29 ANÁLISIS En este artículo se aborda la segmentación de imá- genes de cultivos mediante color. El aspecto clave es el modelado de las funciones de distribución de probabilidad del color de las plantas y del suelo; dichas distribuciones son modeladas de forma no paramétrica con histogramas. La efectividad de la técnica depende de la capacidad del espacio de color utilizado. Por ello, se han comparado diversos espacios de color: RGB, rgb, XYZ, L*a*b*, L*u*v*, HSV, HLS, YCrCb, YUV, TSL e I1I2I3. En cada espacio, a su vez, surgen diferentes alter- nativas: qué canales utilizar y el tamaño de los histogra- mas. Partiendo de un conjunto muy amplio y variado de imágenes de lechuga (Lactuca sativa), se ha llevado a cabo un estudio exhaustivo y sistemático de la forma óp- tima de modelar el color en el problema de segmenta- ción. Los resultados demuestran la superioridad en los modelos que separan luminancia y crominancia, y en es- pecial el espacio de color L*a*b*. Adicionalmente, diver- sas etapas de pre- y post-procesamiento pueden lograr mejorar los resultados hasta un acierto del 99,5% tardan- do solo 0,3 segundos por imagen en un ordenador con- vencional. Introducción El análisis automático de imágenes digitales de cultivos es un campo de investigación muy activo y atractivo en el que confluyen la visión por computador y la agromótica (Cubero et al., 2011). El color es una característica esen- cial en muchos problemas de este dominio, aunque no toda la visión artificial se basa en el uso de color; de hecho, existe una amplia variedad de técnicas alternativas que han sido usadas en aplicaciones agromóticas, como el análisis de bordes, formas, texturas, etc. Sin embargo, el manejo de color presenta grandes ventajas en los pro- blemas que nos ocupan por su baja dimensionalidad, alta expresividad y facilidad de procesamiento. El color puede servir para discriminar de forma precisa y eficiente los pí- xeles, o zonas de una imagen, que corresponden al suelo o a vegetación. De esta forma, el resultado de la clasifi- cación en suelo o planta puede usarse para la medición del coeficiente de cobertura vegetal (Fernández-Pacheco et al., 2014). Este parámetro tiene un papel clave en la monitorización de cultivos y es ampliamente aplicado para determinar las necesidades hídricas de los cultivos usando la metodología FAO-56 (Allen et al., 1998). El problema de la segmentación automática suelo/plata ha sido ampliamente estudiado por diversos investigado- res, como puede comprobarse en dos revisiones recien- tes del estado del arte (Lin et al., 2013; McCarthy et at., 2010). En la mayoría de estos trabajos la clasificación se hace usando diversas técnicas como umbralización, dis- criminantes lineales, modelos de gausianos, lógica difusa, redes neuronales, y otros; pero el espacio de color es fi- jado de antemano, y se echan en falta estudios compara- tivos sobre la efectividad de diversos modelos de color en plantas. Sin embargo es habitual encontrar ese tipo de trabajos comparativos otros dominios. Por ejemplo, Shih y Lui (2012) evaluaron comparativamente 12 espacios de color en aplicaciones de procesamientos de caras, y lle- garon a la conclusión de que los espacios óptimos son YUV y YIQ; Luszczkiewicz-Piatek (2014) estudia la elec- ción del espacio de color para la recuperación de imáge- nes en grandes bases de datos; el color se representa con modelos de mezcla de gaussianas y se analizan 11 espacios de color. Por su parte, Terrillon y Akamatsu (2000) introdujeron el espacio TSL, y se compararon 9 es- pacios en la detección de caras. En consecuencia, el objetivo de este trabajo es realizar un estudio completo y exhaustivo, con el propósito de se- leccionar el espacio de color óptimo y la forma más efec- tiva de representar las distribuciones de color para los problemas de clasificación en el dominio agromótico, y en concreto para la segmentación automática de plantas en imágenes. Materiales y métodos Imágenes utilizadas para la experimentación La imágenes utilizadas para los experimentos correspon- den a cultivos de lechuga (Lactuca sativa), en la comarca del campo de Cartagena (37o46’N, 0o58’O). Se realizaron dos series de fotografías. La primera serie tuvo lugar entre octubre de 2010 y enero de 2011, y la segunda entre octubre y diciembre de 2012. En cada una de estas series se hizo un seguimiento fotográfico de 4 parcelas diferentes, a intervalos de entre 2 y 4 días. Las imágenes fueron tomadas con una cámara digital compacta Nikon modelo Coolpix S3300 a alta resolución, y presentan una vista cenital del terreno, como muestra la figura 1. Las imágenes fueron recortadas y normalizadas respecto a un patrón rectangular (situado físicamente en el suelo); como resultado, las imágenes de la primera serie tienen una resolución de 1.500 x1.500 píxeles y 3.600 x 2.000 píxeles la segunda. Después fueron segmentadas ma- tecnología