La Inteligencia de Imágenes (IMINT) es un componente crucial de las operaciones militares y de inteligencia modernas, siendo la detección de cambios un multiplicador de fuerza en el campo de batalla. Incluso con los avances en las tecnologías de sensores y la Inteligencia Artificial, la detección de cambios seguirá siendo una piedra angular de la inteligencia militar moderna y una ventaja operativa. En este artículo, discutiremos un proceso que nos permite lograr un resultado final más realista, sin profundizar en cuestiones técnicas de programación.
IMINT abarca la recopilación, procesamiento y análisis de imágenes satelitales y aéreas para evaluar bases militares, identificar equipos, monitorear actividades y detectar cambios a lo largo del tiempo. Se basa en datos detectados a distancia adquiridos por satélites, vehículos aéreos no tripulados (UAVs) y aeronaves de reconocimiento. Los analistas examinan estas imágenes para identificar instalaciones militares e infraestructura, rastrear el despliegue de activos como tanques, aeronaves y embarcaciones navales, y detectar variaciones en los movimientos de tropas, proyectos de construcción y niveles de actividad operativa. A través de este análisis, IMINT respalda la evaluación de amenazas potenciales y desarrollos estratégicos dentro de territorios adversarios.
La Detección de Cambios mejora la conciencia situacional, reduce la incertidumbre y mejora la velocidad de decisión, un factor que es crucial para el éxito. Para crear productos que representen las diferencias reales en el terreno, existe la necesidad de reducir o compensar las diferencias de las imágenes, y de distinguir los verdaderos cambios de las variaciones de imagen irrelevantes.
➡️ Te puede interesar: El HUMINT y su relación con otros sistemas de obtención de información (OSINT, IMINT, SIGINT)
La principal dificultad radica en el hecho de que, en la mayoría de los casos, las imágenes tienen diferentes tonos de color. Esto puede significar que los mismos objetos en diferentes imágenes pueden aparecer en colores distintos, lo que hace extremadamente difícil detectar las diferencias. Es sumamente útil intentar igualar los tonos de color de los mismos objetos, haciéndolos más fáciles de identificar.
Dado que las imágenes alineadas ahora permiten una identificación de cambios más efectiva, podemos analizar los valores de sus píxeles para sacar conclusiones. Utilizaremos una técnica llamada diferenciación de imágenes, que pertenece a la categoría más amplia de métodos de Detección de Cambios a Nivel de Píxel. Existen otros métodos y técnicas, pero quedan fuera del alcance de este artículo; es posible que los exploremos en futuras publicaciones.
Proceso de detección de cambios
Este artículo se centra exclusivamente en el proceso de detección de cambios. En consecuencia, los pasos preliminares esenciales pero altamente técnicos (como la georreferenciación) se omiten para proceder directamente al análisis de las imágenes preparadas.
Las imágenes utilizadas para analizar y explicar el proceso de detección de cambios son de la montaña Jabal Attan, una elevación con una importancia estratégica sobre la ciudad de Saná, capital de Yemen.
Las imágenes a analizar se toman únicamente de una ubicación específica dentro de toda el área. Tenga en cuenta que el objetivo es demostrar una técnica para detectar cambios, no elaborar un informe sobre las instalaciones en sí.
Como se discutió anteriormente, cuando dos imágenes comparten una paleta de colores idéntica, los objetos comunes a ambas parecen visualmente consistentes. Esta uniformidad hace que sea más fácil identificar diferencias, ya que cualquier objeto que falte, se haya introducido recientemente o haya cambiado de posición se vuelve inmediatamente perceptible.
Sin embargo, es normal tener imágenes de diferentes momentos, con diferentes tonos, contrastes o iluminación. Por esta razón, el primer paso esencial es asegurar que ambas imágenes tengan el mismo brillo y contraste, para que tengan la misma distribución de color. Este procedimiento se conoce como coincidencia de histogramas, una técnica utilizada para alinear las características tonales y de color de una imagen con las de otra.
A continuación, convertimos la imagen a escala de grises, y a partir de ahí comenzamos a detectar variaciones en los valores de los píxeles. Eliminamos el ruido utilizando un umbral y simplificamos el resultado final. Luego obtenemos la imagen que muestra las áreas con los mayores cambios, detectados automáticamente.
Coincidencia de histogramas
Todo este proceso comienza intentando alinear los histogramas de las dos imágenes. Como se puede observar, la figura 3 es más brillante que la figura 2, lo que se debe a que los valores de Rojo-Verde-Azul (modelo RGB basado en colores primarios) son más altos y están más cerca del valor blanco (R=255, G=255, B=255). Esto puede deberse a que el sol estaba más alto en el cielo cuando se tomó la segunda imagen que cuando se tomó la primera, reduciendo las sombras y aumentando el brillo.
Al final, la imagen modificada se ve muy similar a la imagen con la que queríamos compararla.
Conversión a escala de grises
El siguiente paso es convertir las imágenes de RGB a escala de grises. Esto reduce el «ruido» causado por variaciones menores en el color o la iluminación que no representan cambios reales. Esto hace que sea más fácil comparar las imágenes e identificar diferencias significativas, como nuevos objetos o cambios en el terreno, de manera más clara, rápida y confiable.
Es fácil detectar algunas diferencias en las imágenes de inmediato; sin embargo, continuemos el proceso sin consultar a un analista de imágenes, utilizando únicamente las herramientas a nuestra disposición.
Detección básica de cambios
Ahora trabajaremos en la detección de cambios utilizando una fórmula matemática. Para cada valor de píxel en cada una de las imágenes (y aquí es importante haber convertido las imágenes a escala de grises para tener solo un valor único, en lugar de un conjunto de tres valores (RGB)), calcularemos la diferencia entre los dos valores, ignorando si es positivo o negativo y considerando solo el valor real.
Diferencia(x,y)= Imagen1(x,y) – Imagen2(x,y)
De esta manera, estamos comprobando cuánto ha cambiado cada píxel de una imagen a la otra. Si el valor es bajo, el cambio es mínimo; si el valor es alto, hay un cambio significativo y, en consecuencia, una mayor probabilidad de que haya ocurrido un cambio real en la imagen.
La imagen resultante tendrá una escala que va desde el negro (el valor más bajo) hasta el blanco (el valor más alto). Cuanto más cerca esté del blanco, mayor será la diferencia entre las dos imágenes. Podemos decir que esta imagen ya le da al analista una idea de qué áreas de la imagen han sufrido los mayores cambios.
➡️ Te puede interesar: ¿Qué es IMINT y cuál es su utilidad?
Umbral (detección final)
En el siguiente paso, intentaremos distinguir mejor entre un cambio y un simple ruido (sombras, iluminación, etc.). Una forma de hacer esto es especificar que se ignorarán las pequeñas diferencias, y solo consideraremos cambios cuando el valor supere un cierto umbral.
En nuestro caso específico, utilizaremos el valor 30 (valor umbral, T), para que cualquier cosa por debajo de este valor se ignore y no se considere un cambio.
Obtenemos una imagen con dos colores: blanco y negro. El negro representa la ausencia de cambios, mientras que el blanco indica la presencia de cambios.
El método de umbral utilizado fue el más simple; sin embargo, existen otros métodos más complejos (Adaptativo, Otsu o Multinivel), que requieren mayor potencia computacional y experiencia. Estos métodos son más sofisticados y están directamente asociados a tipos específicos de cambios. Por esta razón, no se utilizaron en este artículo.
Interpretación de los resultados
Concluyendo esta serie de pasos con algunas herramientas de posprocesamiento para lograr el resultado final. Tomando la imagen producida mediante la aplicación del umbral y eliminando los pequeños puntos aislados; rellenaremos estos huecos y fusionaremos las regiones que pertenecen a la misma categoría (cambio, no cambio).
Ahora que hemos identificado las áreas más importantes, centrémonos en los cambios reales que se pueden observar:
- En el área central, se ha identificado una depresión con sombra, que muy probablemente sea la entrada a una estructura subterránea.
- Los arcenes de la carretera en el lado derecho se han ampliado, lo que indica que la carretera ha sido ensanchada.
- Áreas donde se ha despejado la vegetación.
- Se ha construido una barrera/muro en la esquina superior derecha de la imagen.
Aprovechar este proceso para acelerar la identificación de cambios nos permite generar informes operativos y conocimientos de manera más eficiente. El valor de la información está directamente ligado a su oportunidad: independientemente de la calidad, los conocimientos entregados después de la ventana de oportunidad pueden dejar de ser útiles. Por lo tanto, optimizar los procesos para ahorrar tiempo y agilizar los flujos de trabajo es esencial para mantener la efectividad operativa.
➡️ Te puede interesar: La crisis del lenguaje no verbal en HUMINT
Conclusión
La aplicación de la detección de cambios dentro del campo de IMINT demuestra su papel fundamental en la mejora de la conciencia situacional y la toma de decisiones operativas.
Este proceso no solo reduce el ruido derivado de variaciones irrelevantes, sino que también acelera la producción de información útil para la toma de decisiones. Hay muchas más herramientas que se pueden agregar a este proceso o potencialmente reemplazar ciertas etapas, y esto siempre dependerá del software disponible, la capacidad computacional, la experiencia de los analistas y, sobre todo, el tipo de cambios que buscamos identificar.
El objetivo de este artículo no era elaborar un manual de detección de cambios, sino simplemente demostrar un proceso sencillo que ayuda a ahorrar tiempo y mejorar la calidad de los análisis y, aunque se ha aplicado a un área pequeña, se puede utilizar para áreas extensas, ahorrando un tiempo considerable.
En última instancia, la puntualidad de la información es tan importante como su precisión. La detección eficiente de cambios garantiza que la información llegue a los tomadores de decisiones dentro del plazo en el que puede tener un impacto operativo. La optimización de estos flujos de trabajo es, por tanto, esencial para maximizar el valor de IMINT y mantener una ventaja estratégica en las operaciones militares modernas.
➡️ Te puede interesar: OSINT y conflictos híbridos: la nueva vanguardia de la inteligencia militar
➡️ Si quieres adentrarte en el mundo de la Inteligencia, te recomendamos los siguientes programas formativos:
- Máster Profesional de Analista de Inteligencia
- Curso de Analista de Reconocimiento e Identificación de Material Militar
- Curso de Analista IMINT especializado en Bases y vehículos militares, instalaciones electrónicas y análisis de rutas
- Curso de Experto en OSINT: Técnicas de Investigación Online
- Curso de Experto en Análisis de Inteligencia
