Preprocesamiento de video para la mejora del seguimiento de animales

Liliana Saucedo-Díaz; José Antonio Guerrero-Díaz De León; Jorge Eduardo Macías-Díaz

doi:10.33064/iycuaa2025956465

Autores/as

Liliana Saucedo-Díaz Universidad Autónoma de Aguascalientes https://orcid.org/0009-0000-9960-0230
José Antonio Guerrero-Díaz De León Universidad Autónoma de Aguascalientes https://orcid.org/0000-0002-1804-279X
Jorge Eduardo Macías-Díaz Universidad Autónoma de Aguascalientes https://orcid.org/0000-0002-7580-7533

DOI:

https://doi.org/10.33064/iycuaa2025956465

Palabras clave:

Procesamiento de video, espacio de color RGB, iluminación roja, seguimiento de animales, filtros morfológicos, detección de objetos

Resumen

En este trabajo se presenta un algoritmo de procesamiento de video para mejorar la calidad y facilitar el seguimiento de una rata en un entorno con iluminación roja, optimizado para el software Fiji. El algoritmo emplea técnicas como filtros generales y morfológicos, cambio de dimensiones, resta entre fotogramas y umbralización. Estas técnicas fueron seleccionadas por su efectividad para eliminar ruido y resaltar objetos bajo luz roja. Se proponen además ajustes en el entorno experimental para mejorar el contraste y la precisión del seguimiento.

Descargas

Los datos de descargas todavía no están disponibles.

Biografía del autor/a

Liliana Saucedo-Díaz, Universidad Autónoma de Aguascalientes

Departamento de Ciencias de la Computación, Centro de Ciencias Básicas, Universidad Autónoma de Aguascalientes.

José Antonio Guerrero-Díaz De León, Universidad Autónoma de Aguascalientes

Departamento de Estadística, Centro de Ciencias Básicas, Universidad Autónoma de Aguascalientes.

Jorge Eduardo Macías-Díaz, Universidad Autónoma de Aguascalientes

Departamento de Matemáticas y Física, Centro de Ciencias Básicas, Universidad Autónoma de Aguascalientes.

Citas

• Choi, Y.-J., Lee, Y.-B., & Cho, W.-D. (2009). Color correction for object identification from images with different color illumination. En Proceedings of the 2009 Fifth International Joint Conference on INC, IMS and IDC (pp. 1598-1603). IEEE. https://doi.org/10.1109/NCM.2009.87

• Cucchiara, R., Grana, C., Piccardi, M., Prati, A., & Sirotti, S. (2001). Improving shadow suppression in moving object detection with HSV color information. En Proceedings of the 2001 IEEE Intelligent Transportation Systems Conference (ITSC 2001) (pp. 334-339). IEEE. https://doi.org/10.1109/ITSC.2001.948679

• Fortier, P. (2022). Deep learning-based object detection and scene perception under bad weather conditions. Electronics, 11(4), 563. https://doi.org/10.3390/electronics11040563

• González, R., & Woods, R. (2017). Digital image processing (Global ed., 4th ed.). Pearson.

• Jeong, H.-J., Park, K.-S., & Ha, Y.-G. (2018). Image preprocessing for efficient training of YOLO deep learning networks. En Proceedings of the 2018 IEEE International Conference on Big Data and Smart Computing (BigComp) (pp. 635-637). IEEE. https://doi.org/10.1109/BigComp.2018.00113

• Schindelin, J., Arganda-Carreras, I., Frise, E., et al. (2012). Fiji: An open-source platform for biological-image analysis. Nature Methods, 9(7), 676–682. https://doi.org/10.1038/nmeth.2019

• Voss, K. (2012). Discrete images, objects, and functions in Zn. Springer Berlin, Heidelberg. https://doi.org/10.1007/978-3-642-46779-0

• Xu, X., Wang, S., Wang, Z., Zhang, X., & Hu, R. (2021). Exploring image enhancement for salient object detection in low light images. ACM Transactions on Multimedia Computing, Communications, and Applications (TOMM), 17(1s), 1-19. https://doi.org/10.1145/3414839