Análisis de imágenes

El análisis de imágenes o análisis de imágenes es la extracción de información significativa de imágenes ; principalmente de imágenes digitales mediante técnicas de procesamiento digital de imágenes . ^{[ 1 ]} Las tareas de análisis de imágenes pueden ser tan simples como leer etiquetas con código de barras o tan sofisticadas como identificar a una persona por su rostro .

Las computadoras son indispensables para el análisis de grandes cantidades de datos, para tareas que requieren cálculos complejos o para la extracción de información cuantitativa. Por otro lado, la corteza visual humana es un excelente aparato de análisis de imágenes, especialmente para extraer información de nivel superior, y para muchas aplicaciones —incluidas la medicina, la seguridad y la teledetección— los analistas humanos aún no pueden ser reemplazados por computadoras. Por esta razón, muchas herramientas importantes de análisis de imágenes, como los detectores de bordes y las redes neuronales, se inspiran en los modelos de percepción visual humana .

El análisis de imágenes digitales o análisis de imágenes por computadora consiste en que una computadora o un dispositivo electrónico estudia automáticamente una imagen para obtener información útil. Cabe destacar que el dispositivo suele ser una computadora, pero también puede ser un circuito eléctrico, una cámara digital o un teléfono móvil. Abarca los campos de la visión artificial y la imagen médica , y hace un uso intensivo del reconocimiento de patrones , la geometría digital y el procesamiento de señales . Este campo de la informática se desarrolló en la década de 1950 en instituciones académicas como el Laboratorio de IA del MIT , originalmente como una rama de la inteligencia artificial y la robótica .

Se trata de la caracterización cuantitativa o cualitativa de imágenes digitales bidimensionales (2D) o tridimensionales (3D) . Las imágenes 2D se analizan, por ejemplo, en visión artificial , y las imágenes 3D en imagenología médica . Este campo se estableció entre las décadas de 1950 y 1970, con contribuciones pioneras de figuras como Azriel Rosenfeld , Herbert Freeman , Jack E. Bresenham y King-Sun Fu . ^{[ 2 ]}

Existen diversas técnicas para el análisis automático de imágenes. Cada técnica puede ser útil para un número limitado de tareas; sin embargo, aún no se conocen métodos de análisis de imágenes lo suficientemente genéricos para una amplia gama de tareas, en comparación con las capacidades de análisis de imágenes humanas. Algunos ejemplos de técnicas de análisis de imágenes en diferentes campos incluyen:

• Reconocimiento de objetos 2D y 3D ,
• segmentación de imágenes ,
• detección de movimiento, por ejemplo, seguimiento de partículas individuales ,
• seguimiento de vídeo ,
• flujo óptico ,
• análisis de escaneo médico ,
• Estimación de pose 3D .

Desde principios de la década de 2010, los métodos de aprendizaje profundo han impulsado sustancialmente el campo del análisis de imágenes. En 2012, una red neuronal convolucional profunda (CNN) conocida como AlexNet logró una reducción significativa en las tasas de error en el conjunto de datos de referencia de clasificación de imágenes a gran escala ImageNet , demostrando la eficacia del aprendizaje profundo para tareas de reconocimiento visual. ^{[ 3 ]} Arquitecturas posteriores, como ResNet, introdujeron conexiones residuales que permitieron el entrenamiento de redes mucho más profundas, mejorando aún más la precisión en las tareas de análisis de imágenes. ^{[ 4 ]}

La detección de objetos en tiempo real se volvió práctica con marcos como YOLO (You Only Look Once), que unificó la detección y la clasificación en una sola pasada de red. ^{[ 5 ]} En 2020, Vision Transformer (ViT) demostró que las arquitecturas Transformer , desarrolladas originalmente para el procesamiento del lenguaje natural , podían lograr resultados competitivos en la clasificación de imágenes cuando se aplicaban directamente a secuencias de parches de imágenes. ^{[ 6 ]}

Más recientemente, los modelos básicos entrenados con conjuntos de datos a gran escala han permitido la generalización sin entrenamiento previo en diversas tareas de análisis de imágenes. El modelo Segment Anything (SAM), entrenado con más de mil millones de máscaras, puede segmentar objetos arbitrarios en imágenes sin necesidad de ajustes específicos para cada tarea. ^{[ 7 ]} Estos avances han hecho que las técnicas de análisis de imágenes sean cada vez más accesibles mediante herramientas basadas en navegador e implementaciones de código abierto. ^{[ 8 ]}

Las aplicaciones del análisis de imágenes digitales se están expandiendo continuamente en todos los ámbitos de la ciencia y la industria, incluyendo:

• La anatomía permite realizar mediciones precisas, visualizar y analizar estadísticamente las estructuras anatómicas. ^{[ 9 ]}
• lectura de microplacas de ensayo , como por ejemplo para detectar dónde se fabricó un producto químico.
• astronomía , como por ejemplo calcular el tamaño de un planeta.
• identificación automatizada de especies (por ejemplo, especies de plantas y animales)
• defensa
• análisis del nivel de error
• filtración
• visión artificial , por ejemplo, para contar automáticamente los artículos en una cinta transportadora de una fábrica.
• ciencia de los materiales , como por ejemplo determinar si una soldadura metálica tiene grietas.
• medicina , como por ejemplo la detección del cáncer en una mamografía.
• metalografía , como por ejemplo determinar el contenido mineral de una muestra de roca.
• microscopía , como por ejemplo contar los gérmenes en un hisopo.
• reconocimiento automático de matrículas ;
• reconocimiento óptico de caracteres , como la detección automática de matrículas.
• teledetección , como la detección de intrusos en una casa y la producción de mapas de cobertura/uso del suelo. ^{[ 10 ] [ 11 ]}
• robótica , por ejemplo, para evitar chocar contra un obstáculo.
• seguridad , como por ejemplo detectar el color de ojos o el color de pelo de una persona.

El análisis de imágenes basado en objetos ( OBIA ) comprende dos procesos típicos: segmentación y clasificación. La segmentación ayuda a agrupar píxeles en objetos homogéneos. Estos objetos suelen corresponder a características individuales de interés, aunque es muy probable que se produzcan sobresegmentaciones o subsegmentaciones. La clasificación se realiza a nivel de objeto, utilizando diversas estadísticas de los objetos como características en el clasificador. Estas estadísticas pueden incluir la geometría, el contexto y la textura de los objetos de la imagen. A menudo se prefiere la sobresegmentación a la subsegmentación al clasificar imágenes de alta resolución. ^{[ 12 ]}

El análisis de imágenes basado en objetos se ha aplicado en muchos campos, como la biología celular, la medicina, las ciencias de la tierra y la teledetección. Por ejemplo, puede detectar cambios en la forma de las células durante el proceso de diferenciación celular; ^{[ 13 ]} también se ha utilizado ampliamente en la comunidad cartográfica para generar cobertura terrestre . ^{[ 12 ] [ 14 ]}

Cuando se aplica a imágenes terrestres , OBIA se conoce como análisis de imágenes basado en objetos geográficos (GEOBIA), definido como "una subdisciplina de la ciencia de la geoinformación dedicada a (...) particionar imágenes de teledetección (RS) en objetos de imagen significativos y evaluar sus características a través de escalas espaciales, espectrales y temporales". ^{[ 15 ] [ 14 ]} La conferencia internacional GEOBIA se ha celebrado bianualmente desde 2006. ^{[ 16 ]}

Las técnicas OBIA se implementan en software como eCognition o la caja de herramientas Orfeo .

• Imágenes arqueológicas
• Tecnologías de imagen
• Procesamiento de imágenes
• imc FAMOS (1987), análisis gráfico de datos
• Mapeo de la cobertura del suelo
• Inteligencia militar
• Teledetección

• Manual de procesamiento de imágenes de John C. Russ, ISBN 0-8493-7254-2(2006)
• Procesamiento y análisis de imágenes: métodos variacionales, de ecuaciones diferenciales parciales, de ondículas y estocásticos por Tony F. Chan y Jianhong (Jackie) Shen , ISBN 0-89871-589-X(2005)
• Visión frontal y análisis de imágenes multiescala por Bart M. ter Haar Romeny, Tapa blanda, ISBN 1-4020-1507-0(2003)
• Guía práctica para el análisis de imágenes por JJ Friel, et al., ASM International , ISBN 0-87170-688-1(2000).
• Fundamentos del procesamiento de imágenes por Ian T. Young, Jan J. Gerbrands, Lucas J. Van Vliet, rústica, ISBN 90-75691-01-7(1995)
• Análisis de imágenes y metalografía , editado por PJ Kenny, et al., International Metallographic Society y ASM International (1989).
• Análisis cuantitativo de imágenes de microestructuras por HE Exner y HP Hougardy, DGM Informationsgesellschaft mbH, ISBN 3-88355-132-5(1988).
• "Preparación de muestras metalográficas y materialográficas, microscopía óptica, análisis de imágenes y ensayos de dureza", Kay Geels en colaboración con Struers A/S, ASTM International 2006.