Está en la página 1de 2

UNIVERSIDAD DE JAN

DEPARTAMENTO DE INGENIERA CARTOGRFICA, GEODSICA Y FOTOGRAMETRA

PRCTICAS DE TELEDETECCIN Clasificacin Clasificacin no supervisada.

INGENIERA TCNICA EN TOPOGRAFA

Las clasificaciones no supervisadas son aquellas en las que el algoritmo clasificador no necesita de ms informacin que la escena a clasificar y algunos parmetros que lmiten el nmero de clases. Estos mecanismos de clasificacin basan su efecto en la bsqueda de clases con suficiente separabilidad espectral como para conseguir diferenciar unos elementos de otros.

Clasificacin Empleando las K-Medias.


El mtodo de clasificacin de las K-Medias se basa en ir determinando las medias de las clases y luego de forma iterativa los pxeles son insertados en las clases ms cercanas utilizando las tcnicas de mnima distancia. En cada iteracin se recalcula la media de la clase y se vuelven a reclasificar todos los pxeles. Todos los pxeles sern clasificados si se limita la desviacin estndar o la distancia mxima de bsqueda.

Clasificacin Isodata.
Este comando utiliza el siguiente algoritmo para la obtencin de la clasificacin: a. El usuario decide el nmero N de clusters que van a ser utilizados. Como primera aproximacin se recomienda utilizar un nmero elevado y reducirlo tras interpretar la imagen. b. Se selecciona un conjunto de N clusters en el espacio de las bandas. La localizacin inicial es situada en las zonas de mayor reflectancia. c. Los pxeles se asignan al cluster ms cercano. d. Los clster se asocian o disgregan o borran en funcin de la mxima distancia de clase o del nmero mnimo de pxeles ocupados por una clase. e. Se repiten los pasos c y d hasta que el cambio entre una iteracin y otra sea mnimo. Aplicar este mtodo de clasificacin a las 6 bandas de Landsat (exceptuado el trmico). Indicar un mximo de 3 iteraciones y comprobar cuantas clases posibles existen, en cualquier caso no indicar ms de 8. El programa automticamente visualiza los resultados empleando una paleta cualitativa.

Clasificacin supervisada.
Digitalizacin de polgonos de entrenamiento como ROIs.
Se tratar de digitalizar 5 campos de entrenamiento (training sites) sobre una imagen clasificada automticamente o bien sobre una composicin en falso color (en realidad debe realizarse digitalizando sobre cartografa digital o una fuente geomtrica fiable adems de con el conocimiento cierto de la ocupacin de la celda). Para ello se emplear la inclusin de ROIs dentro de las imgenes. Los campos de entrenamiento que se van a digitalizar sern: 1. Olivar (cluster 6).

TELEDETECCIN

2. 3. 4.

Regado (cluster 3). Suelo desnudo o muy escasamente cubierto (cluster 7). Cultivos herbceos extensivos.

Clasificacin de la escena.
Existen diversos mtodos de clasificacin de la escena. En funcin de cmo se traten los parmetros que definen las signaturas espectrales de cada clase deseada. Paralelepipdica Consiste en determinar los valores mximos y mnimos (determinados a partir de la media y la desviacin de la clase) para cada clase en cada banda. Todos aquellos pxeles que se encuentren dentro del hipercubo son asignados a esa clase, en caso contrario quedan sin asignar. Por mnima distancia La clasificacin por mnima distancia consiste en la determinacin de las medias de cada clase y la asignacin se realiza hacia la clase con menor distancia. Algunos de los pxeles quedarn sin clasificar si se introduce una distancia mxima o una desviacin estndar mxima. Utilizar varias distancias de limitacin y otras sin limitacin. Observar el resultado con la paleta cualitativa. Por mnima distancia de Mahalanobis Es un mtodo similar al de mxima probabilidad, pero asumiendo que las covarianzas de las clases son iguales. Por mxima probabilidad Este clasificador permite tener en cuenta la diferente probabilidad de que se encuentren determinadas cubiertas en la escena (probabilidad a priori) y permite con ello calcular la probabilidad a posteriori (probabilidad de que se trate de una determinada clase cuando los niveles digitales sean unos concretos) a partir de las verosimilitudes, que son ms fciles de calcular (probabilidad de que los niveles digitales sean unos determinados, para cada clase de la leyenda. Observar el resultado con la paleta cualitativa. Empleando Redes Neuronales. El mtodo de clasificacin empleando redes neuronales se basa en utilizar un nmero de neuronas sensitivas igual al nmero de parmetros de entrada (tantos como bandas * parmetros de cada clase) y un nmero de neuronas efectoras igual al nmero de clases deseado. Durante el proceso la red es entrenada con los datos de ROIs introducidos y aplicada para clasificar el resto de pxeles no asignados.