Buscando pezones
Este artículo participa en la iniciativa de divulgación científica #lunesTetas, de la que puedes encontrar más información en este enlace y una recopilación de todas las contribuciones aquí.
El inicio del año 2015 será tristemente recordado por un atentado terrorista en cuyo origen están unas caricaturas que ridiculizaban al profeta Mahoma. Este es un caso extremo de censura en medios de comunicación a la que tampoco somos ajenos en España. Esta censura se está extendiendo hace tiempo a las redes sociales, siendo Facebook un caso paradigmático de ello.
Desde sus inicios Facebook no permite fotos de pechos en su red social, incluyendo imágenes de mujeres amamantando a sus hijos. Esto generó una polémica que duró varios años y también tuvo su repercusión en España. En enero de 2014 Facebook bloqueó la cuenta de Nohemí Hervada por publicar esta foto en defensa de la lactancia materna.
Esta prohibición generó una amplia protesta social identificada por la etiqueta #RevoluciónBlanca que se unió a una protesta en todo el mundo conocida como #freethenipple (libera el pezón). Finalmente, Facebook se vio obligado este pasado verano a permitir las fotos de mujeres amamantando. No obstante, esto no implica que siga censurando otro tipo de pechos, como los de una fotografía artística tomada en 1940…
… o fotos de mastectomías…
… aunque a veces cometa errores como éste:
Facebook censura estas fotos de forma manual, normalmente por denuncias de usuarios. Pero ya empiezan a aparecer sistemas automáticos que, mediante algoritmos más o menos complejos, detectan la presencia de desnudos en fotos. Aunque en este caso se estaría utilizando la tecnología como forma de censura, estos algoritmos también se podrían utilizar para el diseño de programas de protección parental que eviten el acceso de menores a contenidos sexuales.
Detección automática de pezones
En 2010 Yue Wang, Jun Li, HeeLin Wang, and ZuJun Hou publicaron un artículo en el que planteaban un algoritmo para la detección de pezones en fotos. Este algoritmo constaba de dos fases:
(1) Localización rápida de regiones semejantes a pezones: En esta fase se utiliza el algoritmo AdaBoost para seleccionar zonas que podrían ser pezones. A grandes rasgos este algoritmo construye un detector de pezones utilizando un conjunto de imágenes de entrenamiento (pezones reales) y otro conjunto de muestras negativas (imágenes que parecen pezones, pero no lo son). De forma muy simplicada, AdaBoost busca en las imágenes zonas rectangulares de características semejante a las imágenes de entrenamiento. Para este estudio se utilizaron 638 imágenes de pezones y 19370 muestras negativas. En la siguiente figura se muestran algunas de las muestras positivas utilizadas:
Con esta primera fase se obtienen falsos positivos, como se muestra en la siguiente figura, en la que se observa que se ha detectado por error un ojo y el ombligo, por lo que es necesario identificar las zonas que corresponden realmente a pezones.
(2) Identificación de pezones eliminando falsos positivos: Para discernir entre los pezones “reales” y los falsos positivos se utiliza un filtro estadístico que utiliza la información de color del pezón, su areola y la piel circundante. Al aplicarlo a la imagen anterior se eliminan el ojo y ombligo encontrados en la primera fase.
Para comprobar la eficiencia del algoritmo se realizó un experimento en el que se utilizó un conjunto de 980 imágenes (distintas a las utilizadas para entrenar al modelo). 265 de estas imágenes incluían 348 pezones y en las otras 715 no aparecía ninguno. Los resultados del experimento fueron los siguientes:
- Se identificaron 263 de los 348 pezones, lo que supone un 75.6% de acierto.
- Se detectaron 170 falsos positivos, incluyendo ombligos y ojos, en las 980 imágenes.
En la siguiente imagen puedes ver algunas de las fotografías utilizadas para el experimento. En las fotos (a)-(d) se realizó una detección correcta de los pezones. En la foto (e) se marcó el ombligo como un falso positivo y no se localizó el pezón de la derecha en la primera fase del algoritmo. En la foto (f) el pezón de la izquierda pasó la primera fase pero se descartó en la segunda fase del algoritmo.
Como ves, estos resultados dejaban bastante que desear, la eficiencia en la detección de pezones es bastante baja y se detectan demasiados falsos positivos.
En un estudio publicado el pasado año por Mustafa, Min y Zhu se mejoraron los algoritmos de detección y rechazo de falsos positivos y se consiguió mejorar la tasa de acierto al 98.75%, pero aún así hubo bastantes casos de falsos positivos y falsos negativos (imágenes rechazadas aunque no contengan pezones). Y también hay que tener en cuenta que este estudio se publicó en una revista muy poco fiable. Por lo tanto, podemos decir que el campo de investigación de detección de cuerpos desnudos en imágenes (y en particular la localización de pezones) continúa abierto y susceptible de mejoras en los algoritmos de detección.
Si te apetece escribir algún comentario, puedes hacerlo buscando los signos ‘+’ que se encuentran a la derecha de cada párrafo. Y si te ha gustado, puedes recomendar este artículo haciendo clic en el botón al final del texto.
Referencias
- Yue Wang, Jun Li, HeeLin Wang, and ZuJun Hou. Automatic Nipple Detection Using Shape and Statistical Skin Color Information. MultiMedia Modelling 2010, Lecture Notes in Computer Science 5916, pp. 644–649, (2010).
- Obscenity Detection Using Haar-Like Features and Gentle Adaboost Classifier. Rashed Mustafa, Yang Min, and Dingju Zhu. The Scientific World Journal Volume 2014 (2014). http://dx.doi.org/10.1155/2014/753860
