Muestreo y Cuantificación en Imágenes de Carbonizados
2008, Revista Avances en Sistemas …
Abstract
Resumen-La clasificación de car bonizados se realiza mediante la observación de las car acter ística s mor fológicas, tales como: número de poros, distribución de poros y espesor de pared. Para clasificar una muestr a de car boniza dos es necesar io ana lizar apr oximadamente 500 imágenes. Gener almente, las imágenes p oseen gr a n r esolu ción esp a cia l 1300 x 1030 p íxeles y la s intensid ades de luz est án r epr esentada s utilizando 8 bits. En consecuencia, las aplicaciones que tr a bajan con imágen es de carbonizados requieren de gran capacidad de almacenamiento y pr ocesamiento. En el pr esente ar tícu lo, se comparan distintas estr ategias de submuest r eo y cu an tificación p ar a r ed ucir la resolución espacial y el número de bits utilizados para representar imágenes de partículas de carbonizados. Las estrategias probadas presentan excelentes r esultados en cuanto a la reducción de la resolución espacial y el número de bits, con una mínima pérdida de información o detalles en las imágenes pr eprocesadas. Pa la bra s Cla ve-Ap lica cion es, imá gen es d e p a r t ícu la s d e car b on izad os, pr epr ocesa mient o d e imá gen es, su bmu est r eo, cuantificación.
References (14)
- Alvarez, D., Borrego A. G. and Menéndez R. Unbiased methods for the morphological description of char structures. Fuel. Vol. 76, No. 13, pag. 12411248, 1997.
- Lester E., Cloke M. and Allen M. Char characterization using image analysis technology. Energy & Fuels. Vol. 10, pag. 696 703, 1996.
- Liu G., Benyon P., Benfell K., Bryant G., Tate A.G., Boyd R.K., Harris D.J. and Wall T.F. The porous structure of bituminous coal chars and its influence on combustion and gasification under chemically controlled conditions. Fuel. Vol. 79, No. 6, pag. 617 626, 2000.
- Gonzales C. R., Woods E. R. Digital Image Processing. 2da Edición, pag. 5263, 2002.
- Cloke M., Wu T., Barranco R. Lester E. Char characterisation and its application in a coal burnout model. Fuel. Vol. 82, pag. 19911994, 2003.
- Wu T., Lester E., Cloke M. Advanced automated char image analysis techniques. Energy & Fuels. Vol. 20, No. 3, pag. 1211 1219, 2006.
- Navarro Y., Peña J., Torres C. Detección y cuantización de macérales en imágenes de carbón por métodos ópticos. Revista Colombiana de Física. Vol. 38, pag. 637640, 2006.
- Carvajal J., Branch J. W. Comparación de modelos de clasificación automática de patrones texturales de minerales presentes en los carbones colombianos, Dyna. Nro. 146, pag. 115124, 2005.
- Hea, M., Hea, X. F., and Luoa, H. B. Detection of information change on SAR images based on entropy theory. 1st Asian and Pacific Conference on Synthetic Aperture Radar, pag. 775 778, 2007.
- Weinberger, M.J., Seroussi, G., and Sapiro, G. The LOCOI lossless image compression algorithm: principles and standardization into JPEGLS. IEEE Transactions on Image Processing, Vol. 9, Issue 8, pag. 1309 1324, 2000.
- Gerace I., Mastroleo M., Milani A., and Moraglia S. An Evolutionary Approach to Inverse Gray Level Quantization. Lecture Notes in Computer Science, Vol. 4781, pag. 242253, 2007.
- Man H., Docef A. And Kossentini F. Performance Analysis of the JPEG 2000. Image Coding Standard, Multimedia Tools and Applications, Vol. 26, No. 1, pag. 2757, 2005.
- Jordan, J., Ludeman, L. Image segmentation using maximum entropy techniques. IEEE International Conference on Acoustics, Speech, and Signal Processing, Vol. 9, Part 1, pag. 674 677, 19 84
- Lande R. On comparing Coefficients of Variation. System Zoology, Vol. 2, No. 2, pag. 214217, 1977.