 47 No.9 (PAVLONA 1996) PAVLONA, P. Et. al. Application of HSV colour system in identifaction by colour of biological objets on the basis of microscopic images. Computerized Medical imaging and Graphics. Vol 20. No 5. 1996 (PAYRI 2002) PAYRI, F. Et. al. Caracterizacin de las emisiones de partculas de un motor diesel de inyeccin directa. Revista Ciencia e Ingeniera Vol. 23 No. 3 2002 (PERNER 2002) PERNER, P. Et. al. Mining knowledge for Hep-2 cell image classification. Artificial intelligence inMedicine 671 (2002) (PODSIADLO 1998) PODSIADLO, P. Et al. Evaluation of boundary fractal methods for the characterization of wear particles. Wear 217(1998) 24-34 (POHLE) POHLE, R. A three-level evaluation Process for Segmentation Methods in Medical Imaging. University Magderburg. (POINDEXTER 2002) POINDESTER B.J.,PEREIRA-SMITH O., WADHAWA T., MAX BUJA L., BICK, R.J. 3D Reconstruction and Localization fo Mortalin by Deconvolution Microsopy Microscopy and Analysis. Vol 54. September 2002 (RANDEN 1999) RANDEN, T. et. al. Filtering for texture classification : A comparative study. IEEE PAMI Vol 21. No. 4 April 1999 (RELIANG 2003) RELIANG, X. et. al. Comparison of sizing small particle using different technologies. Powder Technology 4724 (2003) (RESTREPO 2000) RESTREPO, A. Evaluacin de la morfologa de microestructuras de aleaciones metlicas empleando anlisis digital de imgenes y geometra Fractal. Medelln 2000 Tesis de Grado (Ingeniero Mecnico) Universidad Nacional Facultad de Minas. Departamento de Ingeniera Mecnica. (RESTREPO 2001) RESTREPO A, BRANCH J W, GUTIERREZ M, ZAPATA A. Mtodo semiautomtico para la caracterizacin del hormign empleando procesamiento digital de imgenes. Facultad de Minas. Revista Dyna No.133 Julio 2001 (RESTREPO 2002) RESTREPO A., Informe de caracterizacin de material particulado.. Universidad Nacional de Colombia Sede Medelln. Facultad de Minas Postgrado de materiales Curso Caracterizacin Materiales semestre 02. Dic. 2003 Comunicacin personal (RESTREPO 2002-1) RESTREPO A., BLANDON A. Estudio de los macerales liptinticos del carbn de la Formacin Amag utilizando anlisis de imagen. Congreso Latinoamericano de Geoqumica Orgnica. Cartagena Octubre 2002. (RESTREPO 2002-2) RESTREPO A., BLANDON A. Resultados del estudio de los macerales liptinticos del carbn de la Formacin Amag utilizando anlisis de imagen. EITI2002 Universidad Nacional de Colombia Sede Medelln. Facultad de Minas Octubre 2002. (RESTREPO-1 2003) RESTREPO, A. Desarrollo de la Microscopia Asistida por Computador para el Estudio del Material Particulado:Etapa Visin Artificial de Bajo Nivel EITI2003 Universidad Nacional de Colombia Sede Medelln. Facultad de Minas Octubre 2003

143

(RESTREPO-2 2003) RESTREPO, A. Et.al. Descripcin de partculas empleando los conceptos del procesamiento digital de imgenes, la geometra fractal y la estereologa II CONGRESO INTERNACIONAL DE MATERIALES VII CONGRESO NACIONAL DE CORROSIN Y PROTECCIN. Bucaramanga 2003 (RESTREPO-3 2003) RESTREPO, A. Etapa de los factores de forma en la descripcin del material particulado del aire VIII Simposio de Tratamiento de Seales, Imgenes y visin artificial. Nov. 2003 (RESTREPO-4 2003) RESTREPO, A et.al. Estudio del material particulado del aire atmosfrico de la ciudad de Medelln utilizando microscopia SEM/EDX y anlisis digital de imagen. IX Congreso Colombiano de Geologa Medelln 2003. pp. 233 (RESTREPO-5 2003) RESTREPO, A. Et.al. Reconocimiento de patrones en los factores de forma utilizados para la descripcin de liptinitasVI Congreso Nacional de Ciencia y Tecnologa del Carbn 2003 ISBN 958-696-336-5 (REYES-ALDASORO) REYES-ALDASORO Image segmentation with Kohonen Neural Network Self-Organising Maps. Instituto Tecnolgico de Mxico. (RIBEIRO 1997) RIBEIRO,A et. al. An application of discriminant analysis to pattern recognition of selected contaminated soil features in thin sections. Geoderma 76 (1997) (RIPLEY 1996) RIPLEY B.D., Pattern Recognition and Neural Networks. CAMBRIDGE University Press UK 1996 (ROULA) ROULA. M. et. al. Unsupervised segmentation of multispectral images using edge progression and cost function. The Queens University of Belfast. (RUZON 2001) RUZON, M. et.al. Edge, juction, and corner detection using color distributions. IEEE PAMI Vol 23 No.11 Nov. 2001 (RUZON 1999) RUZON, M.et.al.Corner Detection in Textured Color ImagesComputer Vision, Volume 2, pages 1039-1045,Sep 1999 http://robotics.stanford.edu/~ruzon/compass/ruzonIccv99.pdf (SALEMBIER2000) SALEMBIER,P.et.al.Connected Operators Based on RegionTree Prunning http://gps-tsc.upc.es/imatge/pub/ps/ISMM00_Salembier_Garrido.pdf (SAOTOME 2002) SAOTOME A, YOSHINAKA R, OSADA M, SUGIYAMA H. Constituent material properties and clast-size ditribution of volcanic breccia. Engineering Geology 64. (2002) 1-17 (SCHENA 2002) SCHENA, G. et. al. Grade of fine composite mineral particles by dual -energy Xray radiography. Int. J Miner Process 67 (2002) (SCHEUNDERS 2002) SCHEUNDERS,P.et.al.Multiscale watershed segmentation of multivalued image http://143.129.203.3/visielab/scheunders/papers/icpr02.pdf (SCHOUTEN-1) SCHOUTEN, T. et. al. Quality measures for image segmentation using generated Images. Katholieke Universiteit Nijmegen. (SEZGIN 2000) SEZGIN, M. et. al. A new dichotomization technique to multilevel thresholding devoted to inspection applications. Pattern recognition letters 21 (2000) (SEZGING) SEZGING. M. Image Thresholding techniques:Quantitative Performance Evaluation.Turkey. (SGHAFFREY 2002)SGHAFFREY,C.et.al.Unsupervised image segmentation via Markov trees and complex wavelets www-sop.inria.fr/ariana/personnel/Ian.Jermyn/ publications/icip2002.pdf

144

(SHAFFREY 2002) SHAFFREY, C. et al. Psychovisual evaluation of image segmentation algorithms. AXIVS Belgium 2002 (SHAH-HOSSEINI 2002) SHAH-HOSSEINI,H.et.al.Automatic Multilevel Thresholding for Image Segmentation by the Growing Time Adaptive SelfOrganizing Map. IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE, VOL. 24, NO. 10, OCTOBER 2002 (SHOUTEN-2) SHOUTEN, T et.al Finding thresholds for image segmentation.Katholieke Universiteit Nijmegen. (SKARBEK 1994) SKARBEK W., KOSCHAN A. Colour image segmentation A survey.TECHISCHE UNIVERSITT BERLIN. OCTUBER 1994 (SOLANO 2003) SOLANO, J. Descripcin del material particulado atmosfrico de la ciudad de Medelln. IX Congreso Colombiano de Geologa Medelln 2003 (SOLIHIN 1999) SOLIHIN, Y. et. al. Integral Ratio: a new class of global thresholding techniques for handwriting images. IEEE PAMI Vol 21 No. 8 Aug 1999. (SOLIHIN) SOLIHIN, Y. et. al. The multi-stage approach to grey-scale image thresholding for specific applications. Nanyang Technological University. (SOLIHIN) SOLIHIN,Y.et.al.The Multi-stage Approach to Grey-Scale Image Thresholding for Specific Applications http://chooyu.cs.uiuc.edu/~solihin/Paper/MultistageTH.pdf of parameters of Color Image (SONG 1996) SONG,W.et.al.Optimization Segmentation using Evolutionary Programming http://citeseer.nj.nec.com/song96optimization.html (SORENSEN 2000) SORENSEN, H.S. et al. Char porosity characterization by scanning electron microscopy and image analysis. Fuel 79 (2000) (SPENGLER 1983) SPENGLER,J. Journal Air Pollution Control Association Vol33 No.12 September 1983 (STOYAN 1994) STOYAN, Dietrich and STOYAN , Helga. Fractals, Random Shapes and Point Fields England John Wiley & Sons 1994 (SYEDA-MAHMOOD 2000) SYEDA-MAHMOOD T. et. al. On describing color and shape information in images. Signal Processing: Image Communication 16 (2000) (TANG 2001) TANG, M. et. al. General scheme of region competition based on scale space. IEEE PAMI Vol 23. No.12 Dec 2001 (THEILER 1998)THEILER, J. Lacunarity in a best estimator of fractal dimension. Physics Letters A. Vol.133 No.4,5. Nov 1998 (THONG 2001) THONG,C et.al.Variation-Based Image Segmentation and its Multiscale Realizations http://www.math.hkbu.edu.hk/~cstong/papers/segment2001.pdf (TORRES 2002) TORRES, C, et. al Deteccin de macerales en imgenes microestructuales de carbones utilizando la transformada fraccional de Fourier.VII Simposio de Tratamiento de Seales , imgenes y visin artificial. Bucaramanga Noviembre 2002 (TRIER 1995)TRIER, O. et. al. Evaluation of binarization methods for document images. IEEE 1995.

145

(TU 2002) TU Z., ZHU S. Image segmentation by data driven markov chain monte carlo. (VALDECASAS 2002) VALDECASAS A.,et. Al. Extended Depth-of-Focus algorithms in Brightfield Microscopy. Microscopy and Analysis. Vol 56. September 2002 (VLEESKENS 1984)VLEESKENS, J. Optical Image Analysis of Fine Coal Particles as an Aid in Optimizing Combustion in a Fluidized Bed. Powder Technology 40 (1984) (VLIET-1) VLIET, L. et. al. Digital Fluorescence imaging using cooled CCD array cameras. Delf University of Technology. http://www.ph.tn.tudelft.nl/Bin/publications (VLIET-2) VLIET, L et. al. Image dectectors for digital image microscopy.Delf University of Technology. http://www.ph.tn.tudelft.nl/Bin/publications (VOORT 1985)VOORT VANDERT, G. F. Image Analysis. ASM Vol10 of the 9th edition of Metals Handbook 1985 (WANG) WANG. W. Binary image segmentation of aggregates based on polygonal approximation and classification of concavities. Pattern Recognition Vol. 31 No. 10. (WARFIELD-1 2002)WARFIELD,S.et.al.Validation of Image Segmentation and Expert Quality with an Expectation-Maximization Algorithm http://splweb.bwh.harvard.edu:8000/pages/papers/warfield/warfield-miccai2002.pdf (WARFIELD-2 2002)WARFIELD,S.et.al.Simultaneous validation of image segmentation and assessment of expert quality http://splweb.bwh.harvard.edu:8000/pages/ppl/warfield/papers/2002/warfield-isbi2002-appeared.pdf (WEBB 2003) WEBB, D. et al. Assessing technician effects when extracting quantities from microscope images. Journal of Microbiological Methods 53 (2003) (WIENKE 1995) WIENKE, D. et.al. Classification of airborne particles by analytical scanning electron microscopy imaging and a modified Kohonen neural network. Analytica Chimica Acta 310 (1995) (WIENKE 1995) WIENKE, D,et al. Classification of airborne particles by analytical scannnig electron microscopy imaging and a modified Kohonen neural network (3MAP). Analytica Chimica Acta 310 (1995)1-14 (WILL 2000) WILL,S.et.al.On learning texture edge detectors.wwwbv.informatik.uni-bonn.de/pdf/will.icip00.pdf (WILLIAMS 1998)WILLIAMS A,T. Et al. Sand grain analysis image processing, textural algorithms and neural net. Computer Geosciences Vol24 No.2 1998 (WOLF) WOLF, G. Design of a four channel spectral analyzer to resolve linear combinations of two fluorescent spectra. Delf University of Technology. http://www.ph.tn.tudelft.nl/Bin/publications (WONGHO 1989) WONGHO, O. et. al. Image thresholding by indicator Kriging. IEEE PAMI Vol 21 No. 7 July 1989 (WON-KYUNG) WON-KYUNG et. al. Optimization of parameters of color image segmentation using evolutionary programming.KAIST. (WORJNAR 1999) WORJNAR, Leszek. Image analysis. Applications in Materials Engineering. Boca Raton. CRC Press. 1999

146

(WOUVER 1999) WOUVER,G.et.al.Wavelet Correlation Signatures for Color Texture Characterization http://143.129.203.3/visielab/papers/wouwer/pr99.pdf (YANG 1994) YANG,LAn Image Analysis System for Measuring Shape and Motion of White Blood Cells from a Sequence of Fluorescence Microscopy Images (1994) PhD Thesis, http://citeseer.nj.nec.com/yang94image.html (YANG 1995) YANG,L.et.al.A supervised approach to the Evaluation of image Segmentation Methods.http://citeseer.nj.nec.com/yang95supervised.html (YANG 2000) YANG, N, Simulation and quantitative assessment of finite size particle distributions in metal matrix composites. MTS Vol.16 july-August 2000 (YANG 2000) YANG, Y. et. al. An adaptive logical method for binarization of degraded document images. Patter Recognition 33(2000) (YANG 2000) YANG,Y.et.al.An adaptive logical method for binarization of degraded document imagesPattern Recognition 33 (2000) 787-807 http://citeseer.nj.nec.com/558963.html (YEZZI 2001) YEZZI,A.et.al.A Variational Framework for Joint Segmentation and Registration.http://www.ai.mit.edu/people/lzollei/research/papers/mmbia01_yezzi.pdf (YOO) YOO, T. et. al. Toward a Common Validation Methodology for Segmentation and Registration Algorithms. MICCAI 2000 Springer-Verlag:Berlin (YOUNG 1996) YOUNG, I. et. al. Quantitative microscopy. Delf University of Technology. 1996http://www.ph.tn.tudelft.nl/Bin/publications (YUE 2003) YUE, Z. Et. al. Finite element modeling of geomaterials using digital image processing. Computers ang geotechnics 20. 2003 (YULE 1998) YULE, B. et. al. Quantitative spore color measurement using color image analysis. Org.Geochem Vol 28. No.3/4 1998 (ZHANG 2004) ZHANG, D. Et. al. Review of shape representation and description techniques. Pattern Recongnition 37 2004 (ZHANG 2003) ZHANG, D. Et. al A comparative of curvature scale space and Fourier descriptors for shape-based image retrieval. J. Vis. Commun. Image R. 14 2003 (ZHANG 1997) ZHANG,X.et.al.Wavelet Based Automatic Thresholding for Image Segmentation http://www.ee.ryerson.ca/~xzhang/publications/icip_97.pdf (ZHANG) ZHANG, X. et. al. Wavelet based automatic thresholding for image segmentation. Univserity of Texas at Sant Antonio. (ZHONG)ZHONG,D.Color Space Analysis and Color Image Segmentation http://portal.acm.org/citation.cfm?id=563759&coll=portal&dl=ACM&ret=1#

147

10 BIBLIOGRAFIA
ADLER, J. And HANCOCK, D. 1994 Advantages of using a distance transform function in the measurement of fractal dimensions by the dilation method. Powder Technology 78 pg. 91-196. BEDDOW, J.K Morphological Analysis. ASM Handbook Vol.7 9th edition pg.241242. Annual Book of ASTM Standards, vol. 14.03. BEDOYA, JULIN 2000. Comunicacin Personal Experiencias en la Superintendencia de Ingeniera Ambiental Monitora de Aire 1991-1994. Universidad Nacional de Colombia Facultad de Minas, Medelln. BEDOYA, JULIN. 1999 Investigacin en Anlisis de Imagen para Caracterizar Partculas Contaminantes. Informe final de Colciencias. Medelln. BEDOYA, JULIN. 1993 Comparacin entre Medidores High-Vol y PM-10. Curso Contaminacin de Aire por Material Particulado. AINSA. Medelln. Pg. 101-128. BENAVIDES C. 1992. Los Minerales de Arcilla y la Difraccin de Rayos X. Memorias del seminario Tcnicas y rutinas para la caracterizacin de las arcillas. Cuaderno No. 1. Programa cermicos y vtreos. Pg. 11-25. BIGGINS P. D. E. And HARRISON R. M. 1979. Characterization and classification of atmospheric sulfates. Journal of the Air Pollution Control Association. Vol. 29 No. 8. BLOM DOUGLAS AND NOLAN TED. 1998. Electron microscopy characterization of exhaust emission particulate matter.

148

BOWMAN KENNETH T. 1978. State implementation of Permit Requirements Under the 1977 Clean Air Act Amendments. APCA Note-Book. Journal of the Air Pollution Control Association. BRANCH, J.W. 1995. El Anlisis de Imagen y la Geometra Fractal en la Aplicacin Geolgico-Minero-Metalrgica. Trabajo dirigido de grado, Ingeniera de Minas y Metalurgia. Universidad Nacional de Colombia, Sede Medelln. BRANCH, J.W. 1997. Metodologa para la Caracterizacin de Texturas Mineralgicas Empleando Tcnicas Algortmicas de Anlisis de Imagen, Geometra Fractal y Morfologa Matemtica. Trabajo de Grado, Posgrado de Ingeniera de Sistemas. Universidad Nacional de Colombia, Sede Medelln. BREINER S. J. And BUCHANAN J. W. 1984. Particle Source Assessment Using Wind-Switched High Volume Samplers and X-Ray Diffraction Analysis. Journal of the Air Pollution Control Association. BRIANT L. DAVIS And MAUGHAN A. D. 1984. Observation of Heavy Metal Compounds in Suspended Particulate Matter at East Helena, Montana. Journal of the Air Pollution Control Association. BULLIN J, SHARON c, and others Aerosols Near Urban Street Intersections.Journal of de Air Pollution Control Association Vo 35 No.4 april 1985 CHAN D. P., TARKINGTON B. K. and DUVALL T. R. 1978. Generation of NucleiMode Sulfuric Acid for Health Effects Studies. Air Pollution Control Association. Vol. 28 No. 11. CHAN, L. C.Y. And PAGE, N. W. 1997. Particle fractal and load effects on internal friction in powders. Powder Technology 90 pg. 259-266. CHEN Y. S., HANSON R. L., CARPENTER R. L. and HOBBS C. H. 1984. Use of a massive volume air sample to collect fly ash for biological characterization. Air Control Association. CLARK, N.N. 1986. Three Techniques for Implementing Digital Fractal Analysis of Particle Shape. Powder Technology 46 pp. 45-52. CLOKE M, LESTER E. 1995. Automated Maceral Analysis Using Fluorescence Microscopy and Image Analysis. Fuel Vol. 74 No. 5. pp. 659-669. CLOKE M, LESTER E. 1995. Repeatability of maceral analysis using Image Analysis Systems. Fuel Vol. 74. No.5 pp. 654-658. CROSTA G. F., CAMATINI M. C., ZOMER S., et al. 2001. Optical Scattering (TAOS) by Tire Debris Particles: Preliminary Results. Optical Express. Vol. 8 No. 6. DE GUZMAN, M. 1993. Estructuras Fractales y sus Aplicaciones. Editorial Labor Barcelona. DIAZ-PACHE F., ALONSO F. J. And ESBERT R. M. 1995. La microscopa electrnica de barrido aplicada al estudio de partculas slidas de contaminacin depositadas sobre la piedra monumental. Ingeniera Civil/101. DREIZIN B. L., BERMAN C. H., HOFFMAN V. K. and VICENZI E. P. Combustion of aerosolized metal particles in micro gravity. Aerochem Research laboratory. DYE ANDREW L. 1998. The Measurement and Characterization of Aerosol the Urban Atmosphere (PM10) and an Evaluation of the Sources of these Particles by Number. Department of Environmental Sciences, University of Plymouth.

EHRLICH, R, and KENNEDY, S. K. Petrography Image Analysis, I. Analysis of Reservoir Pore Complexes. Journal of Sedimentary Petrology Vol. 54 No 4 December 1984. ESCOBAR, C. A. Sobre la Teora de los Fractales. Revista Facultad de Ingeniera U de A. No. 11 junio 1996. FEENEY P., CAHILL T., OLIVERA J. And GUIDARA R. 1984. Gravimetric Determination of mass on Lightly Loaded Membrane Filters. Journal of the Air Pollution Control Association. Vol. 31 No. 4. FORGET, C. Improved Method for E1122 Image Analysis Nonmetallic Inclusion Ratings. MiCon 90: Advances in Video Technology for Microestructural Control. DAVID, PETRA, FERMONT, W. 1993. Determination of coal maceral composition by means of colour image analysis. Fuel Processing Technology, 36 pp. 9-15. DEVROYC LAC, GYORFI LSZL, LUGOSI GBOR. 1996. A probabilistic theory of pattern recognition. Springer, 636 p. FRASER D. A. 1973. Sizing Methodology. Characteristics of Airborne Particles. The industrial Environment its Evaluation and Control. GONZALEZ DE NAVA M., SOSA DE BORREGO B., VELASQUEZ H. y MORALES J. A. 1996. Niveles de partculas suspendidas totales e inhalables en el aire en la ciudad de Cabimas, Venezuela. Rev. Tec. Universidad de Zulia. Vol. 19 No. 3. GONZLEZ F. J., CANDAU P., TOMAS C., MORALES J. 1997. Patrones de distribucin de concentraciones polnicas de varios tipos de polen alerggenos (herbceos) en relacin con factores climatolgicos. Rev. Esp. Alergol Inmunol Cln. GONZALEZ, R. C y WOODS, R. E. Tratamiento Digital de Imgenes. Addison Wesley/Diaz de Santos.1996 HALEY M.P JOYCE I.H. Modern Instrumental Techniques for Particle Size Evaluation. Journal of the Canadian Ceramic Society. Vol. 53 pp15-20 HARRISON R. M. And PIO C. A. 1981. Apparatus for simultaneous sizedifferentiated sampling of optical and sub optical aerosols: applications to analysis of nitrates and sulfates. Journal of the Air Pollution Control Association. HAYNLE F. H. 1985. Size distribution of particles that may contribute to soiling of material surfaces. Journal of the Air Pollution Control Association. HERRERA TORRES, GABRIEL. 1996 Evaluacin de la Calidad del Aire y Ruido Ambiental en la Poblacin de Oreganal. Corpoguajira. Santa fe de Bogot, D.C. HORNBOGEN, E. 1989. Fractals in Microstructure of Metals. Inter. Mater. Rev. Vol. 34 No.6 pg.277-96. HUFFMAN GERALD P. HUGGINS FRANK E, SHAH NARESH AND HUGGINS ROBERT AND OTRERS. 2000. Journal of the Air & Waste Management Association. Vol. 50. JAIN, ANIL K. 1989. Fundamentals of Digital Image Processing. Prentice-Hall USA. KAYE, B. H. Fractals as Descriptors of P/M Systems. ASM Vol. 7 ninth edition. KAYE, B. H. 1993. Applied Fractal Geometry and the Fine particle Specialist. Part I: Rugged Boundaries and Rough Surfaces. VCH publishers, Weinheim

150

LAIRD II, G. RAWERS, J. C. and ADAMS, A. 1992. Fractal Analysis of Carbide Morphology in High-Cr White Cast Irons. Metallurgical Transactions. Vol. 23A Oct. Pg. 2941-45. LAMB S. Y., PETROWSKI C., KAPLAN Y. R. And SIMONEIT B. R. T. 1980. Organic Compounds in Urban Atmospheres: A Review of Distribution, Collection and Analysis. Journal of the Air Pollution Control Association. LESTER, E. ALLEN, M. CLOKE and MILES N. J. 1993 Image Analysis Techniques for Petrography Analysis. Fuel Processing Technology. LINDGREN J. L., KRAUSS H. J. And FOX M. A. 1980. A Comparison of Two Techniques for the Collection and Analysis of Polynuclear Aromatic Compounds in Ambient Air. Journal of the Air And Management Association. LIPFERT FREDERICK W. 1980. Sulfur Oxides, Particulates, and Human Mortality: Synopsis of Statistical Correlations. Journal of the Air Pollution Control Association. Vol. 30 No. 4. LIPFERT FREDERICK W. And MORRIS SAMUEL C. 2000. Daily Mortality in the Philadelphia Metropolitan Area and Size-Classified Particulate Matter. Technical Paper. Journal of the Air And Management Association. LITZISTORD G., GUILLEMIN M. P., BUFFAT P. And ISELIN F. 1985. Influence of Human Activity on the Airborne Fiber Level in Para occupational Environments. Journal of the Air And Management Association. LLINS, RUBN D. 1992 Anlisis Granulomtrico y Mineralgico de Filtros Muestreadores de Alto Volumen. Intercor. Santa fe de Bogot. LODGE, J. 1988. Methods of Air Sampling and Analysis 3rd ed. Lewis Publishers Florida LONG S. J., SUGGS J. C. And WALLING J. F. 1979. Lead analysis of ambiental air particulates: interlaboratory evaluation of EPA. Lead reference Method. Journal of the Air And Management Association. LORENTE, M. A. 1990. Digital Image Analysis: an Aprroach for Quantitative Characterization of Organic Facies and Palynofacies. International Symposium on Organic Petrology Zeist, The Netherlands, Volume 45. LU, S. Z. And HELLAWELL, A. 1994. Application of fractal geometry to complex microstructures: numerical characterization of graphite in cast irons. Acta Metallurgica et Materialia 42 12 dec. Pg. 4035-4047. LU, S. Z.; LIPP, D. C.; And HELLAWELL, A. 1995. Fractal analysis of complex microstructures in castings. Proc 1995 7 Conf. Model Cating Weldin Adv Solid Process. Minerals, Metals & Materials Soc (TMS) pg. 657-662. MANUAL COULTER. 1994. Operation Principles. MASTALERZ M., GLIKSON M. And SIMPSON R. W. 1998. Analysis of Atmospheric Particulate matter application of optical and selected geochemical techniques. International Journal of Geology. Elsevier. MILLER F. J., et al. 1979. Size Considerations for establishing a standard for inhalable particles. Journal of the Air Pollution Control Association Vol. 19 no.6 MILLER J. D. 1980. Middle scale Distribution of Inhalable Particulates and TSP within a Metropolitan Area. APCA Note-Book. Journal of the Air Pollution Control Association.

151

MCDNNELL D. B. and HILBORN J. C. 1978. Alkali fusion of glass fiber filters: Analysis of secondary lead Emission Particulate. Air Pollution Control Association. Vol. 28 No. 9. MCFARLAND A. R., ORTIZ C. A. and BERTCH W. 1984. A 10 m cutpoint size lective inlet for Hi-vol samplers. Journal of the Air Pollution Control Association. MCQUAKER N.R. And SANDBERG D. K. 1984. Determination of coal Dust in Airbone Particulate Materials by Automated Optical Microscopy. Journal of the Air Pollution Control Association. ONEILL N. T., DUBOVIK O. And ECK T. F. 2001. Modified Angstrom exponent for the characterization sub micrometer aerosols. Applied optics. Vol. 40 No. 15. PAUCAR C. G. Caractersticas y usos de las cenizas del carbn. Cuaderno de Cermicos Vit. No. 6. PANDE, C. S.; RICHARDS, L. E.; LOUAT, N.; DEMPSEY, B. D. And SCHWOEBLE, J. 1987. Fractal Characterization of fractured Surfaces. Acta. Metall. Vol. 35 No.7 Pg. 1633-37. PAOLETTI L. 1997. Mineral particles in bronchoalveolar lavage fluid (BALF): an attempt at designing a quantitative model. Environmental Health. PATIENSE DANIEL B. AND RAWLINGS JAMES B. 2001. Particle-shape monitoring and control in crystallization processes. AIEChE Journal. Vol. 47 No. 9. PATZELT W. J. 1974. Microscopa de Polarizacin. Fundamentos, instrumental y aplicaciones. Manual Leitz Wetzlar. P. C. M. 1994. Asbestos and other fibers. Manual of Analytical Methods. Fourth Edition. PENGELLY L. D., KERIGAN A. T., GOLDSHMIT C. H. and INMAN E. M. 1984. The Hamilton study: Distribution of factors confounding the relationship between air quality and respiratory health. Air Pollution Control Association. Vol 34 No. 10. PLANTE A. And PECK D. 2001. Mineral Identification Key. Web Site. PRENDEZ M., ORTIZ J. L., CORTES E. And CASSORLA V. 1984. Elemental Composition of Airborne Particulate Matter from Santiago City, Chile, 1976. Journal of the Air Pollution Control Association. C.A. PIO, C.A. ALVES, A.C. DUARTE. 2000. Identification, abundance and origin of atmospheric organic particulate matter in a Portuguese rural area. Atmospheric Environment Vol. 35. PODSIADLO, P. and STACHOWIAK, G. W. 1998. Evaluation of boundary fractal methods for the characterization of wear particles. Wear 217 pp. 24-34. RICKARD A., MILLIKEN C. And NEVILLE S. 2001. The Mass Concentration and Size Distribution of Particles in Central London using Non-Continuous Gravimetric Sampling Techniques. Web site. RESTREPO, A. Evaluacin de la morfologa de microestructuras de aleaciones metlicas empleando anlisis digital de imgenes y geometra Fractal. Medelln 2000 Tesis de Grado (Ingeniero Mecnico) Universidad Nacional Facultad de Minas. Departamento de Ingeniera Mecnica. REVISTA RED DE VIGILANCIA DE LA CALIDAD DEL AIRE EN EL VALLE DE ABURR. 2001. Boletn informativo No. 6.

152

ROACH S. A. 1973. Sampling Air for Particulates. The Industrial Environment its Evaluation and Control. U.S. DEPARTMENT OF HEALTH EDUCATION AN WELFARE. WASHINTONG ROBERTSON D. J., GROTH R. H., GARDNER D. J. and GLASTRIS E. H. 1979. Interferences from filters and solvents PNA analysis by high performance liquid chromatography. Air pollution Control Association. RODES C., HOLLAN D., PURDUE L., REHME K. 1985. A field Comparison of PM10 Inlets at Four Locations. Technical Papers. RUBIO, M. A. EDAWR, C. A. DOUGHERTY, A. And GOLLUP J. P. 1989. SelfAffined Fractal Interfaces from Immiscible Displacement in Porous Media. Phy. Rev. Letters Vol. 63 No. 16. SAROFIM, Adel, VANDERDANDE, J.B. Markers for emissions from combustion sources.1997 SCHWARTZ J., DOCKERY D. W. and NEAS L. M. 1996. Is daily mortality associated specifically with fine particles?. Journal of the Air and Waste Management Association. Vol. 46. SMITH J. P., GROSJEAN D. And PITTS J. N. 1978. Observation of significant losses of particulate nitrate and ammonium from high volume glass fiber filters samples stored at room temperature. Journal of the Air Pollution Control Association. YOCOM JOHN E., BROOKMAN EDWARD T., WESTMAN ROGER C. AND AMBARDAR OM P. 1981. Determining the contributions of traditional and nontraditional sources of particulate matter. Air Pollution Control Association. Vol. 31 No 1. ZHIQUIN Z. And FRIEDLANDER S. K. 2000. A Comparative Study of Chemical Databases for Fine Chinese Aerosols. Environmental Science and Technology. Vol. 34 No. 22.

153

ANEXOS

154

A.

ANEXO PARTICIPACION EN EVENTOS

Es importante enunciar que en el transcurso del desarrollo de este investigacin se exploraron algunas temticas alrededor del material particulado y los descriptores de forma, algunos de los resultados fueron publicados en diversos eventos y mucho de esos materiales fueron bases para texto escrito de esta tesis. Los eventos en que se particip fueron: AWWA 95th and 96th Conferece. (BEDOYA 2002), (BEDOYA 2003) El primer artculo recoge una idea inicial para describir el material particulado un sistema de microscopia asistida por computador, sin embargo, este trabajo tiene problemas cruciales en la manera de preparacin de las muestras y los mtodos de generacin de las imgenes. El segundo artculo presenta los resultados en los mtodos de preparacin de las muestras del material particulado para ser observados en el microscopio, adems se presentan unos resultados de la distribucin de las partculas en Medelln para lo cual se apoyo en un contador de partculas COULTER, el cual tiene una tecnologa que compite con la microscopa para hacer el conteo de partculas microscopicas VI Congreso Nacional de Ciencia y Tecnologa del Carbn en Medelln
(RESTREPO-5 2003) Este artculo presenta una mtodologa de un sistema MAC

para clasificar macerales lptinicos, el cual utiliza factores de forma y arboles de decisin. II Congreso Internacional de Materiales en Bucaramanga (BRANCH 2003)
(RESTREPO-2 2003) En el primer articulo se muestra un mtodo para describir

155

partculas utilizando un MAC. El segundo artculo es un caso en donde usando un sistema MAC unas microestructuras de un acero se describen con diferentes factores de forma y dimensin fractal.

IX Congreso Colombiano de Geologa en Medelln (RESTREPO-4 2003) Aqu se presentan unos resultados de unos anlisis de imgenes sobre partculas que fueron observadas usando un SEM y a las cuales se les hicieron anlisis microqumicos. (SOLANO 2003) Ac se analizaron solo partculas sospechosas de ser minerales, en esas imgenes se exploraron diferentes segmentaciones, se tomaron imgenes en varias condiciones de iluminacin, a las partculas se les midieron diversos factores de forma y con toda esa informacin se trato de caracterizar las partculas observadas.

Encuentro de Investigacin sobre Tecnologas de Informacin Aplicadas a la Solucin de Problemas EITI 2003 (RESTREPO-1 2003) En este artculo se plantea un mtodo aplicar en la etapa de adquisicin y captura de las imgenes para el caso del material particulado.

VIII

Simposio de Tratamientos de Seales, imgenes y visin artificial

(RESTREPO-3 2003) Este artculo reporta los resultados en relacin a la etapa

de factores de forma del material particulado. (ARANGO 2003) Aqu se aplican diferentes mtodos de segmentacin, se analizan los colores de fluorescencia y los factores de forma para diversos granos de polen provenientes de carbones de Amag.

157

B. ANEXO AMPLIANCION DEL ESTADO DEL ARTE

En este anexo se amplan los trabajos revisados en diferentes temticas que son importantes para el desarrollo de los sistemas de MAC
B1. VISIN ARTIFICIAL APLICADA A LA GEOLOGA

Aqu se revisan y presentan casos en las reas de la petrografa y la mineraloga aplicada. En estas temticas lo importante es establecer qu elementos se analizan en las imgenes (ej: color Vs la forma, etc), cmo se construyen las plataformas utilizados para manejar la ve que el anlisis de imagen es de anlisis y cules mtodos experimentales son informacin. En muchos de los trabajos, se

utilizado como una herramienta, aplicando conceptos y tcnicas muy tradicionales. Sin embargo, el problema es que muchos de estos no formalizan correctamente los mtodos de segmentacin que utilizan, ni tampoco establecen adecuadamente las condiciones de adquisicin y captura de las imgenes. La petrografa del carbn es rea que se dedica a estudiar las caractersticas

microscopicas de los constituyentes al carbn; debido a la colaboracin que se ha tenido con el laboratorio del carbn, se han desarrollado algunos trabajos en que se aplica el anlisis digital de imagen a la petrografa, algunos de los elementos de estos trabajos son importantes a resaltar pues son aplicables al estudio del material particulado. En (RESTREPO 2002-2) carbn. y (BLANDON 2002-1) se presenta un proceso de segmentacin y descripcin de formas para imgenes microscpicas del

158

En Restrepo (RESTREPO-1 2003) se aplican los rboles de decisin en el estudio de los factores de forma de liptnitas. En Arango (ARANGO 2003) muestra unos avances en el desarrollo de una metodologa que utiliza el anlisis digital de imgenes con el objetivo de estudiar la materia orgnica de los carbones. Otros trabajos que se han revisado en relacin a la petrografa son: (FRANCE 2000) estudia granos de polen; (YULE 1998) hace un anlisis del color de esporas. Un grupo de artculos que trabaja la petrografa de macerales son: (BRIEN 2003),
(DIAZ 2003), (BARRANCO 2003), (LESTER 2002), (TORRES 2002), (BRANCH 1997), (CLOCKE 1995), (DAVID 1993) (LORENTE 1990) (COE 1987) (LESTER 1985) (EHRLICH 1984)

En otros trabajos se resalta la relacin entre la mineraloga y anlisis de imagen. As: (RESTREPO-2 2003) (SOLANO 2003) utilizan el anlisis de imagen en el estudio del material particulado. (YUE 2003) presenta un sistema que utiliza anlisis digital de imgenes, al cual se le integra un modulo de elementos finitos que se utiliza para analizar microestructuras de diferentes materiales. (SAOTOME
2002) aplica el anlisis de imagen para el estudio de materiales volcnicos. (LARANO 2002) caracteriza agregados gruesos 3D. (GARCIA 2000) determina

parmetros mineralgicos mediante anlisis de imagen; (RIBEIRO 1997) analiza secciones delgadas de suelos. (COBALEDA 2000) estudia la porosidad de rocas fuentes utilizando metodos de autocorrelacin. (WILLIAMS 1998) plantea tcnicas de anlisis de textura para diferenciar cambios al interior de partculas de arenas.
(BELEO 1997) presenta una formalizacin fsica de las imgenes bajo diferentes

condiciones de iluminacin de unas areniscas para las cuales se desarroll un mtodo de segmentacin.
(FUETEN 1997) muestra como se utiliza un polarizador

controlado por un computador para hacer anlisis petrogrficos. Aunque no trata el anlisis de imagen la norma (ASTM D420-1994) trabaja el problema del estudio de asbestos en espacio laborales.

159

B.2 VISIN ARTIFICIAL APLICADA A LA MICROSCOPA.

Aqu es necesario establecer: qu procedimientos se tienen que la microscopia asistida por computador se considere como una

evaluar para que herramienta de

medicin, cules son los problemas que en general se deben enfrentar al estudiar objetos utilizando la microscopa, qu consideraciones se deben tener cuando se analizan imgenes de microscopa ptica y microscopa electrnica de barrido (SEM). Adems, algunos tpicos como el autoenfoque y la generacin de objetos 3D. El problema es que muchos artculos que utilizan microscopa en condiciones de iluminacin extremas no tienen presentes las problemticas del ruido de el sensor, la sensibilidad de la cmara para poder capturar imgenes y la resolucin de los microscopios. Lo anterior afecta la calidad de los medidas realizadas sobre las imgenes. En la problemtica de abordar la tridimensionalidad de las partculas se encuentra:
(VALDECASAS 2002) quien

evala

una serie algoritmos para expandir la

profundidad de foco de microscopios pticos. (POINDEXTER 2002) trabaja la Reconstruccin 3D utilizando microscopa de deconvolucin. Para aplicaciones de la microscopia asistida por computador en la biologa se tiene: (WEBB 2003) plantea una influencia de los resultados debida a operarios humanos. (KOLESNIK 2002) presenta un sistema de anlisis de imgenes para medir inmunofluorescencia en clulas. (PERNER 2002) utiliza segmentacin en clulas de epitelio vaginal de minera de conocimiento para la clasificacin de clulas. (MUOZ 2001) trae un estudio de la las cuales se observaron en un microscopio ptico. (PAGANI) trabaj un clasificador de leucocitos utilizando anlisis digital de imgenes. (PAVLONA 1996) hace un sistema que utiliza el espacio de color HSV para identificar clulas en imgenes microscopicas.

160

Algunos

mtodos para

el desarrollo de la microscopa cuantitativa se encuentran

en: (RESTREPO-4 2003) quien presenta una serie de estrategias para aplicar en el proceso de adquisicin y captura de imgenes usando un microscopio ptico.
(DOEL) muestra el desarrollo

de una serie de procedimientos que permiten el

trabajo con imgenes de fluorescencia, las cuales tienen unas condiciones difciles para adquisicin con la cmara digital Algunas tcnicas microscpicas con posibilidades para aplicarse en el caso del

material particulado son: (GARZON 2003) quien presenta algunas ideas sobre la la
microscopa interferomtrica. (GEDAY 2000) presenta un algoritmo para medir automaticamente la anisotropia ptica utilizando un microscopio. (LEVENSON
2000) presenta un procedimiento que permite hacer imgenes multiespectrales,

utilizando microscopa de fluorescencia para analizar clulas. (NEIL 1997) presenta un mtodo para obtener un seccionamiento ptico de un grano de polen, utilizando un microscopio ptico de amplio rango. (ADE 1996) muestra la medicin de la birrefringencia, utilizando un microscopio ptico en el campo cercano. (LIN 1988) plantea un modelo que explica la fluorescencia para el caso de los macerales del carbn. (JOY ) muestra una serie de procedimientos para resolucin y el desempeo para un microscopio SEM.
B.3 EL ANLISIS DIGITAL DE IMAGEN APLICADO AL ESTUDIO DEL MATERIAL PARTICULADO.

medir y evaluar la

Aqu es importante

destacar cmo

se hace la medicin del tamao y definir

que ventajas se tienen al medir las partculas con anlisis de imagen frente a otras tcnicas. Qu elementos son utilizados en la descripcin de la forma, cmo se evala el desempeo de los factores. Adems, explorar cmo se desarrollan las herramientas para estudiar el material particulado. Sobre el particulado es importante recalcar la idea tema del material de que en general, en los artculos se

sobredimensiona las potencialidades del SEM y se subvaloran las posibilidades de la microscopa ptica. La cual, si se piensa como una solucin al problema de

161

desarrollo de tecnologa, sera una posibilidad interesante para manejar grandes volmenes de imgenes y lograr una masificacin que permita tener sistemas MAC, en la mayor cantidad de ciudades del pas. Algunos trabajos que se han realizado alrededor del problema del material

particulado de la ciudad de Medelln, utilizando el anlisis digital de imgenes son:

(BRANCH 2003) plantea las etapas

y los elementos que debera presentar una

plataforma de anlisis de imagen para el estudio de partculas. (RESTREPO-3

2003) Estudia los factores de forma en el caso del material particulado utilizando

factores tradicionales, transformacin de Hough y

morfologa matemtica.

(BEDOYA 2002) (BRANCH 2001) presentan un mtodo preliminar de anlisis de

imagen para material particulado, partculas totales suspendidas de Medelln.

(BLANDON 2002-2) obtiene caractersticas de las partculas de material particulado

de la ciudad de Medelln en diferentes condiciones de observacin. En relacin al estudio de distribucin de tamaos de las partculas (BEDOYA
2003), aunque no muestran resultados procedentes de la utilizacin de imgenes,

presenta un tcnica con la cual se podran contrastar los resultados que se obtengan del material particulado utilizando un sistema MAC. (RELIANG 2003) presenta el anlisis digital de imgenes como una herramienta ms adecuada para medir tamaos de partculas, que las tcnicas de difraccin, esto va en contrava con lo que se plantea en el artculo (HALEY 1984). Se debe resaltar que en estos sistemas COULTER14 se hace una aproximacin, para medir partculas la cual consiste en considerar las partculas con formas redondas. (CASUCCIO 1983) utiliza el anlisis de imagen que son analizadas en el microscopio electrnico de barrido.
(HAYNLE 1985) estudia la distribucin de tamaos de partculas que contribuyen

a la acumulacin de materiales en superficies, se us usando un SEM para tomar las imgenes. En artculos como
14

(LUENGO-1), (LUENGO2) se utiliza la

COULTER es la marca del equipo que se utiliza para medir el tamao de las partculas. Este funciona con un principio de difraccin de un lser.

162

morfologa matemtica para medir la granulometra de los objetos presentes en la imagen, en

(BARNDORFF-NIELSEN 1999), (GOZALEZ 1996) se pueden

ampliar los conceptos tericos de este tema. Estudios de residuos de carbn que pueden aportar mtodos para el estudio del material particulado son (SORENSEN 2000), (ALVAREZ 1997), (VLEESKENS
1984). En estos se presentan trabajos de anlisis de imagen, en donde se estudian

las caractersticas de las formas de los residuos de combustin que produce la quema del carbn. Algunos estudios microscpicos en partculas son: (PACLIKP 2002) y (PACLIKP
2000) quienes reportan resultados de mtodos de segmentacin para partculas de

jabn, y que fueron analizadas en un microscopio SEM/EDX. (WIENKE 1995) utiliza redes autoorganizadas de Kohonen con las cuales analizan los composicionales del material particulado, para dicho anlisis se utiliz datos un

microscopio SEM/EDX. (MCQUAKER 1984) plantea un estudio de partculas de carbn, utilizando un microscopio ptico. (SPENGLER 1983) estudia el material particulado utilizando SEM/EDX. En algunos artculos se encuentra una relacin entre el anlisis de imagen y los

factores en partculas, entre ellos se tiene: (PATIENCE 2001) quien presenta un

sistema de control de calidad de partculas, el cual se apoya en un anlisis digital de imgenes que utiliza factores de forma tradicionales. En (JURISICA 2001) se muestra el desarrollo de un sistema con el cual se hace un control de calidad para un proceso de crecimiento de cristales, lo interesante es la cantidad de imgenes que procesa en el sistema.

163

B.4 LA SEGMENTACIN DE IMGENES DIGITALES.

En este punto del estado del arte es conveniente revisar los diferentes caminos para desarrollar la segmentacin de las imgenes y/o establecer una agrupacin de las segmentaciones para las tcnicas que utilizan color. Por lo general, se encuentra muchos trabajos de segmentacin, en la
Tabla B-1, se agrupa la informacin de

diferentes artculos, con el objetivo de mostrar un mtodo que permita cierto grado de comparacin entre las diversas estrategias de segmentacin. Como resumen de los diversos artculos se puede decir que la segmentacin se divide en tres estrategias fundamentales: Segmentacin basada en pixeles, basada en bordes, basada en reas; cada una de ellas con ciertas subdivisiones (ver Figura B-1 ) Cuando se analizan muy comn que los los diferentes artculos que tratan la segmentacin, queda la procedimientos sirvan para casos muy especficos y no de la

pregunta de cundo utilizar uno u otro mtodo de segmentacin?, debido a que es respondan a otras situaciones. (MARTIN 2002) plantea el problema

segmentacin como un problema de la semntica de la imagen; si uno analiza un poco esto, encuentra que la dificultad para el desarrollo de un sistema automtico o semiautomtico consiste en saber identificar los casos que presenta la imagen y definir que algoritmos de segmentacin utilizar. Tambin en (MARTIN 2002), se sugiere que los factores de percepcin se podran convertir en herramientas viables para abordar el problema de la segmentacin de las imgenes. Otra tendencia que se encuentra es segmentar indiscriminadamente imgenes a color, utilizando todos los canales, sin verificar si la segmentacin en niveles de gris producen resultados aceptables al caso de procesamiento que se tiene. Para terminar es importante decir que desarrollar una serie de bancos de imgenes, que permita conocer cual es el desempeo de los algoritmos de segmentacin, es una idea que es necesaria trabajar experimentalmente.

164

Otros artculos de segmentacin son: SKARBEK (1994) presenta un del estado del arte de la segmentacin a color, Anexo B. Otras referencias adicionales en segmentacin son: TU(2002) Segmentaciones de imgenes utilizando cadenas de Markov GEVERS (2002) Segmentacin flexible.
(CLEMENT 2003), (SHOUTEN-2), (SOLIHIN), (LUENGO-1) (LUENGO-2), (MARTIN 2001) B.5 LA CALIDAD DE LA SEGMENTACIN.

tiene la ventaja que

analiza sistemticamente

diferentes algoritmos. Este documento inspiro la elaboracin de la Tabla B-1 del

Aqu, en el estado del arte se debe establecer que mtodos son utilizados para verificar la calidad de la segmentacin. Adems, definir en que casos se puede utilizar un tipo de segmentacin u otro. En general en la literatura la calidad de la segmentacin es un proceso muy descuidado y solo en algunas reas como medicina, se adelantan trabajos la para desarrollar mtodos de valoracin de la

calidad de la segmentacin. Es de destacar la Universidad del Sur de la Florida, como un sitio donde se han implementado diferentes estrategias para medir la calidad de la segmentacin. Esta se pueden tener bsicamente por dos caminos: la calificacin no supervisada, que se apoya en evaluar la similitud de los pixeles que forman un objeto; y la calificacin supervisada, la cual tiene dos posibilidades: los mtodos que utilizan segmentaciones manuales y los mtodos que utilizan las calificaciones cualitativas hechas por expertos. Un esquema de los mtodos para determinar calidad de la segmentacin se puede ver en la Figura B-2. Dividiendo los artculos encontrados para evaluar la calidad de la segmentacin se tienen los siguiente puntos: mtodos que consideran las segmentaciones manuales

165

SEGMENTACION A COLOR
SEGMENTACION BASADA EN PIXELES
UMBRALIZACION HISTOGRAMAS AGRUPAMIENTOS DEL ESPACIO DE COLOR

SEGMENTACION BASADA EN BORDES

SEGMENTACION BASADA EN AREAS

TECNICAS LOCALES

TECNICAS GLOBALES

DIVISION Y CRECIMIENTO DE REGIONES

CRECIMIENTO DE REGIONES (SEMILLAS)

Figura B-1 Esquema resumen de los tipos de segmentacin

* E valuacin segm entacin

E strategias cuantitativas (S egm entacin m anual)
C u rvas de diagnstico ROC M tricas sim ilitud

E strategias cualitativas

Factores P ercepcin G elsalt

C alid ad im agen seg.

(buena, m ala)

U n iform idad intensidad

C om paracin y ordenam iento

Figura B-2 Esquema de los mtodos de evaluacin de la segmentacin

166

como las segmentaciones correctas (BOVIS). Mtodos que utilizan las curvas ROC
15

(EVERINGHAM 2002), (HEATH 1998), (MIN),

mtodos

de

comparaciones cualitativas (SHAFFREY 2002), (CAVALLANO 2002), (YOO), mtodos que utilizan factores de similitud (BORSOTTI
1998), (TRIER 1995) (POHLE) (BARRANCO-LOPEZ), (SEZGING), (PALUS), (SCHOUTEN-1)

Es normal que los mtodos de evaluacin de la calidad de la segmentacin consideren las segmentaciones manuales como las segmentaciones correctas. Sin embargo, en algunos casos no es posible hacer segmentaciones manuales o se presenta el problema de tener varios expertos para los segmentaciones manuales vlidas, para esto que se obtienen varias se pueden utilizar una serie de

calificadores de segmentacin que no necesitan segmentaciones manuales, algunos de estos mtodos se basan en juicios cualitativos que realizan los expertos al calificar los resultados de una imagen segmentada. Otra estrategia es las de los calificadores que miden en la imagen la similitud de los objetos, pero la dificultad que se encuentra es que los objetos muchas veces no tienen una similitud en las caractersticas de los niveles de gris, lo que hace la utilizacin de los valores arrojados por la medicin de la similitud no sean vlidos en algunos casos..

B.6 EL ESTUDIO DE LA FORMA.

Una revisin detalla que se hizo de los factores de forma, se encuentra en la Tabla B2 Para construir dicha tabla se tuvo en cuenta los siguientes elementos: espacio en que se analiza la forma (2D, 3D), tipo de transformacin utilizada para representar la forma, si los mtodos son invariantes y en que condiciones, se presentan los descriptores utilizados y el objetivo que tena propuesto el artculo. Un resumen de cmo se puede clasificar el estudio de las forma se encuentra en las Figuras B-3, B4,B- 5, tomadas de (COSTA 2001)
15

ROC es una sigla inglesa receiver operating characteristics. Este mtodo de las curvas ROC se

167

Otros artculos

que tocan el tema de la forma son: (AYALA2002) presenta la

morfologa matemtica y la utiliza en el anlisis de forma y de textura. (NABHANI

2002) propone una arquitectura de redes neuronales interesante para analizar las

formas. (RESTREPO 2001) utiliza factores de forma en la descripcin de agregados ptreos. (KENT 1997) plantea un mtodo para analizar partculas desde el punto de vista de la estadstica, es de anotar que esta metodologa landmarksno es muy referenciada en del anlisis de imagen por lo que sera interesante explorarla. Sin embargo, en trabajos como: (STOYAN 1994) ya se plantea esta metodologa. Otros trabajos estudian sobre la forma de agregados son:(FANG 2002), (PARODY 2001).
(ZHANG 2004) expone un

completo

estado del arte de las tcnicas de la

representacin y descripcin de la forma. (ZHANG 2003) hace una comparacin de los descriptores de Fourier contra curvas de espacio y escala, todo aplicado al problema de la bsqueda de imgenes. (BOWMAN 2000) desarolla un trabajo que en que utiliza factores de Fourier para caracterizar las formas de partculas minerales, los cuales fueron observados utilizando un microscopio SEM en electrones secundarios. Artculos que combinan la estereologa y el estudio de materiales son:(DICHE
2001), (MAMPAEY 2001), (KORNER 2000), (YANG 2000), (GONZALEZ 1991), (FRANCUS 1998), (KING 1982), (FORGET)

el modo de

Artculos que tienen la geometra fractal y que utilizan la Dimensin fractal en la descripcin de partculas son: (BEDOYA 2002), (LU 2001), (CLARK 1986),
(PODSIADLO 1998), (KAYE 1993), (CHAN 1997)

consideran las segmentaciones manuales como las segmentaciones correctas.

168

(2001 da Fontoura)

REPRESENTACION DE LA FORMA
CONTORNOS REGIONES

TRANSFORMACIONES

LINEALES MONOESCALA * Fourier * Laplace * Seno MULTIESCALA * Gabor * Haar * Onditas * Hough * Morfologa matemtica NO LINEALES

Figura B-3 Esquema resumen de las estrategias de estudiar la forma (tranformaciones)

(2001 da Fontoura)

REPRESENTACION DE LA FORM A
CONTORNOS

REGIONES

TRANSFORM ACIONES

DESCOM POSICION EN REGIONES * Polgonos *Voronoi /Delanuay

CARACTERISTICAS INTERNAS DELIMITACION DE REGIONES * Caja de Feret * Cscara convexa * Esqueletos *Funcin distancia

Figura B-4 Esquema resumen de las estrategias de estudiar la forma (regiones)

169

(2001 da Fontoura)

REPRESENTACION DE LA FORMA
CONTORNOS
REGIONES TRANSFORMACIONES

PARAMETRICOS * Vectores *Cdigo de cadenas

CONJUNTO DE PUNTOS DEL CONTORNO

APROXIMACION A CURVAS * Contornos activos * Aproximaciones poligonales

Figura B-5 Esquema resumen de las estrategias de estudiar la forma (contornos)

170

TABLAS ANEXO B

171

Tabla B-1 Recopilacin de diferentes mtodos de segmentacin revisados en la literatura. Definicin regin Modelo matemtico Espacio color Autor

Objetivo

Mtodo brujula CIE-lab Mark A. Ruzon, Carlo Permite hacer un mtodo que detecta borde en texturas naturales pero que puede resaltar muy bien salientes "compass" Tomasi difciles de detectar por otros mtodos. Bordes Lgica difusa Nivel de gris E. Montseny, P. Sobrevilla Aplica a la deteccin de bordes utilizando vecinos del pixel criterios de lgica difusa y C. Garcia-Barroso Bordes Optimizacin perfil Grey colour Chong Sze Tong 1 , Hace una segmentacin aplicando una interpolacin que se ejecuta con un algoritmo de relajacin gris, multiresolucin Yongping Zhang 2 , secuencial Nanning Zheng 3 Bordes Onditas Grey colour, Thomas Haenselmann, Halla un mtodo que identifique el contorno de objetos diferentes al fondo "tijera inteligente". Hue Claudia Schremmer, Wolfgang Effelsberg Bordes (contornos Contornos activos Grey colour Anthony Yezzi , Lilla Z Aplicar la segmentacin y el registro en imgenes mdicas. activos) ollei y , and Tina Kapur z Bordes (texturas) Gabor filter, Cannys Grey colour Stefan Will, Lothar Se quiere hallar el borde que separa zonas con texturas diferentes (este artculo es interesante pues edige dectector, snake Hermes, Joachim M. une varias tcnicas) Buhmann,Jan Puzicha Jianping Fan, David. K. Y. Presentan una estrategia en donde se detectan zonas Bordes y regiones Deteccin bordes y YUV con los bordes luego se crecen regiones se segmentan Yau,Ahmed. K. diferentes objetos "caras " de imgenes de video. crecimiento de Elmagarmid,Walid G. Aref semillas Pixel Modelo gausiano del HIS Alexandre R.J. Franois Hacer un modelo del fondo en la imagen para tener una herramienta en la vigilancia a travs secuencia de fondo and Grard G. Medioni video. Pixel - textura Markov tree,wavelets L*a*b Ci an W. Shaffrey, Nick G. La meta es segmentar la imagen utilizando propiedades de cada pxeles y de sus vecinos Kingsbury Grey colour Bin Fang1,2 Wynne Hsu1,2 Desarrollar un sistema que implementa tcnicas de Pixel (adaptativo) Segmentacion minera de datos en factores de forma para identificar Mong Li Lee1 adaptativa,Data tumores detectados en una segmentacin adaptativa y mining con morfologa matemtica. Bordes

172

Definicin regin

Modelo matemtico

Espacio color

Autor

Objetivo

Pixel (histograma) Isodata watersheld

(cluter) Grey colour

Pixel (histograma) Time Adaptive Self- Grey colour Organizing Map Pixel (histograma) Piramidal,fuzzy c- RGB,YIQ means Pixel (histograma) Logica fuzzy, Gauss Grey colour measure Pixel (histograma) Nerual Network, Y-r-(teta) fuzzy ART model color Pixel (histograma) Umbralizacin por Grey colour Multiresolucin, Razn fuzzy Pixel (histograma) Onditas Grey colour

Norberto Malpica,1 * Hacer una medicin de celulas en fluorescencia con una segmentacion cluster y con morfologa Carlos Ortiz de matemtica Solorzano,1 Juan Jose Vaquero,1 Andres Santos, etal Hamed Shah-Hosseini,Reza Utilizan un tipo de redes auto organizativas que permite hacer multi-umbralizaciones en las imgenes Safabakhsh Comparar dos mtodos para analizar y segmentar David X. Zhong
imgenes a color

Manuel Forero-Vargas, Desarrollan un mtodo para hallar los umbrales utilizado la lgica difusa con una funcin de Gauss Oswaldo Rojas-Camacho Takayuki Nakamura Hacer un aprendizaje dinmico en un ambiente real para segmentar y buscar (traquina) objetos Tsukasa Ogasawara Yan Solihin and C.G. Muestra como ultizando multiresolucin de la segmentacin y un razn fuzzy se puede mejorar Leedham thresholding adpativo en algunas aplicaciones
"detecin escritura"

Xiao-Ping Zhang and Mita Hacer un mtodo de segmentacion con un clasificador bayesiano con multiresolucin D. Desai Un anlisis del nivel de color para estudiar la textura Pixel (histograma) Onditas textura color UVW;YIQ,K G. Van de Wouwer et.al -L KarhunenLo eve Yang,Fritz Comfrontar varios mtodos de segmentacin aplicando Pixel(histograma) Algoritmo de Grey colour Luren un mtodo de evaluacion, para el estudio de clulas en Allheginsen, Tor fluorescencia Bernsen, adaptativo Lommesiad, Per Gnottum local modificado Pixel(histograma) Adaptive logical Grey colour Yibing Yang*, Hong Yan Realiza una segmentacin adaptativa en imgenes de documentos que tienen problemas con la iluminacin thresholding no homognea, pero considera los histogramas quasibimodales.

173

Definicin regin

Modelo matemtico

Espacio color

Autor

Objetivo

Pixel(histograma) Gaussian density Pixel(histogramas) Lgica difusa Pixel(histogrmas) Otsu method Region Regin Regin Regin

mixture Grey colour RGB Grey colour

Maximizacin de la Grey colour espectativa

Regin (crecimiento), bordes Regin-Bordes

Grey coluor Programacin Dinmica , Viberti algorithm Algorimo de Grey colour Simon K. Warfield, Kelly Permite seleccionar una zona correcta de segmentacin con la informacin suministrada por varios expertos y H. Zou, Michael R. Kaus califica el desempeo particular de cada experto maximacin de la and William M. Wells expectativa Lab A. Monadjemi, B. T. Utilizan la transformacin Walsh-Hadamard para Convolucin de HLS, extraer texturas de imgenes y el resultado lo colour Thomas, and M. Mirmehdi comparan con Gabor y utilizan diferentes clasificadores WalshHadamard,Gabor transform Programacin RGB Won-Kysung Song, El objetivo es utilizar una tcnica de crecimiento de regiones combinada con una deteccin de bordes evolutiva Zeungman Bien para hacer una segmentacin a travs de optimizar a posteriori, decision Grey colour theory, multiresolucin Abhir Bhalerao Wilson Roland
con programacin evolutiva Realizar una segmentacin no supervisada utilizando informacin de regiones y de bordes

Jeng-Horng Chang, Kuo- Utilizan un mtodo que densidades gausianas que permite agrupar zonas en un histograma e Chin Fan, Yang-Lang identificarles unos mejores umbrales Chang la lgica difusa para aplicar una Simon Lucey, Sridha Utiliza umbralizacin que se adapte a los cambios que pueden Sridharan and Vinod tener los labios en un video. Chandran. Ping-Sung Liao,Tse-Sheng Hace una multi-umbralizacin utilizando un mtodo mjorado del algoritmo de Otsu Chen Pau-Choo Chung Simon K. Warfield, Kelly Hacer un mtodo que permita validar la segmentacin de imgenes hechas por diversos H. Zou, and William M. expertos. Wells Philippe Salembier, Luis Desarrollan unos mtodos basados en arboles podados para segmentar la imagen Garrido

174

Definicin regin

Modelo matemtico

Espacio color

Autor

Objetivo

Regiones

Watershed, onditas

Colour RGB;IHIS

P. Scheunders, J. Sijbers Allan Hanbury and Jean Serra Keir Bovis and Sameer Singh Kevin McKoen1, Raquel Navarro-Prieto1, Emrullah Durucan2, Benoit Duc3, Francesco Ziliani2, David Williams1

Mejoramiento difuso Grey colour de la imagen.

Utilizan un cambio de las escalas para aplicar en las imgenes resultantes un algoritmo de watershed para hallar los contornos Presenta un sistema de color HIS el cual segn ellos es ms adecuado para el anlisis de imagen pues no tiene problemas de otros sistemas de color Se presenta un mtodo para mejorar imgenes de mamogramas, lo interesante es el mtodo planteado para evaluar la mejora. En este artculo se hace una presentacin de un mtodo para evaluar la segmentacin de imgenes de vdeo. Sin embargo, este es muy corto y poco profundo en la informacin que presenta.

175

Tabla B-2 Resumen de los diferentes artculos que tocan el tema del estudio de la forma

Espacio Objetivo 2D 3D Es una aplicacin industrial 2D Controlar un proceso de cristalizacin utilizando la forma Es una aplicacin industrial 2D Anlisis de partculas microscpicas de desgaste usando un sistema experto Es ms un mtodo para medir 3D-2D Medir el tamao de partculas en tamao de partculas suspensin bajo espectroscopia de reflexin 2D Utilizacin del mtodo de la normalizacin para ajustar regiones cerradas Descomponer imgenes en conjuntos Pretende mantener un promedio de la 2D de lneas usando la transformada de forma mientras hacen cambios en Haar zonas agudas de la forma. El desempeo de la descomposicin depende del arranque del punto inicial. Se requiere que el borde tenga una representacin didica para poder hacer la transformacin.

Comentarios

Transformada No Curvatura del borde Espectro ptico de reflexin Transformaciones afines. Espacio de normalizacin Transformada de Haar

Invariante Descriptores
No Factores forma tradicionales

Autor
(PATIENCE 2001)

Coeficientes de (XU 1998) Fourier (redes neuronales)

(LI, 2002) Intesidad de reflexin (redes neuronales)

Parmetros elipse

(VOSS 1999)

Coeficientes de (DAVIS expansin de la 1999) serie de Haar

176

Comentarios

La medidas de similaridad y simetra tienen restricciones en su aplicacin inicialmente formas convexas. Sin embargo este trabajo seria importante aplicarlo a las figuras convexas que se pueden sacar de la transformaciones de Hough. Presenta una metodologa la transformacin de la forma, pero no da los elementos para la descripcin. En este artculo queda la preguntaEn que casos servira este tipo de ajuste? Trae una transformacin que presenta varios elementos interesantes los cuales se podran implementar para el reconocimiento de objetos 2D, sin embargo, su implementacin es robusta computacionalmente afectado los tiempos de ejecucin. Es un buen ejemplo de una estrategia para modelar objetos en un problema real.

Transformada Invariante Descriptores Espacio Objetivo 2D 3D Medidas de 2D Desarrollar medidas de similaridad y Brunn-Minkowski similaridad y simetra para formas convexas simetra

Autor

(HEIJMANS 1998)

2D 2D 2D

Procedimiento para hacer una descomposicin multiescala de un esqueleto discreto Ajuste invariante de objetos planos usando primitivas Presentar una generalizacin de la transformada Radon llamada Transformada Trace

Esqueletizacin

No tiene

(BORGEFOR S 2001) (VOSS 1997)

Transformaciones de similaridad, afines Trace

Momentos de reas
Rotacin, Funcionales translacin y invariantes, escalamiento Funcionales

(KADYROV 2001)

sensibles

2D

Proponer una estrategia de bsqueda de contornos donde se utiliza la formulacin Bayesiana y un conocimiento previo de la informacin del borde.

Modelo de distribucin de puntos (landmark)

(WANG Matrices de 2000) covarianza de independencia, textura del contorno y combinacin de modelos

177

Comentarios

El artculo toca una pregunta interesante para este trabajo y es cul es la resolucin que se debe tener para obtener una precisin requerida en la reconstruccin de una elipse? Esta implementacin sera interesante 2D para encontrar cristales con forma de elipse y que presenta algn grado de sobrelapamiento La diferenciacin de los contornos 2D en diferentes niveles seria una manera automtica de disminuir el nmero de bordes que podra tener una partcula, lo cual sera muy interesante para el algoritmo que reduce el nmero de puntos para la transformacin de Hough Es un ejemplo de un artculo donde 2D la forma de las partculas se miden al ser comparadas con tablas estandarizadas, adems todo la parte experimental se hace de manera manual.

Transformada Invariante Descriptores Espacio Objetivo 2D 3D Momentos de 2D Estudiar los problemas relacionados Cdigo de cadena reas a la representacin y reconstruccin de elipses de los datos resultantes de su digitalizacin.

Autor

(ZUNIC 2000)

Un mtodo para caracterizar elipses Transformada de Hough usando la transformada Hough Es presentar un mtodo de representacin de contorno reversible usando morfologa matemtica
Morfologa matemtica, cdigo de cadena, cdigo de cadena diferenciar

Area y orientacin

(BENNETT 1999)

(HASAN 2000)

Medir caractersticas morfomtricas No de cenizas volantes

GONZALEZ Esfericidad, redondamiento 1978

178

Comentarios

Espacio 2D 3D

Objetivo

Transformada Autosimilaridades, rboles de los ejes de la forma Transformada de los ejes medios

Invariante

Descriptores Cocircularidad, variacin de la distancia, paralelismo, homogeneidad de la regin.

Autor

Este artculo para la interpretacin 2D utiliza campos aleatorios de Markov; y para optimizacin de la bsqueda utiliza programacin dinmica 2D Es una metodologa de esqueletizacin lo cual sera importante comparar con los esqueletos que tradicionalmente se tiene con la morfologa matemtica. 2D La estrategia presenta una comparacin de forma que tendra problemas con variaciones en la escala y con la orientacin de los objetos, de modo que para que funcione la comparacin es necesario una estrategia que haga una normalizacin en la escala y oriente los objetos en un eje determinado El mtodo que presentan para comparar curvas no solo servira para analizar siluetas de objetos 2D se podra para comparar las curvas de distribucin de porosidad en un objeto.

Representar la forma de objetos de una forma compacta que facilite el reconocimiento y la clasificacin. Es desarrollar un mtodo eficiente para la transformacin de regiones poligonales 2D en ejes medios.

(GIEGER 2003)

(AHUJA 1997)

Es la utilizacin de la medicin de Transformacin tangente la similaridad de formas como herramienta para la bsqueda de objetos similares en bases de datos de siluetas 2D

Medida de la similaridad

(LATECKI 2000)

179

Comentarios

Espacio 2D 3D

Objetivo

Transformada Representacin de la curva por vrtices importantes (landmark)

Invariante

Descriptores

Autor

Se utiliza la programacin dinmica 2D para la bsqueda. Para poder hacer la comparacin de la similaridad presentan una estrategia que permite tener una representacin de la silueta que es invariante a la rotacin. 2D

Es hacer una bsqueda de curvas con un algoritmo flexible para trabajarlo en la clasificacin de siluetas

Medida de la Escala, rotacin y similaridad la translacin

(GDALAYA HU 1999)

Mtodos como estos se podran utilizar para medir formas de minerales ideales.

2D 2D

Este trabajo se relaciona mucho con 2D el material particulado debido al tipo de objetos en los que se estudia la forma

Translaci Es hacer una representacin compleja Representacin compleja de curvas n, rotacin de curvas algebraicas que permita algebraicas una reconocimiento invariante a la posicin de la forma Se presenta un mtodo para detectar Expansin de la simetra por reflexin y la simetra Fourier por rotacin de objetos 2D Snakes Se presenta un optimizacin de contornos deformables en las escala fina y gruesa para trabajo en secuencias de cuadros Hacer un anlisis cuantitativo de la Curva de tangentes al borde forma de agregados basado en fractales

Coeficientes complejos de ajuste

(TAREL 2000)

(SHEN 1999) Momentos, simetra rotacin y la reflexin. (AKGUL 2003)

Dimensin fractal

(LI 1993)

180

C. ANEXO RESULTADOS GRANULOMETRIA

Curvas granulometricas resultantes de la morfologa matemtica UNAL-018 iluminacin 19 (imagen normal) 20

Porcentaje (%)

Curvas granulometricas resultantes de la morfologa matemtica UNAL-018 iluminacin 19( imagen binaria)

50
Porcentaje (%)

15 10 5 0 0 10 20 30 40 50 60
# de pixeles dilatados

40 30 20 10 0 0 10 20 30 40 50 60
# de pixeles dilatados

IMAGEN 1 IMAGEN 20

IMAGEN 12 IMAGEN 25

IMAGEN 7

IMAGEN 1 IMAGEN 20

IMAGEN 12 IMAGEN 25

IMAGEN 7

Medida de la suma por rangos de la curva granulomtrica Unal-018 Iluminacin 19 (imagen normal) 70 Valor del area bajo la curva en el rango 60 50 40 30 20 10 0 (0-10) (11-20) (21-30) (31-40) (41-50) (51-60) Rango Suma I-1 Suma I-12 Suma I-7 Suma I-20 Suma I-25

Medida de la suma por rangos de la curva granulometrica Unal-018 Iluminacin 19 (imagen binaria) 120 Valor del area bajo la curva en el rango 100 80 60 40 20 0 (0-10) (11-20) (21-30) (31-40) (41-50) (51-60) Rango Suma I-1 Suma I-12 Suma I-7 Suma I-20 Suma I-25
Entropia de la curva

Medida de la entropa por rangos en la curva granulomtrica Unal 018 Iluminacin 19 (Imagen normal) 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 (0-10) (11-20) (21-30) (31-40) (41-50) (51-60) Rango Entropia I-1 Entropa I-20 Entropia I-12 Entropa I-25 Entropa I-7

Figura C1. Curvas granulometricas muestra 19

182

Curvas granulometricas resultantes de la morfologa matemtica UNAL-018 iluminacin 22 (imagen normal)

Curvas granulometricas resultantes de la morfologa matemtica UNAL-018 imagen binaria (iluminacin 22)

20
Porcentaje (%)

50
Porcentaje (%)

15 10 5 0 0 10 20 30 40 50 60
# de pixeles dilatados

40 30 20 10 0 0 10 20 30 40 50 60
# de pixeles dilatados

Suma I-11

Suma I-4

Suma I-1

Suma I-12

Suma I-6

Suma I-11

Suma I-4

Suma I-1

Suma I-12

Suma I-6

Medida de la suma por rangos de la curva granulometrica Unal-018 Iluminacin 22 (imagen normal) 80 70 60 50 40 30 20 10 0 (0-10) (11-20) (21-30) (31-40) (41-50) (51-60) Rango Suma I-11 Suma I-4 Suma I-1 Suma I-12 Suma I-6 Valor del area bajo la curva en el rango

Medida de la suma por rangos de la curva granulomtrica Unal-018 Iluminacin 22 (imagen binaria) 90 80 70 60 50 40 30 20 10 0 (0-10) (11-20) (21-30) (31-40) (41-50) (51-60) Rango Suma I-11 Suma I-4 Suma I-1 Suma I-12 Suma I-6 Valor del area bajo la curva en el rango

Medida de la entropa por rangos en la curva granulometrica Unal 018 Iluminacin 22 (Imagen normal) 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 (0-10) (11-20) (21-30) (31-40) (41-50) (51-60) Rango Entropia I-11 Entropa I-12 Entropia I-4 Entropa I-6 Entropa I-1

Figura C2. Curvas granulometricas muestra 22

183

Entropia de la curva

D. ANEXO RESULTADOS DE PERCEPCIN

184

CARACTERISTICAS DEL FONDO Probabilidad de ocurrencia

Probabilidad de ocurrencia

CARACTERISTICAS DEL FONDO 0.25 0.2 0.15 0.1 0.05 0 0 5 10 15 20 25 30 35 Diferencia del nivel de intensidad A-001-20-01 A-001-22-08 A-001-20-03

0.25 0.2 0.15 0.1 0.05 0 0 5 10 15 20 25 30 35 Diferencia del nivel de intensidad A-001-19-01 A-001-19-12 A-001-19-05 A-001-19-15 A-001-19-11

CARACTERISTICAS DEL FONDO CARACTERISTICAS DEL FONDO 0.25 0.25 Probabilidad de ocurrencia 0.2 0.15 0.1 0.05 0 0 B-002-19-15 5 10 15 20 25 30 35 Diferencia del nivel de intensidad B-002-19-25 B-002-22-02 B-002-22-07 Probabilidad de ocurrencia 0.2 0.15 0.1 0.05 0 0 5 10 15 20 25 30 35 Diferencia del nivel de intensidad C-003-19-03 C-003-19-06 C-003-19-29

CARACTERISTICAS DEL FONDO (similitud nivel de gris) Probabilidad de ocurrencia 0.3 0.25 0.2 0.15 0.1 0.05 0 0 5 E-19-07 10 E-19-31 15 E-19-32 20 Diferencia del nivel de intensidad

CARACTERISTICAS DEL FONDO (similitud nivel de gris) Probabilidad de ocurrencia 0.25 0.2 0.15 0.1 0.05 0 0 5 D-19-16 10 D-19-23 15 D-19-25 20 Diferencia del nivel de intensidad

Figura D1 Curvas de percepcin

185

C aracterstiscas d el fon do

C a ra c te rs tis c a sd e l fo n d o

1 Probalidad promedio continuidad 0.99 0.98 0.97 0.96 0.95 0 4 8 12 16 20 D istanciadedilatacin A -001-19-01 A -001-19-05 A -001-19-11 A -001-19-12 A -001-19-15

1 Probalidad promedio continuidad 0 .9 9 0 .9 8 0 .9 7 0 .9 6 0 .9 5 0 4 8 1 2 1 6 2 0 n D is ta n c iad ed ila ta c i A -0 0 1 -2 0 -0 1 A -0 0 1 -2 2 -0 8 A -0 0 1 -2 0 -0 3

C aracterstiscas d el fo n d o

C a ra c te rs tis c a sd e l fo n d o

1 Probalidad promedio continuidad 0.99 0.98 0.97 0.96 0.95 0 4 8 12 16 20 D istanciadedilatacin B -002-19-15 B -002-19-25 B -002-22-02 B -002-22-07

1 0 .9 9 0 .9 8 0 .9 7 0 .9 6 0 .9 5 0 .9 4 0 .9 3 0 .9 2 0 4 8 1 2 1 6 2 0 D ista n ciad ed ila ta ci n C -0 0 3 -1 9 -0 3 C -0 0 3 -1 9 -0 6 C -0 0 3 -1 9 -2 9

CARACTERISTICAS DEL FONDO (Continuidad)

1 Probalidad promedio continuidad 0.99 0.98 0.97 0.96 0.95 0 4 8 D-19-16 12 D-19-23 16 D-19-25 20 Distancia de dilatacin Probalidad promedio continuidad 1 0.99 0.98 0.97 0.96 0.95 0

Probalidad promedio continuidad

CARACTERISTICAS DEL FONDO (Continuidad)

8 E-19-07

12 E-19-31

16 E-19-32

20

Distancia de dilatacin

Figura D2 Curvas de percepcin

186

CARACTERISTICAS DEL FONDO (Continuidad)

Probabilidad de ocurrencia

CARACTERISTICAS DEL FONDO (similitud nivel de gris) 0.3 0.25 0.2 0.15 0.1 0.05 0 0 G-19-9 5 G-19-13 10 15 G-19-15 20 25 30 G-19-42 35 Diferencia del nivel de intensidad

1 Probalidad promedio continuidad 0.99 0.98 0.97 0.96 0.95 0 G-19-9 4 G-19-13 8 G-19-15 12 16 20 G-19-42 Distancia de dilatacin G-19-28

G-19-28

CARACTERISTICAS DEL FONDO (Continuidad)

Probabilidad de ocurrencia 1 Probalidad promedio continuidad 0.99 0.98 0.97 0.96 0.95 0 4 8 H-19-8 12 H-19-18 16 H-19-19 20 Distancia de dilatacin 0.25 0.2 0.15 0.1 0.05 0 0

CARACTERISTICAS DEL FONDO (similitud nivel de gris)

10 H-19-8

15

20

25

30

35

Diferencia del nivel de intensidad H-19-18 H-19-19

CARACTERISTICAS DEL FONDO (Continuidad)

Probabilidad de ocurrencia
1 Probalidad promedio continuidad 0.99 0.98 0.97 0.96 0.95 0 4 8 I-19-08 12 16 I-19-13 20 Distancia de dilatacin

CARACTERISTICAS DEL FONDO (similitud nivel de gris) 0.18 0.16 0.14 0.12 0.1 0.08 0.06 0.04 0.02 0 0 5 10 15 I-19-8 20 25 30 35 Diferencia del nivel de intensidad I-19-13

Figura D3 Curvas de percepcin

187

E. ANEXO TABLA DE DECRIPCION DE METAS

188

Tabla E-1 Descripcin de requerimientos y caractersticas de algunos casos del material particulado
ACTIVIDAD METAS: Medir tamao de partculas
1.

Caracterizar partculas con microscopio ptico

Identificar los diferentes grupos presentes

Caracterizar partculas con microscopio electrnico

3. Asociar forma, tamao y composicin

Describir la distribucin de 2. tamaos

REQUERIMIENTO
Niveles de detalle Alto y esta limitado por el lente utilizado y por el teorema del muestreo Aqu el detalle en la identificacin es un poco amplio debido a que los elementos suministrados dan ideas generales acerca de las partculas La deteccin de los colores para cada condicin de iluminacin Reducir el efecto del halo Alto pues se puede llegar a grandes aumentos

Criterios a optimizar

La deteccin de bordes -

Se tienen que generar bordes cerrados para poder formar una partcula

Medir partculas individuales

La manera de integrar la informacin proveniente de los diferentes tipos de iluminacin

Optimizar el contraste entre las partculas y el material de soporte El enfoque de las partculas 3D aprovechado la gran profundidad de campo que presenta el microscopio electrnico Al medir la composicin se de partculas se debe hacer en aquellas que permitan tener una micra volumtrica

Limite

Evitar partculas desenfocadas pues no tienen tamao real. Solo se miden los tamaos en la proyecciones 2D de las partculas

Es clasificar las partculas en los grandes grupos establecidos

Aumentos en donde el enfoque no sea bueno

DESCRIPCIN DE DATOS

Fsica
Tamao imagen Condiciones del microscopio Objetivos Montaje 608*478 Transmitida 608*478 Luz transmitida, luz transmitida con polarizadores cruzados, luz fluorescente, luz reflejada 50X Montaje de granos, Montaje en papel filtro con aceite jpg 100% RGB Pixera varia segn el tipo de iluminacin 640*480 El tipo de sensor que se utilice electrones retroproyectados o electrones secundarios Montaje de granos sobre cinta pegante y montaje de granos pulidos en un soporte de resina tiff Niveles de gris El sensor controla el brillo y el contraste

(20X,50X,100X) Montaje de granos en soporte de gelatina jpg 100% RGB, esta actividad se puede realizar con niveles de gris Pixera varia su condicin segn el objetivo utilizado

Formato imagen Formato color Condiciones cmara

189

Medir tamao de partculas Percepcin Elementos

Caracterizar partculas con microscopio ptico

Caracterizar partculas con microscopio electrnico Residuos de combustin niveles de gris bajos

Partculas oscuras , semitransparentes, transparentes y el fondo

Fibras del filtro. (Partculas alargadas y cierta forma curva)

Partculas enfocadas y desenfocadas Partculas transparentes con ndices similar a la gelatina presentan problemas de contraste en el borde (necesario utilizar luz polarizada cruzada o luz fluorescente Partculas residuos de combustin tienen poros al interior y/0 formas irregulares

El halo es un elemento que genera un brillo alrededor de la partcula y que puede afectar la segmentacin Dependiendo de si el diafragma de la luz trasmitida en el microscopio esta abierto o cerrado los borde de las partculas se hacen menos o ms contrastado respectivamente Las partculas en luz reflejada en general tienen bajo contraste. -

Fibras del filtro nivel de gris alto

Granos de polen Minerales

Con las diferentes condiciones de iluminacin se resaltan comportamientos de los distintos grupos lo que permite identificarlos

Partculas residuos de combustin en forma de aglomerados de partculas pequeas

Partculas orgnicos formas irregulares "curvas" bordes poco contrastrados Ruido en el borde

Semntica

Zonas oscuras son debidas al desenfoque de las partculas

En las imgenes de luz polarizada algunas partculas aparecen con anisotropia otras no

Hay aglomeracin de partculas genera cambios en la forma

En la fluorescencia al montaje en la gelatina es fluorescente (dbil)

Se tienen imgenes con partculas en 2D y en 3D Algunas zonas estn saturadas en blanco y esto se debe a que la muestra "se cargo" y es un problema tanto del material como del montaje El sobrelapamiento en general es ocasionado por las fibras del filtro cuando se extraen estas directamente de este para ser colocadas en la cinta pegante.

190

Semntica

Hay partculas muy pequeas con muy bajo contraste

Para decidir en que tipo se puede clasificar una partcula analizada es necesario analizar las respuestas a las diferentes condiciones de iluminacin.

Un buen tamao de . una partcula debe ser tal que supere los limites generados por el coeficiente de variacin pero no tan grande que no se pueda ver completamente la forma en la imagen. A pesar de las . partculas transparentes con bordes con bajo contraste en general se puede considerar la imagen como fondo (vidrio+ gelatina) Algn ruido en la . imagen se genera por la compresin aplica el formato jpg.

Las diferencias de intensidad en los niveles de gris cuando se usa el sensor de electrones rectroproyectados en general se puede considerar como diferencias en composicin Algunas partculas porosas residuos de combustin

191

F. ANEXO RESULTADOS PRELIMINARES DE OTRAS MICROSCOPIAS

Uno de los temas abiertos en el estudio de las partculas es generar modelos 3D de ellas, los cuales se usan para poder conocer cmo son las superficies y cul es el volumen. La microscopia SEM se aproxima a la forma 3D con imgenes 2D, aunque se pueden desarrollar mtodos para generar los volmenes de las partculas, esta microscopa en nuestro medio todava es restringida. Otras microscopias como la interferomtrica, de la cual su implementar en la principio de funcionamiento se presenta en se puede Garzn (GARZON 2003). Esta microscopa tienen proyeccin, pues

infraestructura de los microscopios que se tienen en el

laboratorio, permitiendo con un microscopio ptico generar imgenes 3D de las partculas. Fuera de anterior se cuenta con microscopias de probetas de barrido (SPM), las cuales no son tampoco de fcil acceso a nivel nacional, pero estas son especiales para describir las caractersticas de las superficies. En esta parte se muestran las exploraciones que se hicieron de estos dos tipos microscopias en relacin al problema del material particulado.

F.1 MICROSCOPIA INTERFEROMETRICA.

En la microscopia interferomtrica debido a que las muestras requieren muy alta reflexin se hicieron preparaciones de granos, montajes pulidos de granos y adems se observo el filtro donde se capturan las partculas, todas esas muestras se

192

recubrieron con oro

usando las

tcnicas de preparacin

de la

microscopia figuras de

electrnica. En esta microscopia interferencia en esos

se exploraron diferentes partculas a las que se era posible encontrar analizaron partculas orgnicas, residuos de

conocan su clasificacin y se analiz, s objetos; se

combustin y minerales. Algunas partculas no reflejaban lo suficiente para permitir observar las figuras de interferencia, en especial no fue posible observar las partculas que estaban en el papel filtro. En la Figura F-1 se muestra la respuesta de algunas partculas que presentan lneas de interferencia. Aqu es importante explicar que ms que una sola imagen con las franjas de interferencia, la microscopia interferometrica construye la imagen 3D por una coleccin de imgenes en las cuales a los puntos de mxima intensidad en las franjas de interferometra se le almacena una altura del eje Z del microscopio, as que las imgenes que se muestran en esta
Figura F-1 solo representan una de las tantas imgenes que son necesarias en la

observacin 3D de un objeto. En la Figura F-2 se muestra como el sistema de microscopia interferomtrica de la universidad UIS de Bucaramanga, construir una imagen 3D de una zona observacin es sobre una permite en donde hay una partcula, est Lo

muestra pulida, lo interesante es que fcilmente logra

medir irregularidades en la superficie que estn del orden de 3 micras.

importante a destacar de este trabajo con la microscopa interferomtrica, es que no hay investigaciones que apunten su utilizacin en el caso estudio. Sin embargo, hay potencial pues para algunas partculas se pueden generar modelos 3D, debido a que presentan lneas de interferencia. Queda abierta la pregunta s aquellas partculas que no presentan las franjas interferomtricas tienen caractersticas que permiten asociarlas a un grupo de clasificacin determinado.

F.2

MICROSCOPIA SPM.

Para explorar la microscopa de sondas de barrido, se utilizaron los modos de (AFM) microscopio de fuerza atmica que sirve para analizar la topografa, (FMM )

193

Fig A

Fig B

Fig C

Figura F-1 Ejemplos de las franjas interferometricas en la observacin de muestras de material particulado Fig. A es una imagen con franjas antes de observar la escama de insecto. Fig B es una escama de insecto con franjas que permitirn construir su modelo 3D Fig C es una residuo de combustin con una muy pequea zona con una franja de interferencia, la flecha indica esta zona.

194 1

Fig A

Fig B

Fig C

Figura F-2 Resultados de la microscopia interferometrica de una partcula pulida. Fig A mapa de inteferencia, Fig B histograma que muestra la diferencia altura de las dos superficies mas importantes. Fig.C Modelo 3D de la regin de la a Fig. A

195 2

microscopio de modulacin de la fuerza que sirve para medir propiedades elsticas y (PMM) microscopio de modulacin de fase que sirve para medir propiedades mecnicas con las cuales se pueden diferenciar materiales si estos presentan caractersticas distintas. En la Figura F-3 se muestran las imgenes del interior de una partcula de unas cenizas de material particulado presente en los filtros del material particulado del Medelln. Las imgenes son de izquierda a derecha (AFM,FMM,PMM). Es interesante observar que la partcula, parece estar formada por pequeas bolitas, queda la pregunta, de s esta corresponde a los fenmenos de agregacin, los cuales se dan en los procesos de producen por la contaminacin. Una las reacciones qumicas que se cosa a destacar es que todas las imgenes

presentan ruido (rayas horizontales), pero no se sabe si esto es debido al proceso de pulido de la muestra o si tiene que ver con la naturaleza fsica del material analizado. La idea de utilizar el AFM, es poder llegar a resoluciones en que el SEM queda limitado. En la Figura F-4 se presentan en las imgenes superiores la observacin de un punto donde no haba partculas de muestra, sino slo resina de la probeta en que se mont el material particulado. En las imgenes de abajo, se tiene la observacin de una zona donde haba un grupo de partculas pequeas aglomeradas, pero a pesar de esto segn las imgenes de topografa (AFM) es muy posible que slo se este reportando el efecto que tiene la resina y no el de la agregacin de las las partculas con este tipo de partculas, esto es algo que se debe explorar con cuidado para definir si realmente se puede observar las caractersticas reales de modo de anlisis montaje. Adems queda la pregunta de s para poder analizar los granos, el utilizar de lquidos con partculas de suspensin, permitir observar las caractersticas superficiales de las partculas.

196 1

Como conclusin se puede decir que esto

el explorar

nuevas microscopias

es un

elemento que puede entregar nuevas maneras de observacin de las partculas y con quizs encontrar caractersticas que permitan hacer clasificaciones segn las respuestas fsicas de la superficie.

Fig A

Fig B

Fig C

Figura F-3. Anlisis de una partcula de cenizas del material pariculado observada bajo los modos de AFM, FMM, PMMM Fig A modo AFM, Fig B modo FMM Fig. C modo PMM Fig A Fig B Fig C

Fig E Fig D

Fig F

Figura F-4. Anlisis de una zona con resina y de una zona con particulas pequeas aglomeradas observadas bajo los modos de AFM, FMM, PMMM Fig A modo AFM, Fig B modo FMM Fig. C modo PMM Fig D modo AFM, Fig E modo FMM Fig. F modo PMM

197 2