Caracterización de formas mediante técnicas multiresolución aplicadas a otolitos Elena Torrecilla...
-
Upload
alejandro-venegas-hidalgo -
Category
Documents
-
view
223 -
download
0
Transcript of Caracterización de formas mediante técnicas multiresolución aplicadas a otolitos Elena Torrecilla...
Caracterización de formas mediante técnicas multiresolución
aplicadas a otolitos
Elena Torrecilla
Unidad de Tecnología Marina (UTM)Centro Mediterráneo de Investigaciones Marítimas y Ambientales
CSIC
Proyectos relacionados:
• IBACS (EU-QQLRT-2001) • AVG-ION (MCyT - TIC2000-0376-p4-04) • AGE&SHAPE (95-810.OP)
Otolitos
otolitos
Los otolitos son unos cuerpos calcáreos situados en el oído interno de los peces.
Gobionotothen gibberifrons
Merlucius merlucius
Identificación DataciónEstas estructuras a lo largo del tiempo almacenan en su microestructura y química información relativa al crecimiento, edad, patrón de movimiento y hábitat de los peces.
Objetivo
Proponer un método objetivo para la detección de singularidades en señales contorno de otolitos (landmark detection) que permita
realizar una clasificación automática de especies de peces
Aplicación de técnicas de procesado multiresolución
Wavelet Transform Modulus Maxima
Gobionotothen gibberifrons Merluccius merluccius
Binarización
Extracción de contorno de otolitos y codificación
Extracción contorno
N=512
Orientación estándar
(xn, yn)
CARTESIANA
d(0)
d(10) d(25)
POLARCodificación contorno
Muestra [n]
0 200 400 600 800 1000 12000
100200300400500600
x[n]
y[n]
0 200 400 600 800 1000 120050
100
150
200
250
300
Angle step [º]
d [n]f[n]=x[n]+iy[n]
Transformada Wavelet Continua
Wavelet mother
f(t)
t
s
Multiresolución tiempo-frecuencia
Mexican hat
(segunda derivada de un filtro gaussiano)
-5 -4 -3 -2 -1 0 1 2 3 4 5-0.5
0
0.5
1
Análisis Derivativo
-2 0 20
0.5
1
500 1000 15000
50
100
500 1000 1500-0.2
0
0.2
0.4
0.6
0.8g1 x g1 [ x g1 ]’
[ ]’
g2 x g2 [ x g2 ]’
-2 0 20
0.5
1
500 1000 15000
50
100
500 1000 1500-0.2
0
0.2
0.4
0.6
0.8
[ ]’
-2 0 20
0.5
1
500 1000 15000
50
100
500 1000 1500-0.2
0
0.2
0.4
0.6
0.8g3 x g3 [ x g3 ]’
[ ]’
Aproximación multiescala mediante un banco de filtros gaussianos
500 1000 15000
50
100
500 1000 1500
0
10
20
30
x
derivada[ ]’
[ x ]’
Sensibilidad frente a errores / ruido en los datos
Análisis Derivativo y Transformada Wavelet
500 1000 15000
50
100
x
-2 0 20
0.5
1
500 1000 15000
50
100
500 1000 1500-0.2
0
0.2
0.4
0.6
0.8g1 x g1 [ x g1 ]’
[ ]’
500 1000 1500-0.2
0
0.2
0.4
0.6
0.8x [g1 ]’
-2 -1 0 1 2-0.1
0
0.1[ g1 ]’
[ ]’
[ x g1 ]’ = x [g1 ]’
Transformada WaveletAnálisis Derivativo
Propiedad de la convolución y la derivada
Wavelet Transform Modulus Maxima / Skeleton
50 100 150 200 250 300 350 400 450 500
2
3
4
5
6
7
8
9
sca
le
-200 -150 -100 -50 0 50 100 150 200
-150
-100
-50
0
50
100
150
1
2
3
4
5
6
7
8
0 50 100 150 200 250 300 350 400 450 500
-200
-150
-100
-50
0
50
100
150
200
x
y
Wavelet Transform Modulus Maxima / Skeleton
-200 -150 -100 -50 0 50 100 150 200
-150
-100
-50
0
50
100
150
1
2
3
4
5
6
7
8
5
8
3 4
2
6
CWT
m
7
1
scal
e
0 50 100 150 200 250 300 350 400 450 500
2
3
4
5
6
7
8
9
50 100 150 200 250 300 350 400 450 500
2
3
4
5
6
7
8
9
scal
e
Skeleton
m
2 3 4 5 6 7 8 9-10
-8
-6
-4
-2
0
2
4
6Skeleton
scale
Am
plitu
de c
wt
Wavelet Transform Modulus Maxima / Skeleton
2 3 4 5 6 7 8 9-10
-8
-6
-4
-2
0
2
4
6
8
7
6
5
4
3
1 2
-200 -150 -100 -50 0 50 100 150 200
-150
-100
-50
0
50
100
150
1
2
3
4
5
6
7
8
Landmark detection
-200-150
-100-50
050
100150
200 -150
-100
-50
0
50
100
150
0
1
2
3
4
5
1
2.7 3
2.46
8
0.272
5
4.1
293.1sr.IXY CENTROIDE 6 x i y ponderats per z normalitzada a les dif. escales
4
1.28
6
0.189
7
0.176
2
1.46
-200-150
-100-50
050
100150
200250-150
-100
-50
0
50
100
150
0
1
2
3
4
5
1
5
0.425
4
1.01
308.1sr.IXY CENTROIDE 6 x i y ponderats per z normalitzada a les dif. escales
8
1.51
6
0.627
3
2.56
9
0.431
5
0.775
2
1.57
10
0.435
0.356
7
0.897
0.454
-300-200
-1000
100200
300-100
-50
0
50
100
150
0
0.5
1
1.5
2
2.5
3
3.5 2.77
0.854
1.48
3.07
0.226 0.636
2.91
0.287
-300-200
-1000
100200
300-200
-150
-100
-50
0
50
100
150
200
0
0.5
1
1.5
2
2.5
3
3.5
4
1
2.72
0.316
3
3.6
7
4
2.46 1.39
2.91
0.979
6
2.27
8
1.18
2
1.71
5
1.54 0.302
Resumen
Detección de singularidades en señales contorno de otolitos mediante análisis multiresolución:
Wavelet Transform Modulus Maxima Landmark detection
Reducción del número de puntos en la caracterización de formas
Posibilidad de implementar un sistema de clasificación automática de especies de peces combinando esta caracterización y otros parámetros (área, perímetro, axis ratio, etc. )
Aplicación de la metodología a señales espectrales