Professional Documents
Culture Documents
1
Abstract— The extraction of textural information from images extracción de texturas como el GLCM (algoritmo de la matriz
to explore parameters related to food quality is very common. In de co-ocurrencia de niveles de gris) [10], el GLRLM (algoritmo
this paper, the extraction of quality features from MRI is de hileras de nivel de gris) [11], el NGLDM (método de
performed by a new fractal algorithm and second order statistics,
dependencia de los niveles de gris de vecindad) [12], las
as an alternative to the classical texture approaches. The proposed
method needs fewer features than classical textures, computing transformadas de Fourier [13] y las transformadas de Wavelet
them with a lower computational complexity. Quality [14].
characteristics from MRI of Iberian loins are extracted to validate Los productos cárnicos curados, principalmente jamones y
the practical application of the proposed algorithm. The new lomos ibéricos, tienen una gran importancia en el suroeste de la
method is compared to the standard fractal algorithm and also to península ibérica, donde se generan este tipo de productos con
the classical texture approaches. Characteristics obtained by
una alta calidad. Ello redunda en la importancia económica que
means of the new fractal algorithm, by the standard fractal
algorithm, and by the three classical texture methods are los productos cárnicos curados tienen en esa zona. Tanto
correlated to the results obtained by using physico-chemical jamones como lomos son habitualmente muy apreciados por los
methods. The correlations achieve coefficients higher than 0.75. consumidores en los mercados y alcanzan un alto grado de
Therefore, the new algorithm could be used to calculate quality calidad en términos de calidad sensorial [7]. Para determinar las
parameters of meat products in a non-destructive and efficient características de calidad de estos productos, tradicionalmente
way, being also suitable for the meat industries to characterize
se realizan análisis físico-químicos y sensoriales, que, además
meat products.
de ser tediosos, conllevan una considerable cantidad de tiempo,
Keywords— Fractals, Texture features, MRI, Food gastos de disolventes y, además, conllevan en muchos casos la
Technology, Data Mining. destrucción de las piezas. Como una alternativa a estos métodos
de análisis tradicionales se ha propuesto el uso de los algoritmos
I. INTRODUCCIÓN
de textura basados imágenes obtenidas mediante resonancia
magnética (MRI). La naturaleza no destructiva, no invasiva, no
E L ESTUDIO de la calidad de los alimentos mediante
técnicas de visión por computador es cada vez más
habitual. Uno de los métodos más extendidos se basa en la
intrusiva, no ionizante e inocua de las MRI junto a los
algoritmos apropiados se han mostrado como una alternativa
real [6][7][8][9][15][16][17].
extracción de información de texturas a partir de imágenes de Actualmente, existe un creciente interés en el uso de técnicas
alimentos. El análisis de texturas fue usado para estudiar el de análisis fractales en lugar de análisis de texturas clásicos.
veteado en carne de ternera [1], para predecir la terneza de la Principalmente debido a que las texturas de las imágenes
ternera cocinada a partir de imágenes de ternera fresca [2], o buscan comprimir la información de la imagen y el uso de
para clasificar carne bovina [3]. La eficiencia de los métodos fractales permite la identificación de patrones recurrentes,
basados en texturas para resolver problemas relacionados con eliminando la posibilidad de la compresión de la imagen. En
la carne, tanto fresca como curada fue probado también tecnología de los alimentos, el uso de fractales se ha centrado
recientemente [4][5]. Además, el análisis de texturas ha hasta ahora en caracterizar la estructura de los alimentos
permitido clasificar diferentes tipos de jamones ibéricos [6], así [18][19]. Sólo unos pocos autores han intentado correlacionar
como desarrollar métodos para reconocer el veteado en el atributos de calidad de los alimentos con características
jamón ibérico curado [7]. Igualmente fue usado para predecir obtenidas del análisis de las imágenes. Las técnicas de fractales
algunas características sensoriales del lomo ibérico [8]. han sido usadas para predecir el contenido de azúcar en melones
También mediante análisis de textura se analizó el nivel de [20], o para cuantificar la clorofila del tomate [21]. Sin
grasa y veteado en lomo ibérico, procesando imágenes de embargo, desde nuestro conocimiento, el uso de técnicas
resonancia magnética (MRI) [9]. fractales no ha sido llevado a cabo para predecir los parámetros
La mayoría de los trabajos se basan en algoritmos de de calidad en productos cárnicos.
D. Caballero, Computer Science Department, Research Institute of Meat and P. G. Rodríguez, Computer Science Department, Research Institute of Meat and
Meat Product (IproCar), University of Extremadura, Cáceres, España, Meat Product (IproCar), University of Extremadura, Cáceres, España,
dcaballero@unex.es pablogr@unex.es
A. Caro, Computer Science Department, Research Institute of Meat and Meat T. Antequera, Food Technology Department, Research Institute of Meat and
Product (IproCar), University of Extremadura, Cáceres, España, Meat Product (IproCar), University of Extremadura, Cáceres, España,
andresc@unex.es tantero@unex.es
M. M. Ávila, Computer Science Department, Research Institute of Meat and T. Pérez-Palacios, Food Technology Department, Research Institute of Meat
Meat Product (IproCar), University of Extremadura, Cáceres, España, and Meat Product (IproCar), University of Extremadura, Cáceres, España,
mmavila@unex.es triny@unex.es
1778 IEEE LATIN AMERICA TRANSACTIONS, VOL. 15, NO. 9, SEPTEMBER 2017
para diferentes tamaños de cajas (potencias de 2). Estos las siguientes: Uniformity (UNI), Entropy (ENT), Correlation
exponentes locales se recopilaron, creando un vector. El (COR), Inverse Difference Moment (IDM), Inertia (INE),
algoritmo 1 muestra cómo se calculan estos vectores. Contrast (CON), Emphasis (EMP), Jorna’s Correlation (JC),
Cluster Shade (CS) y Cluster Prominence (CP). La tabla 2
ALGORITMO I
OBTENER EXPONENTES LOCALES
muestra las ecuaciones que permiten calcular cada una de las
características de texturas a partir de los valores obtenidos en el
Entrada: img: imagen vector. Estas diez características permiten definir la textura
Salida: vector_datos: vector computacional de una imagen en base a su estructura fractal.
Inicio
(alto,ancho)=obtener_dimensiones(img)
Si (alto > ancho) entonces TABLA II
Máximo=alto ECUACIONES DE LAS CARACTERÍSTICAS DE TEXTURA DEL
Sino ALGORITMO FTA
Máximo=ancho
Finsi
P = log (máximo) / log 2 Característica Ecuación
Tamaño = 2p
Imagen_ampliada=crear_imagen(tamaño,tamaño) UNI
Para i desde 0 hasta alto hacer
Para j desde 0 hasta ancho hacer ENT ∑ ( * ( ))
Imagen_ampliada = img
Fin para
Fin para COR ( − )∗
Para i desde 0 hasta alto hacer
Para j desde ancho hasta tamaño hacer
Imagen_ampliada = 0 IDM
Fin para 1+
Fin para
Para i desde alto hasta tamaño hacer INE ∗
Para j desde 0 hasta tamaño hacer
Imagen_ampliada = 0
Fin para
Fin para CON ∗
Para g desde p-1 hasta 0 incremento -1 hacer
Aux = 2p-g
Auxil = aux/2 EMP
Para i desde 1 hasta aux incremento i+máximo-aux hacer
Para j desde 1 hasta aux incremento j+máximo-aux hacer
Si(imagen_ampliada(i,j)=imagen_ampliada(i+auxil,j)) entonces JC ( − ) ∗
Contador++
Sino si(imagen_ampliada(i,j)=imagen_ampliada(i,j+auxil)) entonces
Contador++
CS ( − ) ∗
Sino si(imagen_ampliada(i,j)=imagen_ampliada(i+auxil,j+auxil) entonces
Contador++
Finsi
Finsi CP ( − ) ∗
Finsi
Fin para
Fin para
Actualizar vector_datos El algoritmo 2 muestra cómo se obtienen todas estas
FinPara características de texturas. Como se observa en la tabla 2, es
Fin
necesario calcular la media y la varianza del vector de
exponentes locales obtenido en el paso previo, con el objetivo
Como se puede observar en el algoritmo 1, primeramente se
amplía el tamaño de cada una de las imágenes, de tal manera de poder computar las diez características de texturas.
que su tamaño sea una potencia de 2. Ello es preciso porque, ALGORITMO II
para poder extraer los diferentes exponentes locales, es FTA
necesario que las diferentes cajas sean una potencia de 2.
Posteriormente se calculan los diferentes exponentes locales Entrada: img: imagen
Salida: vector_datos: vector
para cada uno de los tamaños de las cajas R, donde D refleja el Inicio
número N de veces que un patrón se ha repetido para cada Cargar_imagen(img)
Crear_vector_datos(vector_datos)
imagen en función del tamaño R de cada caja, que se ha Obtener_exponentes_locales(img,vector_datos)
calculado para cada imagen. Todos estos exponentes locales Obtener_media_vector(vector_datos,media)
Obtener_varianza_vector(vector_datos,varianza)
son almacenados en un vector que es tratado en el paso B del Calcular_vector_caracteristicas(vector_datos,media,varianza,vector_caracteristicas)
algoritmo. Hasta aquí el algoritmo FTA podría considerarse Fin
como una leve modificación del algoritmo clásico de fractales.
En el paso B, se computa el vector de los exponentes locales El algoritmo FTA propuesto supone una gran novedad a la
que se han obtenido en el paso previo. De esta manera, se hora de obtener características de calidad sobre imágenes de
obtienen diez características de texturas a partir de los datos alimentos (lomos en nuestro caso), puesto que los vectores
obtenidos en el vector. Estas características se calculan obtenidos no están basados en características de texturas, sino
aplicando estadísticos de segundo orden sobre el vector. Las en características fractales, lo que supone una auténtica
diez características que se han obtenido a partir del vector son novedad.
1780 IEEE LATIN AMERICA TRANSACTIONS, VOL. 15, NO. 9, SEPTEMBER 2017
el valor de R está entre 0,75 y 1, la correlación será de muy 10.483 * LRHGE – 4.661 * SNE + 2.904 *
SM + 6.852 * ENT + 3.258
buena a excelente. -10.835 * ENT – 11.822 * HC – 23.212 *
INE + 5.571 * CS + 13.136 * CP + 4.083 *
DIS + 30.949 * LRE – 4.747 * SRE –
TABLA VIII 15.837 * GLNU + 10.624 * RPC + 219.935 25.028 * JC +
COEFICIENTES DE CORRELACIÓN (R) ENTRE LOS PARAMETROS % GRASA * LGRE – 64.914 * SRLGE + 28.974 * 3.770
FÍSICO-QUÍMICOS DEL LOMO Y LOS ALGORITMOS DE TEXTURAS SRHGE – 183.159 * LRLGE – 34.346 *
COMPUTACIONALES LRHGE – 10.074 * NNU + 13.312 * SM +
19.822
-1.831 * ENE – 0.399 * ENT + 2.527 *
GLCM + COR + 1.851 * HC – 3.348 * IDM – 2.195
FRACTALES
GLRLM + FTA * INE + 1.089 * CS + 1.361 * CP + 2.029 *
CLÁSICOS DIS + 3.722 * LRE + 2.415 * SRE – 1.991
NGLDM 6.682 * JC –
% HUMEDAD 0.954 0.289 0.832 % SAL * GLNU + 4.272 * RPC + 20.314 * LGRE
2.237
– 31.257 * SRLGE – 2.248 * SRHGE +
ACTIVIDAD 9.769 * LRLGE – 4.545 * LRHGE – 1.690
0.956 0.303 0.828
DEL AGUA * SNE + 3.959 * LNE – 1.366 * NNU +
COLOR L* 0.912 0.340 0.765 3.930 * SM + 3.646 * ENT – 3.868
COLOR a* 0.850 0.308 0.765
COLOR b* 0.782 0.344 0.756
% GRASA 0.777 0.201 0.835
Este hecho podría validar el uso de FTA para predecir
% SAL 0.957 0.507 0.795 características físico-químicas del lomo, ya que, aunque el valor
de R es similar si se usan los tres algoritmos clásicos de textura
Como puede observarse en la tabla 8, para las ecuaciones de o el algoritmo FTA, se puede destacar que los tres algoritmos
los parámetros físico-químicos de los lomos ibéricos, el clásicos de texturas computacionales alcanzan unos valores
algoritmo clásico de fractales alcanza una correlación entre baja ligeramente superiores que el algoritmo FTA para la mayoría
y nula y para los tres algoritmos clásicos de texturas y para de los parámetros físico-químicos, excepto para el porcentaje
nuestro algoritmo propuesto FTA alcanza una correlación entre de grasa, ya que en este caso, el algoritmo FTA alcanza un valor
muy buena y excelente. de R mejor. Otro aspecto a considerar es que las complejidades
algorítmicas se ven aliviadas en parte si se usa el algoritmo FTA
TABLA IX (tabla 1), y no es preciso calcular un amplio número de
ECUACIONES DE PREDICCIÓN OBTENIDAS APLICANDO LA UNIÓN características, sino que con un conjunto reducido los
DE TRES ALGORITMOS DE TEXTURAS COMPUTACIONALES
resultados son muy similares. Además, el uso de los algoritmos
CLÁSICOS Y EL ALGORITMO FTA
clásicos de texturas ya ha sido validado para analizar imágenes
CABALLERO et al.: NEW FRACTAL FEATURES AND DATA 1783
[25] HARALICK, R.M., and SHAPIRO, L.G. “Computer and Robot Vision”. Pablo G. Rodríguez recibió su Licenciatura en Ciencias
Ed. Addison-Wesley. Chicago, Illinois, USA. 1993. Físicas con especialización en Electrónica e Informática en
[26] SONKA, M., HLAVAC, V., and BOYLE, R. “Image processing, analysis 1992 (Universidad de Santiago de Compostela). Recibió su
and machine vision” Ed. International Thomsom Publishing, ITP. Stanford, Doctorado en Ingeniería en informática en 2000 (Universidad
California, USA. 1999. de Extremadura), trabajando en Mamografía Digital, y con la
[27] MOLANO, R., RODRÍGUEZ. P.G., CARO, A., and DURÁN, M.L. primera mención como Doctorado Europeo. En la Universidad
“Finding the largest area rectangle of arbitrary orientation in a closed contour” de Extremadura. Es profesor asociado en el Departamento de
Applied Mathematics and Computation, 218(19), 9866-9874. 2012. Informática de la Universidad de Extremadura desde 1997. Actualmente es
[28] WITTEN, I.H. and FRANK, E. “Data mining: Practical machine learning Director de la Escuela Politécnica de la Universidad de Extremadura desde
tools and techniques with Java implementations” Ed. Morgan-Kauffmann. San 2016. Tiene más de 20 artículos con factor de impacto JCR. Su área de
Francisco, California, USA. 2005. investigación está relacionada con el desarrollo de técnicas de reconocimiento
[29] COLTON, T. “Statistics in Medicine” Ed. Little Brown and Co. New York, de patrones y análisis de imágenes, y CBIR (Recuperación de imágenes basadas
New York, USA. 1974 en el contenido).
[30] PEREZ-PALACIOS, T., CABALLERO, D., CARO, A., RODRÍGUEZ,
P.G., and ANTEQUERA, T. “Applying data mining and computer vision
techniques to MRI to estimate quality traits in Iberian ham” Journal of Food Teresa Antequera Recibió su doctorado en Química en 1990
Engineering, 131, pp. 82-88. 2014. (Universidad de Extremadura, España). Es Profesora
[31] PÉREZ-PALACIOS, T., CABALLERO, D., CARO, A., and Asociada en el Departamento de Producción Animal y Ciencia
ANTEQUERA, T. “Analyzing magnetic resonance imaging and computational de los Alimentos de la Universidad de Extremadura. El
texture features to predict moisture and lipid content of loins”. IV Farm Animal programa oficial de doctorado en el que ella está actualmente
Imaging Conference, Edinburgh, United Kingdom. 2015. involucrada, "Tecnología de los alimentos", ha sido
[32] CABALLERO, D., ANTEQUERA, T., CARO, A., DURÁN, M.L., and galardonado con Mención a la Excelencia. Su interés de
PÉREZ-PALACIOS, T. “Data mining on MRI-Computational texture features investigación se centra en el área de Tecnología de Alimentos. A través de su
to predict sensory characteristics in ham”. Food and Bioprocess Technology, participación en proyectos, ha abordado temas relacionados con los sistemas
9(4), pp. 699-708. 2016. animales (alimentación, cría, uso de diferentes líneas genéticas y sus influencias
[33] CABALLERO, D., CARO, A., RODRÍGUEZ, P.G., DURÁN, M.L., en la composición de la carne), y el sistema de procesamiento del jamón ibérico
ÁVILA, M.M., PALACIOS, R., ANTEQUERA, T., and PÉREZ-PALACIOS, (congelación de la materia prima, condiciones de El proceso de maduración,
T. “Modeling salt diffusion in Iberian ham by applying MRI and data mining”. diferentes sistemas de sal, etc.). Ella ha lanzado una línea de trabajo enfocada
Journal of food engineering, 189, pp. 115-122. 2016. en la adición de compuestos bioactivos a los alimentos de carne. En el año 2000
se inició una línea de investigación sobre aplicaciones de técnicas no
Daniel Caballero finalizó en 2013 su licenciatura y su master, destructivas, principalmente la resonancia magnética (MRI) para encontrar
ambos en ingeniería informática por la Universidad de problemas que puedan afectar la calidad de los productos de cerdo ibéricos y su
Extremadura. En 2017, ha defendido la tesis doctoral, clasificación. Ha participado en 40 proyectos y contratos de investigación y es
obteniendo la máxima puntuación y el Doctorado coautora de 90 artículos en revistas incluidas en SCI, 35 artículos en revistas
Internacional. Actualmente es investigador en servicio de técnicas, una patente de invención, 9 capítulos de libros y 60 contribuciones
innovación en productos de origen animal (SiPA) y está para conferencias. Ha supervisado 10 tesis doctorales, siendo cinco de ellas de
inscrito en el Grupo de Investigación Tecnológica y Calidad de Alimentos "Mención Internacional" y otras tres "Premio Extraordinario de Doctorado"
(TECAL) del Instituto de Investigación de Carnes y Productos Cárnicos basadas en su producción científica. Ha dirigido el grupo de investigación
(IproCar) de la Universidad de Extremadura. Sus intereses de investigación se "Tecnología y Calidad de los Alimentos".
centran en el área de análisis de imágenes y datos aplicado a los productos
cárnicos. Así como, un especial interés en la aplicación de técnicas no
destructivas como la Imagen por Resonancia Magnética basada en el empleo de Trinidad Pérez obtuvo el título de Veterinaria en la
características de textura y modelos predictivos de minería de datos para Universidad de Extremadura (UEx) en julio de 2004. Recibió
obtener parámetros de calidad de productos cárnicos. una beca pre-doctoral en convocatorias de la Junta de
Extremadura para llevar a cabo la tesis doctoral en el grupo
de Tecnología y Calidad de los alimentos (TECAL) de la
Andrés Caro recibió su licenciatura y su master, ambos en UEx, supervisada por la Dra. Teresa Antequera Rojas y el Dr.
ingeniería en informática en 1993 y 1998, respectivamente, y Jorge Ruiz Carrascal. También obtuvo una beca para realizar
su doctorado en ingeniería en informática en el año 2006 en la una estancia de pre-doctorado en Gante (Bélgica) durante tres meses. En 2009
Universidad de Extremadura. El trabajo como ingeniero defendió la tesis doctoral, obteniendo la máxima calificación, el Doctorado
informático seis años en una empresa del sector privado. En Europeo y el Premio Extraordinario de Doctorado de la UEx. Luego obtuvo una
1999 se unió a la Universidad de Extremadura. Actualmente, beca postdoctoral en convocatorias competitivas de la Junta de Extremadura
es profesor titular en el Departamento de Informática de la Escuela Politécnica para realizar la estancia postdoctoral durante 24 meses (2011-2012) en la
de la Universidad de Extremadura en España. El es coautor de numerosos Facultad de Farmacia de la Universidad de Porto (Portugal), bajo la supervisión
artículos científicos, siendo sus principales intereses en la investigación el de la Dra. Isabel Ferreira, participando en el grupo CQUP (Centro de Química
reconocimiento de patrones, la clasificación de imágenes, la imagen de de la Universidad do Porto integrado no Laboratorio asociado REQUIMTE).
resonancia magnética, los sistemas de información aplicados a tecnología de Después de eso, ha tenido varios contratos como investigadora trabajando con
los alimentos y la minería de datos. el grupo TECAL. Durante todas estas actividades, ha participado en 4 proyectos
/ contratos, uno de ellos es un proyecto europeo, y ha logrado las siguientes
publicaciones: 40 artículos en revistas revisadas por pares, 6 en revistas
María del Mar Ávila recibió su licenciatura en 1997 y su técnicas, 24 publicaciones de congresos internacionales y nacionales y 4
master en 1999, ambos en ingeniería en informática por la Capítulos en libros editados internacionales. En relación con las actividades
Universidad de Extremadura. Después obtuvo el diploma de docentes, ha tenido dos contratos temporales como enseñanza oficial en
estudios avanzados (certificación europea en competencias de Tecnología Alimentaria. También ha supervisado seis trabajos fin de máster.
investigación y diploma de altos estudios), Actualmente, esta En la actualidad, ha supervisado dos tesis de doctorado y tres de máster. them
finalizando sus estudios de doctorado. Es profesora asociada al of “European Doctor” mention, and another three “Extraordinary Doctorate
departamento de Informática de la Universidad de Award” based on their scientific production. She has leaded the research group
Extremadura. Su investigación se centra en el procesamiento de imágenes y la of “Technology and Quality of Food”, and she is currently part of the
reconstrucción 3D, basada en imágenes de resonancia magnética (MRI) de management team of the Faculty of Veterinary Medicine at University of
productos cárnicos. Está investigando algoritmos informáticos que pueden Extremadura.
ayudar a lograr aplicaciones no destructivas, basadas en MRI, para encontrar
parámetros de calidad de productos de cerdo. Ha participado en cinco proyectos
de investigación y es coautora de más de dieciséis artículos. Ha supervisado
varias tesis de grado y máster.