Para definir los colores de una imagen se suele utilizar un sistema de once nombres bien conocidos, como blanco, rojo, verde y azul, pero un equipo de científicos chinos y europeos propone usar otros 28 adicionales, como borgoña, salmón, lavanda, ciruela, tan y verde oliva. Estos nuevos descriptores ofrecen mejores resultados a la hora de clasificar imágenes, identificar personas y realizar el seguimiento visual de individuos.
Negro, azul, marrón, gris, verde, naranja, rosa, púrpura, rojo, blanco y amarillo. Estos son los once colores básicos que integran una de las clasificaciones de nombres de colores más populares –sobre todo en el mundo anglosajón–, utilizada habitualmente para describir la tonalidad de una imagen. La determinación de colores se aplica, a su vez, en el campo de la visión artificial en multitud de ámbitos, como el reconocimiento y seguimiento de personas.
Pero ahora, investigadores del Centro de Visión por Computador (CVC) de la Universidad Autónoma de Barcelona y otras instituciones internacionales presentan en la revista Machine Vision and Applications un nuevo sistema en el que, además de los colores básicos, se añaden otros 28 complementarios. En conjunto describen mucho mejor las distintas coloraciones, según los autores.
Los 28 nombres de los colores adicionales son turquesa, verde oliva, verde menta, borgoña, lavanda, magenta, salmón, cian, beige, rosado, verde oscuro, verde oliva, lila, amarillo pálido, fucsia, mostaza, ocre, trullo, malva, púrpura oscuro, verde lima, verde claro, ciruela, azul claro, melocotón, violeta, tan y granate.
Entrenamiento con imágenes de Google
El sistema se ha entrenado con una base de datos de 250 imágenes extraídas de Google para cada uno de los 39 colores (11+28), aplicando modelos estadísticos para estimar valores de probabilidad. De esta forma un algoritmo ha aprendido a diferenciar, de forma automática y con precisión, cada color; y la nueva clasificación se ha aplicado con éxito en distintos experimentos.
“Estos descriptores superan a los existentes en tareas como el seguimiento visual de personas, la reidentificación de individuos ‘fichados’ anteriormente y en la clasificación de imágenes”, destaca Lu Yu, investigadora del CVC y coautora del trabajo.
En concreto, el nuevo sistema de colores ha probado su eficacia para identificar píxeles y crear máscaras en fotografías de coches, zapatos, vestidos y piezas de cerámica. También para describir las tonalidades de colecciones de flores incluidas en una base de datos con más de 8.000 imágenes.
Los nuevos descriptores también ofrecen mejores resultados para realizar el seguimiento de rostros y figuras de personas mediante cámaras, aunque las condiciones de iluminación no sean buenas, los fotogramas tengan baja resolución o se produzcan desenfoques y oclusiones por el movimiento del sujeto.
Representaciones de tres colores para seguir objetos en situaciones complejas, como cambios de iluminación, ocultaciones temporales, difuminados o rotaciones de plano. / Lu Yu et al. / Machine Vision and Applications
En el caso de que el objetivo sea volver a identificar a una persona de la que ya se tiene su referencia en una base de datos, se ha confirmado que un sistema con más colores describe mejor los tonos de elementos como la ropa. Así, por ejemplo, individuos que por el color rojo de su camiseta parecen el mismo con un sistema de 11 colores, se comprueba que en realidad son varios diferentes cuando se distinguen bien los distintos tonos rojizos.
Por último, los investigadores también realizaron un experimento psicofísico con voluntarios, que tuvieron que decidir si el color y nombre que veían en una pantalla de ordenador coincidían. Sus respuestas también confirmaron que para describir mejor los colores preferían el sistema de 11+28 nombres en lugar de solo los 11 básicos.
Diferencias de género y culturales
Aunque el estudio no haya entrado en estos detalles, Yu también recuerda que existen diferencias sutiles en la apreciación de las coloraciones dependiendo del género del observador: “No sabemos si por temas sociales o biológicos, las mujeres parecen distinguir las tonalidades de color con mayor facilidad que los hombres”. La amplia gama de esmaltes de uñas es un ejemplo.
“Y también he apreciado diferencias culturales –añade la experta– a la hora de designar algunos colores, como el rosa (pink), que para los europeos está más cerca del fucsia (fuchsia), mientras que para los chinos se aproxima más al rosado (rose)”. Futuras investigaciones podrían profundizar en la influencia del género y la cultura en la clasificación de los colores.
Referencia bibliográfica:
Lu Yu, Lichao Zhang, Joost van de Weijer, Fahad Shahbaz Khan,Yongmei Cheng, C. Alejandro Parraga. “Beyond Eleven Color Names for Image Understanding”. Machine Vision and Applications 29 (2): 361–373, 2018.
Solo para medios:
Si eres periodista y quieres el contacto con los investigadores, regístrate en SINC como periodista.
El pájaro robótico PigeonBot II, probado con éxito en un túnel de viento y de manera autónoma al aire libre, logra volar de manera similar a estas aves, sin aleta vertical. Sus aplicaciones abren el camino para diseñar aviones más eficientes en combustible.
La Fundación BBVA ha galardonado al informático japonés, de la Universidad Carnegie Mellon (EE UU), por crear los algoritmos que permiten a las máquinas comprender las imágenes y procesar los movimientos. Sus técnicas están presentes en los coches autónomos, los drones y todos los robots con capacidad de visión, como los que se usan en cirugía.
