The Transformation of RGB Images to Munsell Soil-Color Charts

  1. Solís, Martín 1
  2. Muñoz-Alvarado, Erick 2
  3. Pegalajar, María Carmen 3
  1. 1 Tecnológico de Costa Rica, Cartago, Costa Rica
  2. 2 Tecnológico de Costa Rica, Escuela de Ingeniería en Computadores, Cartago, Costa Rica
  3. 3 Universidad de Granada, Granada, España
Mostrar afiliaciones +
Revista:
Uniciencia

ISSN: 2215-3470

Año de publicación: 2022

Título del ejemplar: Uniciencia. January-December, 2022

Volumen: 36

Número: 1

Tipo: Artículo

DOI: 10.15359/RU.36-1.36 DIALNET GOOGLE SCHOLAR lock_openDialnet editor

Otras publicaciones en: Uniciencia

Objetivos de desarrollo sostenible

Resumen

[Objetivo] La transformación del espacio de color RGB al de color Munsell es un tema relevante para diferentes tareas como la identificación de: la taxonomía del suelo, materiales orgánicos, materiales rocosos. tipo de piel entre otros. Esta investigación tiene como objetivo desarrollar alternativas basadas en las redes feedforward y las Redes Neuronales Convolucionales para predecir el tono, el valor y el croma en las cartas de color del suelo de Munsell (MSCC) a partir de imágenes RGB. [Metodología] Con el fin de entrenar y probar los modelos, usamos imágenes de los gráficos de colores de suelo de Munsell de las versiones 2000 y 2009 tomadas de Millota et al. (2018). Se utilizó una división de 2856 imágenes en 10% para pruebas, 20% para validación y 70% para entrenamiento con miras a construir los modelos. [Resultados] El mejor enfoque fueron las redes neuronales convolucionales para la clasificación con un 93% de precisión total de la combinación de tono, valor y croma (consta de tres CNN, uno para la predicción de tono, otra para la de valor y la última para la de croma), aunque los tres mejores modelos muestran cercanía entre la predicción y los valores reales según la distancia CIEDE2000. Los casos clasificados incorrectamente con este enfoque tuvieron un promedio CIEDE2000 de 0.27 y una desviación estándar de 1.06. [Conclusiones] Los modelos demostraron un mejor reconocimiento de color en entornos no controlados que la transformación de Centore, la cual es el método clásico para transformar de RGB a HVC. Los resultados fueron prometedores, pero el modelo debe evaluarse ampliamente con imágenes reales del suelo para clasificar su color.

Referencias bibliográficas

  • References Afifi, M. & Brown, M. S. (2019). Sensor-independent illumination estimation for DNN models. arXiv preprint arXiv:1912.06888
  • Centore, P. (2011). An open‐source inversion algorithm for the Munsell renotation. Color Research & Application, 37(6), 455-464. https://doi.org/10.1002/col.20715
  • Domínguez Soto, J. M., Román Gutiérrez, A. D., Prieto García, F. & Acevedo Sandoval, O. (2018). Sistema de Notación Munsell y CIELab como herramienta para evaluación de color en suelos. Revista Mexicana de Ciencias Agrícolas, 3(1), 141–155. https://doi.org/10.29312/remexca.v3i1.1489
  • Gómez-Robledo, L., López-Ruiz, N., Melgosa, M., Palma, A. J., Capitán-Vallvey, L. F. & Sánchez-Marañón, M. (2013). Using the mobile phone as Munsell soil-colour sensor: An experiment under controlled illumination conditions. Computers and Electronics in Agriculture, 99, 200–208. https://doi.org/10.1016/j.compag.2013.10.002
  • Hernandez-Juarez, D., Parisot, S., Busam, B., Leonardis, A., Slabaugh, G. & McDonagh, S. (2020). A Multi-Hypothesis Approach to Color Constancy. 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). https://doi.org/10.1109/cvpr42600.2020.00234
  • Ibáñez-Asensio, S., Marqués-Mateu, A., Moreno-Ramón, H. & Balasch, S. (2013). Statistical relationships between soil colour and soil attributes in semiarid areas. Biosystems Engineering, 116(2), 120–129. https://doi.org/10.1016/j.biosystemseng.2013.07.013
  • León, K., Mery, D., Pedreschi, F. & León, J. (2006). Color measurement in L∗a∗b∗ units from RGB digital images. Food Research International, 39(10), 1084–1091. https://doi.org/10.1016/j.foodres.2006.03.006
  • Marquardt, D. W. (1963). An Algorithm for Least-Squares Estimation of Nonlinear Parameters. Journal of the Society for Industrial and Applied Mathematics, 11(2), 431–441. https://doi.org/10.1137/0111030
  • Milotta, F. L. M., Stanco, F. & Tanasi, D. (2017). ARCA (Automatic Recognition of Color for Archaeology): A Desktop Application for Munsell Estimation. Lecture Notes in Computer Science, 661–671. https://doi.org/10.1007/978-3-319-68548-9_60
  • Milotta, F. L. M., Stanco, F., Tanasi, D. & Gueli, A. M. (2018a). Munsell Color Specification using ARCA (Automatic Recognition of Color for Archaeology). Journal on Computing and Cultural Heritage, 11(4), 1–15. https://doi.org/10.1145/3216463
  • Milotta, F. L. M., Quattrocchi, C., Stanco, F., Tanasi, D., Pasquale, S. & Gueli, A. M. (2018b). ARCA 2.0: Automatic Recognition of Color for Archaeology through a Web-Application. 2018 Metrology for Archaeology and Cultural Heritage (MetroArchaeo). https://doi.org/10.1109/metroarchaeo43810.2018.9089781
  • Milotta, F. L. M., Furnari, G., Quattrocchi, C., Pasquale, S., Allegra, D., Gueli, A. M., … Tanasi, D. (2020). Challenges in automatic Munsell color profiling for cultural heritage. Pattern Recognition Letters, 131, 135–141. https://doi.org/10.1016/j.patrec.2019.12.008
  • Munsell Soil Color Charts. (2000). The Year 2000 revised washable edition. Michigan, USA: Munsell Color 4300 44th Street SE, GrandRapids, MI 49512, USA; 2000.
  • Pegalajar, M. C., Sánchez-Marañón, M., Baca Ruíz, L. G., Mansilla, L. & Delgado, M. (2018). Artificial Neural Networks and Fuzzy Logic for Specifying the Color of an Image Using Munsell Soil-Color Charts. Information Processing and Management of Uncertainty in Knowledge-Based Systems. Theory and Foundations, 699–709. doi:10.1007/978-3-319-91473-2_59
  • Sánchez-Marañón, M., Huertas, R. & Melgosa, M. (2005). Colour variation in standard soil-colour charts. Soil Research, 43(7), 827. https://doi.org/10.1071/sr04169
  • Stanco, F., Tanasi, D., Bruna, A. & Maugeri, V. (2011). Automatic Color Detection of Archaeological Pottery with Munsell System. Lecture Notes in Computer Science, 337–346. https://doi.org/10.1007/978-3-642-24085-0_35
  • Viscarra-Rossel, R. A., Minasny, B., Roudier, P. & McBratney, A. B. (2006). Colour space models for soil science. Geoderma, 133(3-4), 320–337. https://doi.org/10.1016/j.geoderma.2005.07.017
  • Yang, Y., Ming, J., & Yu, N. (2012). Color Image Quality Assessment Based on CIEDE2000. Advances in Multimedia, 2012, 1–6. https://doi.org/10.1155/2012/273723
Fuente de los datos: Dialnet