30 ANÁLISIS Figura 1: Imágenes usadas para la experimentación. a) Una visión general de una de las parcelas con el área de interés señalada. b) Ejemplo de una fotografía de la parcela. c) La misma fotografía después de la clasificación con ENVI en suelo y planta. nualmente por expertos usando el software ENVI (Envi- ronment for Visualizing Images) versión 4.0, obteniendo imágenes binarias donde cada píxel es clasificado como suelo o planta (Fig. 1c). En total hay 169 imágenes de alta calidad, que presentan una gran variabilidad en cuanto a la iluminación, porcentaje de cobertura vegetal, aparición de sombras, humedad del suelo, tipos de suelo, etc. En los experimentos, la primera serie es utilizada para el en- trenamiento de los modelos de color, y la segunda para su validación experimental. Clasificación y representación del color El color concreto de un píxel del suelo, o de las plantas, puede entenderse como un suceso estocástico dentro del espacio n-dimensional definido por el espacio de color usado. En el caso del suelo, la distribución de probabilidad del color está determinada por el tipo y composición del suelo, la iluminación en el momento de tomar la foto y los parámetros propios de la cámara, como el balance de blancos; de forma similar ocurre con el color de la cober- tura vegetal, donde la clorofila da lugar a la predominancia de los tonos verdes. Supongamos conocidas las funciones de distribución pro- babilidad del color del suelo, Psuelo(color), y del color de la planta, Pplanta(color), donde color es una tupla de un es- pacio de color cualquiera. Considerando equiprobables las probabilidades a priori de suelo y de planta, la probabilidad de que un píxel, color, concreto sea de planta o de suelo, puede calcularse de forma sencilla mediante la regla de Bayes, dada por la fórmula: En consecuencia, el píxel concreto es asignado a la clase de mayor probabilidad entre P(planta|color) y P(suelo|color). De manera trivial, el problema se reduce a buscar el máximo entre Pplanta(color) y Psuelo(color) para cada píxel de las imágenes. La clasificación píxel-a-píxel obtenida de esta forma se puede mejorar con la aplicación de operaciones de pro- cesamiento local, que tienen en cuenta la vecindad de los píxeles. En concreto, se han comprobado dos opciones: reducción de la imagen por 2 usando interpolación de su- permuestreo, y operaciones de morfología matemática. Mientras que la primera consigue reducir el nivel de ruido de las imágenes (al hacer un promediado de píxeles), la segunda permite limpiar el resultado de valores espurios. Además, ambas operaciones pueden aplicarse de forma combinada. Espacios de color analizados Las formas que adoptan las funciones de distribución de probabilidad, Psuelo y Pplanta, dependen, lógicamente, del espacio de color adoptado. Cada espacio genera distintos grados de separación entre las distribuciones, afectando así la efectividad de la clasificación. Los modelos de color seleccionados para el estudio, escogidos entre los más habituales en aplicaciones de visión artificial (Luszczkie- wicz, 2014), son los siguientes: • RGB, rgb. El espacio RGB es el más extendido en dis- positivos de captura y generación de color. Se basa en un modelo de mezcla aditivo, donde cada color se forma por combinación de los tres colores primarios: rojo (R), verde (G), y azul (B). A partir de este modelo se define la varian- te normalizada rgb, que consiste en dividir los valores de RGB por (R+G+B). • XYZ. Es un modelo que simula la respuesta de los tres tipos de fotorreceptores de la retina (aquellos con espec- tros de absorción en longitudes de ondas altas, medias y tecnología