Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Imgenes multiespectrales
Azul
Verde
Rojo
IR cercano
IR medio
Imagen
multiespectral
Posgrado en Ciencias de la Tierra
UNAM
Interpretacin y Clasificacin
Interpretacin y Clasificacin
Interpretacin y Clasificacin
Como
Interpretacin y Clasificacin
Interpretacin y Clasificacin
Clasificacin de Imgenes
Clasificacin de Imgenes
Clasificacin de Imgenes
10
Clasificacin de Imgenes
11
Clasificacin de Imgenes
12
Clasificacin de Imgenes
13
Clasificacin de Imgenes
20
15
Soil
10
5
0
Band
1
Band
2
Band
3
Band
4
Band
5
Band
7
14
Estrategia Bsica
15
Estrategia Bsica
La realidad es diferente. Viendo a varios pixeles con
vegetacin, se observarn diferencias en las firmas
espectrales. Lo mismo ocurre para otros tipos de pixeles.
40
35
Veg 1
30
Veg 2
Veg 2
25
Veg 3
20
Veg 4
15
Veg 5
10
Veg 6
Veg 7
0
Band 1
Band 2
Band 3
Band 4
Band 5
Band 7
16
Manejando la variabilidad
40
35
30
25
Vegetation
20
Soil
15
10
5
0
Band
2
Band
3
Band
4
Band
5
Band
7
Band 4
Band
1
17
40
35
30
25
20
15
10
5
0
Vegetation
Soil
10
15
20
Band 3
18
Clasificacin de Imgenes
19
Representaci
Representacin gr
grfica
de los pixeles en un
diagrama de
dispersi
dispersin de 2
bandas.
Para el caso de una
imagen Landsat
habr
habrn 15 im
imgenes de
espacio de rasgos
Band 4
Band 3
Posgrado en Ciencias de la Tierra
UNAM
20
10
45
40
35
30
25
20
15
10
5
0
Band 1
Band 2
Band 3
Band 4
Band 5
Band 7
45
40
35
Pixeles de suelo
ocupan una regin
diferente en el
espacio ndimensional
Band 4
30
25
20
15
10
5
0
0
10
12
14
16
18
20
Band 3
21
Clasificacin
Delinear bordes de clases en el espacio ndimensional y asignar nombres a esos grupos.
45
40
35
Band 4
30
25
20
15
10
5
0
0
10
12
14
16
18
20
Band 3
22
11
clase 1
clase 2
Buena separabilidad
Banda 1
Posgrado en Ciencias de la Tierra
UNAM
23
Clasificacin
Banda 2
Posibilidad de error en la
clasificacin
Clase 1
Clase 2
Banda 1
Posgrado en Ciencias de la Tierra
UNAM
24
12
Clasificacin
Banda 2
Clase 1
Clase 2
La clasificacin es imposible
Banda 1
Posgrado en Ciencias de la Tierra
UNAM
25
Clasificacin
Clasificacin lineal
Banda 2
Clasificacin no-lineal
Banda 1
Posgrado en Ciencias de la Tierra
UNAM
26
13
Clasificacin
Bandas m and q
Firma 1
Firma 2
Firma 3
Banda m
27
Clasificacin
Bandas m and n
Firma 1
Firma 2
Firma 3
Banda m
28
14
Tipos de clasificaciones
29
Clasificacin de Imgenes
30
15
31
Clasificacin supervisada
32
16
33
Clasificacin no supervisada
34
17
N
I
R
Red
36
18
Supervisada
vs.
No-supervisada
Seleccin de
campos de
entrenamiento
Correr el algoritmo
de cluster
Editar-evaluar firmas
Identificar clases
Editar-evaluar
firmas espectrales
Clasificar la
imagen
Evaluar la
clasificacion
Evaluar la
clasificacin
Posgrado en Ciencias de la Tierra
UNAM
37
Clasificacin no supervisada:
38
19
Clasificacin no supervisada
39
Clasificacin no supervisada
40
20
Clasificacin no supervisada
41
Clasificacin no supervisada
El analista pide a la computadora examinar la
imagen y extraer un numero de cmulos
espectralmente diferenciables.
Clusters espectralmente
distintos
Cluster 3
Cluster 5
Cluster 1
Cluster 6
Cluster 2
Cluster 4
Imagen Digital
Posgrado en Ciencias de la Tierra
UNAM
42
21
Clasificacin no supervisada
Clusters muestra salvados
Cluster 3
Cluster 5
Cluster 1
Cluster 6
Siguiente
pixel a ser
clasificado
Cluster 2
Cluster 4
Desconocido
43
Clasificacin no supervisada
El resultado de la clasificacin
no supervisada no es til hasta
que se le asignen nombres a la
imagen de salida
???
Agua
???
Agua
???
Conferas
???
Conferas
???
Deciduio
???
Deciduo
44
22
Clasificacin no supervisada
El resultado es un mapa
generalizado de las clases
existentes en la imagen
Es un proceso de agrupacin
(reclasificacin) los clusters en
informacin significativa
basado en una leyenda.
Leyenda
Etiquetas
Agua
Agua
Agua
Conferas
Conferas
Conferas
Decduo
Decduo
Decduo
45
Clasificacin no supervisada
Pros
Toma m
mxima ventaja de la variabilidad espectral
en una imagen
Cons
46
23
Clasificador ISODATA
47
ISODATA Procedimiento
48
24
NIR Reflectancia
Veg3
Suelo 3
Veg 2
Suelo 1
Agua 2
Suelo 2
Agua 1
Reflectancia Rojo
Posgrado en Ciencias de la Tierra
UNAM
49
92, 153
Yd = 85-153
Distancia = 111.2
180, 85
Xd = 180 -92
X
50
25
ISODATA Procedimiento
51
ISODATA
52
26
53
54
27
Clasificacin no supervisada
55
Clasificacin no supervisada
56
28
Clasificacin no supervisada
que el n
nmero de clusters es conocido
a priori mientras que el ISODATA permite
nmeros diferentes de clusters
Es no iterativo
Identifica reas con textura suave
suave
Define los centros de clusters de acuerdo a la
primera ocurrencia en la imagen de las reas
suaves
suaves
57
Clasificacin no supervisada
Aglomeracin
jerrquica
Agrupa
58
29