Segmentación de imágenes aéreas usando umbralización multinivel basada en un algoritmo de optimización Osprey con múltiples estrategias

Ver más desde el cielo

Las fotografías aéreas tomadas desde aviones, drones y satélites alimentan de forma discreta decisiones cotidianas: dónde se pueden construir nuevas viviendas, qué tan rápido se propaga un incendio forestal o qué campos necesitan riego. Pero para convertir un conjunto de píxeles en mapas útiles, los ordenadores deben primero "comprender" qué contiene cada imagen. Este artículo presenta una nueva manera de acelerar y mejorar esa comprensión, enseñando a un algoritmo inspirado en el estilo de caza del águila pescadora (osprey) a dividir imágenes aéreas en regiones con sentido.

Por qué importa dividir las imágenes

Antes de que una imagen aérea pueda orientar la planificación urbana o la respuesta a desastres, debe descomponerse en partes: agua, edificios, carreteras, bosque, etcétera. Este paso, llamado segmentación, es como dibujar un libro para colorear sobre el paisaje para que cada tipo de área se convierta en una región separada. Una estrategia común es la "umbralización", que decide valores de corte en brillo o color de modo que los píxeles a un lado del umbral pertenezcan a un grupo y los del otro lado a otro. En escenas detalladas, los ordenadores usan muchos umbrales a la vez —umbralización multinivel— para esculpir la imagen en varias capas. Hacer esto bien es complejo, porque el ordenador debe buscar entre un número enorme de posibles cortes para encontrar los que mejor separan las características del mundo real.

Cazadores inspirados en la naturaleza dentro del ordenador

Para afrontar esa búsqueda, los autores se apoyan en un método de optimización relativamente nuevo modelado en cómo las águilas pescadoras cazan peces. En el Algoritmo de Optimización Osprey básico, cada "osprey" es una solución de prueba —un conjunto de valores de umbral— que sobrevuela un paisaje matemático de posibilidades. Durante la exploración, estos ospreys digitales se desplazan ampliamente, guiados por presas prometedoras (otras buenas soluciones). Durante la explotación, realizan movimientos más pequeños y cuidadosos cerca de las mejores ubicaciones encontradas hasta el momento, intentando perfeccionarlas. Este equilibrio natural ayuda al método a evitar quedarse atrapado en una mala elección de umbrales, pero la versión original puede aun así converger prematuramente y perder opciones mejores.

Agregar nuevas tácticas a la caza

Los autores proponen una versión modificada, MOOA, que dota a los ospreys virtuales de estrategias adicionales. Una es un mecanismo de "doble atractor": en lugar de ser atraído solo hacia la mejor solución única, cada osprey se guía tanto por su mejor personal como por la mejor global encontrada por el grupo. Esta doble atracción ayuda a equilibrar la exploración audaz de nuevas áreas con la mejora cautelosa de puntos ya buenos. Una segunda incorporación es una búsqueda aleatoria dinámica, una especie de afinado local que ocasionalmente permite a los ospreys hacer pequeños empujes inteligentes alrededor de los umbrales actualmente mejores. En conjunto, estas estrategias ayudan al enjambre a explorar ampliamente al principio y luego concentrarse en los conjuntos de cortes más prometedores.

Pruebas en escenas aéreas reales

Para comprobar si estas tácticas funcionan, los investigadores aplicaron MOOA a dieciséis imágenes aéreas reales de un conjunto de datos público, que muestran costas, ciudades, campos y bosques a una resolución fija. Para cada imagen, pidieron al algoritmo que encontrara umbrales bajo dos criterios estándar: el método de Otsu, que favorece un fuerte contraste entre grupos, y el método de Kapur, que maximiza el contenido de información en la distribución de píxeles. Compararon MOOA con varios otros optimizadores inspirados en la naturaleza y con el método osprey original para distintos números de segmentos. Usando medidas de calidad comunes que evalúan cuánto detalle se conserva y cuán parecida es la imagen segmentada a la original, MOOA produjo de forma consistente segmentaciones más nítidas y fieles. También obtuvo resultados sólidos manteniendo un tiempo de cómputo competitivo o mejor que las alternativas.

Qué significa esto para usos cotidianos

En términos sencillos, el nuevo método basado en el osprey es mejor a la hora de decidir dónde "dibujar líneas" dentro de escenas aéreas complejas. Al elegir de forma más fiable los umbrales adecuados en brillo y color, produce imágenes segmentadas que preservan estructuras importantes —costas, campos, edificios— sin añadir ruido ni perder rasgos sutiles. Eso hace que tareas posteriores, como contar barcos, rastrear la extensión de inundaciones o mapear el uso del suelo, sean más fiables. Aunque los autores señalan que reconocer objetos diminutos y acelerar aún más el código siguen siendo desafíos abiertos, sus resultados muestran que estrategias de búsqueda inspiradas y afinadas con cuidado pueden ser una alternativa potente y eficiente a sistemas de aprendizaje profundo más pesados para muchos tipos de análisis de imágenes aéreas.

Cita: Abd Elaziz, M., Al-Betar, M.A., Ewees, A.A. et al. Aerial image segmentation using multilevel thresholding based on multi strategy Osprey optimization algorithm. Sci Rep 16, 9095 (2026). https://doi.org/10.1038/s41598-025-07217-w

Palabras clave: segmentación de imágenes aéreas, umbralización multinivel, optimización metaheurística, teledetección, análisis de imágenes