Localización eficiente en detección de bordes en imágenes adaptando el algoritmo ABC

Abstract

El problema de la detección de bordes en imágenes digitales en escala de grises se puede dividir en localización e identificación, en donde la localización es la búsqueda de pixeles en una imagen y la identificación es la forma de saber si un pixel es borde o no. Un método tradicional, como Canny, realiza una detección de bordes con una identificación eficaz, pero localización poco eficiente al analizar todos los pixeles de una imagen. La detección de bordes tiene el propósito de reducir y filtrar los datos de una imagen, entregando su estructura de bordes representativa, lo que implica que en la imagen probablemente hay gran cantidad de datos o pixeles no realmente necesarios de analizar y que son solo ruido para la detección. El algoritmo ABC es una metaheurística del area de inteligencia de enjambre introducido el año 2005, el cual trata de simular el comportamiento natural de las abejas de miel en su recolección de comida o néctar. Las abejas de miel tienen un buen balance entre explotación y exploración, y usan mecanismos de comunicación como la danza de la abeja (waggle dance) para localizar de forma optima nuevas y mejores fuentes de comida. Luego, una identificación eficaz, como la de Canny, y una localización o búsqueda eficiente, como el algoritmo ABC, pueden ser integradas para lograr una eficiente detección de bordes, con el fin de que no sea necesario analizar todos los pixeles de una imagen para obtener su estructura de bordes representativa. Esta integración, se logró en la creación del modelo ABC-ED realizado en este trabajo, en donde un pixel de una imagen detectado como borde por el modelo, puede ser considerado como una flor en la naturaleza. Así , ABC-ED detecta con una búsqueda eficiente las flores dentro de un ambiente, simulando a las abejas en su recolección de néctar para la colonia. Para la creación del modelo ABC-ED, se establecieron definiciones necesarias para explicar mediante argumentación y pseudo-algoritmos su funcionamiento, siendo el núcleo necesario para plasmar el modelo en su prototipo implementado, del cual se describe su diseño y ambiente de trabajo usado. Se realizó una experimentación del modelo ABC-ED usando su prototipo, resultando que el modelo es más preciso en su detección de bordes a menor cantidad de análisis de pixeles que realice; puesto que tiene un mejor desempeño en las imágenes con menos regiones de objetos y más focalizadas que en imágenes más complejas con gran cantidad de contornos distribuidos, sin embargo, el modelo necesita un promedio de 25.35% de análisis de pixeles para detectar el 95% de lo que detecta Canny, el cual requiere de analizar siempre toda la imagen, teniendo una diferencia promedio entre las salidas del modelo y Canny de 0.22 %. Logrando así una buena aproximación visual con una leve diferencia a la salida de Canny, en donde ya se presenta la estructura de bordes representativa de la imagen de entrada.