Abstract
Food-ColorInspector es una aplicación de software especialmente desarrollada para evaluar el color y algunas características externas de alimentos mediante análisis de imágenes. Permite al usuario seleccionar diferentes áreas de color en la imagen y asignarlas a alguna de las clases predefinidas que representan diferentes regiones de interés. Los algoritmos desarrollados utilizan las zonas seleccionadas (conjunto de entrenamiento) para crear un mapa de colores de la imagen que permite segmentarla clasificando cada uno de los píxeles en las diferentes clases predefinidas. Se utilizan las coordenadas RGB (rojo, verde, azul) de los píxeles de las zonas seleccionadas como variables independientes y la clase a la que pertenecen como variable dependiente, para la creación de un clasificador basado en el teorema de Bayes. Con esta información, la aplicación crea un modelo capaz de segmentar la imagen clasificando cada pixel en la imagen en una de las clases predefinidas. Este modelo se guarda en un mapa de color que contiene cada posible combinación de RGB en una imagen y la clase a la que es asignado.
A partir de la imagen segmentada, se proporcionan estadísticas básicas del color en diferentes espacios de color (RGB, CIELAB y HSI) y las principales características geométricas de cada región encontrada. El mapa de color generado con las imágenes de entrenamiento se puede utilizar para procesar conjuntos de imágenes de forma automática, proporcionando información de cada imagen y del conjunto de todas ellas en una hoja de cálculo. Entre otras aplicaciones, se puede usar, por ejemplo, para estimar el pardeamiento de un producto independientemente de la textura de la superficie, lo que es difícil de realizar usando el colorímetro tradicional. Se puede también utilizar para detectar, medir y caracterizar daños externos, manchas o estados de madurez o diferenciar entre partes diferentes partes de la composición de alimentos.
La aplicación se puede descargar desde la página web http:\\www.cofilab.com así como una colección de imágenes de prueba.
