34 ANÁLISIS Espacio L*a*b* L*a*b* TSL L*a*b* XYZ YUV L*a*b* Canales Celdas a* 32 L*-a* 64 T-S-L 16 a*-b* 32 X-Y 128 U-V 32 L*a*b* 32 Original 0,84% (0,53s) 0,78% (0,58s) 0,87% (1,54s) 0,99% (0,55s) 0,87% (0,53s) 1,04% (0,52s) 1,07% (0,68s) Reducción 0,80% (0,29s) 0,75% (0,30s) 0,77% (1,28s) 0,94% (0,28s) 0,82% (0,23s) 1,04% (0,22s) 1,01% (0,32s) Morfología 0,65% (0,56s) 0,53% (0,61s) 0,57% (1,45s) 0,67% (0,58s) 0,54% (0,56s) 0,71% (0,55s) 0,65% (0,70s) Ambas 0,55% (0,30s) 0,51% (0,31s) 0,60% (1,29s) 0,54% (0,29s) 0,48% (0,24s) 0,53% (0,22s) 0,51% (0,33s) Tabla 2: Tasas de error y tiempos de ejecución de la clasificación automática para los siete mejores espacios de color y canales; se muestra el error medio en % (entre paréntesis, el tiempo medio por imagen en segundos). Original: imágenes de resolución original; Reducción: tamaño reducido a la mitad; Morfología: aplicación de los operadores de morfología abrir y cerrar; Ambas: resultados de combinar ambas mejoras. mejores modelos de color son aquellos que separan un canal de luminancia y dos de crominancia, donde los se- gundos son los que aportan la información relevante para el problema. En concreto, el espacio L*a*b* ha demos- trado estar por encima del resto en la mayoría de los casos; el espacio RGB, a pesar de ser uno de los más extendidos, no debería ser usado para la clasificación automática. Finalmente, la aplicación de operaciones de Referencias bibliográficas pre- (reducción de las imágenes con supermuestreo) y post-procesamiento (operadores de morfología matemá- tica) es muy útil para mejorar los resultados y reducir los tiempos de ejecución. Actualmente, el equipo de inves- tigación está trabajando en la implementación de aplica- ciones a nivel de usuario para realizar la segmentación automática en dispositivos móviles, usando los resulta- dos de este estudio.I • Allen, R.G., Pereira, L.S., Raes, D., Smith, M. 1998. Crop evapotranspiration-Guidelines for computing crop water requi- rements-FAO Irrigation and drainage paper 56. FAO, Rome 300, 6541. • Cubero, S., Aleixos, N., Moltó, E., Gómez-Sanchis, J., Blasco. J. 2011. Advances in machine vision applications for auto- matic inspection and quality evaluation of fruits and vegetables. Food and Bioprocess Technology, Vol. 4 (4):487-504. • Fernández-Pacheco, D.G., Escarabajal-Henarejos, D., Ruiz-Canales, A., Conesa, J., Molina-Martínez, J.M. 2014. A new di- gital image processing based methodology for determining Kc in lettuce crops in the Southeast of Spain. Biosystems En- gineering 117:23-34. • Kumar, P., Sengupta, K., Lee, A. 2002. A comparative study of different color spaces for foreground and shadow detection for traffic monitoring system. Intelligent Transportation Systems:100-105. • Lin, K., Chen, J., Si, H., Junhui, W. 2013. A review on computer vision technologies applied in greenhouse plant stress detection. Advances in Image and Graphics Technologies, 363, 192–200. • Luszczkiewicz-Piatek, M. 2014. Which color space should be chosen for robust color image retrieval based on mixture modeling. Advances in Intelligent Systems and Computing. Vol. 233:55-64. • McCarthy, C.L., Cheryl, N.H., Hancock, S.R. 2010 Applied machine vision of plants - a review with implications for field deployment in automated farming operations. Intelligent Service Robotics, 3 (4), 209–217. • Shih, P., Liu, C. 2005. Comparative assessment of content-based face image retrieval in different color spaces. Int. J. Patt. Recogn. Artif. Intell. 19(7), 873-893. • Terrillon, J.C., Akamatsu, S. 2000. Comparative performance of different chrominance spaces for color segmentation and detection of human faces in complex scene images. International Conf. on Face and Gesture Recognition, 54-61. tecnología