MINERÍA la mejor puerta de acceso al sector minero MINERÍA / MAYO 2023 / EDICIÓN 548 34 bloques de extracción de características de color y textura, mostrados en la Figura 5. La entrada a esta etapa es el conjunto de Nv subimágenes de color válidas, y la salida es un conjunto de Nv vectores de características, cada uno con 24 características de color y 12 de textura (36 en total). La Figura 8 muestra un diagrama de bloques detallado que representa los algoritmos utilizados en esta fase. Una vez identificadas todas las subimágenes válidas, la siguiente etapa del algoritmo consiste en extraer un vector de características de cada una de ellas. Como se menciona al inicio, varios trabajos, como[11,14,15], han demostrado que las características de color y textura pueden utilizarse para clasificar distintos tipos de minerales. Las características de color utilizadas con éxito en el pasado incluyen estadísticas de color y análisis multidireccional de componentes principales (MPCA), mientras que las de textura incluyen características de Haralick, wavelets, filtros de Gabor, o modulación de amplitud y frecuencia (AMFM)[28]. Este artículo presenta una etapa de extracción de características que utiliza estadísticas de color, análisis de componentes principales y ondículas. También se evaluaron otros métodos, como las características de Haralick y los patrones binarios locales (LBP), aunque los resultados no se presentan debido a su elevado tiempo de cálculo. Extracción de características de color La etapa de extracción de características de color comienza normalizando cada subimagen Sp(m,n,c) a 0.1 y almacenando los valores resultantes en la nueva subimagen SRGB(m,n,c). A continuación, la subimagen se transforma del espacio de color RGB al espacio de color HSV, produciendo la nueva subimagen SHSV(m,n,c). El espacio de color HSV describe los colores de forma similar a como los interpretan los seres humanos. El tono es una característica que describe los colores puros, la saturación se refiere a lo diluido que está el color con el blanco y el valor está relacionado con el brillo del color. Las ecuaciones utilizadas para convertir un color del espacio RGB al HSV son ampliamente conocidas y pueden encontrarse en[29]. En las primeras fases de desarrollo del algoritmo, comprobamos que el uso de ambos conjuntos de canales producía mejores resultados de clasificación en el conjunto de entrenamiento que el uso exclusivo del espacio de color RGB. La principal ventaja de utilizar el espacio de color HSV, además del espacio de color RGB, es que separa el color de la intensidad, proporcionando una nueva forma de realizar la extracción de características sobre los canales. Otra ventaja es que proporciona más características de color para los algoritmos de clasificación en etapas posteriores, y realizar la transformación es poco costoso desde el punto de vista informático. Las subimágenes RGB y HSV se componen de tres canales de color cada una, que se representan mediante las subimágenes en escala de grises SR(m,n), SG(m,n), SB(m,n), SH(m,n), SS(m,n) y SV(m,n). Las 12 primeras características de color calculadas para las subimágenes son los vectores de medias (µRGB, µHSV) y varianzas (σ2 RGB, σ2 HSV) de los píxeles en cada espacio de color. Estos dos parámetros estadísticos son características de color útiles en este problema de clasificación de minerales porque su cálculo ya es necesario en el algoritmo de análisis de componentes principales (ACP), por lo que no requieren costos computacionales adicionales. El siguiente conjunto de características de color son los componentes principales de las subimágenes RGB y HSV, que contienen información sobre las direcciones de la varianza más significativa de ambos espacios de color. A diferencia de parámetros estadísticos como la media y la varianza, los componentes principales tienen en cuenta la correlación entre los canales de color, lo que los convierte en buenos descriptores del color y el contraste generales de la imagen[30].
RkJQdWJsaXNoZXIy MTM0Mzk2