Clasificacin de imgenes

Posgrado en Ciencias de la Tierra

UNAM

Imgenes multiespectrales

Azul
Verde
Rojo
IR cercano
IR medio
Imagen
multiespectral
Posgrado en Ciencias de la Tierra
UNAM

Interpretacin y Clasificacin

La finalidad del uso de datos de percepcin

remota, consiste en clasificar los miles de
rasgos de una escena (generalmente presentada
como imagen) en categoras o clases
significativas.
Agrupar clases espectrales en clases de
informacin.

Posgrado en Ciencias de la Tierra

UNAM

Interpretacin y Clasificacin

La tarea de cualquier sistema de percepcin

remota es simplemente detectar las seales de
radiacin, determinar las caractersticas
espectrales, derivar las firmas apropiadas e
interrelacionarlas con las posiciones espaciales
de las clases que representan.

Posgrado en Ciencias de la Tierra

UNAM

Interpretacin y Clasificacin

Como

resultado, se espera un mapa temtico

(uso del suelo, geologa, climas, etc.).

Posgrado en Ciencias de la Tierra

UNAM

Interpretacin y Clasificacin

Posgrado en Ciencias de la Tierra

UNAM

Interpretacin y Clasificacin

Posgrado en Ciencias de la Tierra

UNAM

Clasificacin de Imgenes

Posgrado en Ciencias de la Tierra

UNAM

Clasificacin de Imgenes

Asignar automticamente todos los pixeles

de una imagen en clases de cobertura o
temas (clases de informacin)

Los valores digitales, determinados por el

promedio de la radiancia sobre cada
intervalo espectral, son candidatos a ser
conjuntos de datos agrupados en espacios
de 2, 3 o N dimensiones.
Posgrado en Ciencias de la Tierra
UNAM

Clasificacin de Imgenes

Generalmente los datos multiespectrales son

utilizados para el propsito de que la firma
o patrn espectral para cada pixel sea
utilizado como base de la categorizacin
Diferentes rasgos muestran diferentes
combinaciones de nmeros digitales (DNs)
basados en la naturaleza de su reflectancia
en las diferentes partes del espectro
electromagntico
Posgrado en Ciencias de la Tierra
UNAM

10

Clasificacin de Imgenes

Cualquier pixel individual o conjunto

espacialmente agrupado de pixeles
representando algn tipo de rasgo, clase o
material, est caracterizado por un pequeo
rango de valores digitales en cada banda.

Posgrado en Ciencias de la Tierra

UNAM

11

Clasificacin de Imgenes

Posgrado en Ciencias de la Tierra

UNAM

12

Clasificacin de Imgenes

Posgrado en Ciencias de la Tierra

UNAM

13

Clasificacin de Imgenes

Utilizar propiedades radiom

radiomtricas del sensor remoto
Diferentes objetos tienen diferentes firmas espectrales
40
35
30
25
Vegetation

20
15

Soil

10
5
0
Band
1

Band
2

Band
3

Band
4

Band
5

Band
7

Posgrado en Ciencias de la Tierra

UNAM

14

Estrategia Bsica

En el mundo ideal, todos los pixeles de

Vegetacin deberan tener la misma
respuesta espectral.
De tal manera que se podra decir que
cualquier pixel en una imagen con esa firma
espectral sera vegetacin.
De la misma manera se podra hacer con
suelos, etc. y terminar con un mapa de clases.
Posgrado en Ciencias de la Tierra
UNAM

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

Posgrado en Ciencias de la Tierra

UNAM

Band 7

16

Manejando la variabilidad

Diferentes maneras de manejar la variabilidad

conducen a diferentes maneras de clasificar las
imgenes.
En principio, es necesario ver las firmas
espectrales de una manera diferente

Posgrado en Ciencias de la Tierra

UNAM

Se debe de pensar la reflectancia

de los pixeles en un espacio
bidimensional. Cada pixel ocupa
un lugar en ese espacio

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

Un pixel de vegetacin y uno

de suelo ocupan puntos
diferentes en el espacio 2D
Posgrado en Ciencias de la Tierra
UNAM

10

15

20

Band 3

18

Clasificacin de Imgenes

En una imagen multiespectral en lugar de dos

dimensiones tenemos n dimensiones (6 en el
caso de Lansat ETM
Cada pixel se puede representar como un
punto en un espacio n-dimensional
En los ejemplos, vemos 2 dimensiones pero el
principio aplica para cualquier espacio ndimensional
Posgrado en Ciencias de la Tierra
UNAM

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

Diagramas de dispersin (feature

space)

Band 3
Posgrado en Ciencias de la Tierra
UNAM

20

10

Diagramas de dispersin (feature space)

Con la variabilidad, los
pixeles de vegetacin
ocupan ahora una regin no
un punto en el espacio ndimensional

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

Posgrado en Ciencias de la Tierra

UNAM

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

Posgrado en Ciencias de la Tierra

UNAM

22

11

Clasificacin: Separabilidad de clases

Banda 2

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

Estas 3 firmas se sobreponen en las bandas m y q

Posgrado en Ciencias de la Tierra

UNAM

27

Clasificacin
Bandas m and n
Firma 1
Firma 2
Firma 3

Banda m

No se sobreponen en las bandas m y n

Posgrado en Ciencias de la Tierra
UNAM

28

14

Tipos de clasificaciones

Posgrado en Ciencias de la Tierra

UNAM

29

Clasificacin de Imgenes

Clasificacin Supervisada: El usuario especifica

muestras numricas de los tipos de cobertura en
una escena

Campos de entrenamiento (reas representativas

de clases conocidas) son utilizadas para
compilar una clave de interpretacin numrica
que describan los atributos espectrales para cada
rasgo.
Posgrado en Ciencias de la Tierra
UNAM

30

15

Enfoque supervisado vs no supervisado

Supervisada El analista supervisa la

seleccin espectral que representan los patrones
o rasgos de cobertura del suelo que el analista
puede reconocer
Decisin a priori

Posgrado en Ciencias de la Tierra

UNAM

31

Clasificacin supervisada

Posgrado en Ciencias de la Tierra

UNAM

32

16

Enfoque supervisado vs no supervisado

No supervisada Algoritmos estadsticos de

cmulos "clustering" se utilizan para
seleccionar las clases espectrales inherentes a
los datos. Es un proceso automtico
Decisin a posteriori

Posgrado en Ciencias de la Tierra

UNAM

33

Clasificacin no supervisada

Posgrado en Ciencias de la Tierra

UNAM

34

17

Supervisada vs. No-supervisada

No-Supervisada: Decisin a posteriori a partir de la
informacin de las clases en la imagen a las clases
espectrales en el espacio de rasgos

N
I
R
Red

Supervisada decisin a priori de clases espectrales en

el espacio de rasgos a clases de informacin en la
Posgrado en Ciencias de la Tierra
imagen
UNAM
35

Diagrama de dispersin (Rojo X vs NIR Y)

Posgrado en Ciencias de la Tierra

UNAM

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:

En la clasificacin supervisada hay un

primer paso de entrenamiento seguido por
la clasificacin.

En la clasificacin no supervisada, los datos

de la imagen son agrupados primero en
cmulos (grupos espectrales naturales)
presentes en la escena
Posgrado en Ciencias de la Tierra
UNAM

38

19

Clasificacin no supervisada

Generalmente se utiliza un procedimiento

de anlisis de cmulos (cluster).

Los centros de clases iniciales, son tomados

aleatoriamente y posteriormente iterando,
se asignan y reasignan el resto de los
pixeles a alguna clase.

Esto es interpretado como el conjunto de

clases que estn presentes en la escena.
Posgrado en Ciencias de la Tierra
UNAM

39

Clasificacin no supervisada

En la clasificacin no supervisada, los datos

espectrales imponen restricciones a la
interpretacin.
El analista determina la identidad de los
cmulos comparando los datos de la imagen
con los datos de referencia o conocimiento del
terreno

Posgrado en Ciencias de la Tierra

UNAM

40

20

Clasificacin no supervisada

En lugar de definir campos de entrenamiento

se usan enfoques estadsticos para dividir el
espacio n-dimensional en cmulos con la
mejor separacin.
Posteriormente, se asignan los nombres a esos
cmulos

Posgrado en Ciencias de la Tierra

UNAM

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

Imagen de salida clasificada

Cluster 6

Siguiente
pixel a ser
clasificado

Cluster 2

Cluster 4
Desconocido

Posgrado en Ciencias de la Tierra

UNAM

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

El analista determina el tipo

de clases de informacin para
cada uno de los clusters

???

Agua

???

Agua

???

Conferas

???

Conferas

???

Deciduio

???

Deciduo

Posgrado en Ciencias de la Tierra

UNAM

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.

Land Cover Map

Leyenda

Etiquetas
Agua

Agua
Agua

Conferas

Conferas
Conferas

Decduo

Decduo
Decduo

Posgrado en Ciencias de la Tierra

UNAM

45

Clasificacin no supervisada

Pros

Toma m
mxima ventaja de la variabilidad espectral
en una imagen

Cons

La separabilidad del los clusters en el espacio

espectral puede no coincidir con nuestra
percepci
percepcin de las clases de importancia en el
paisaje

Posgrado en Ciencias de la Tierra

UNAM

46

23

Clasificador ISODATA

Iterative Self-Organizing Data Analysis Technique

Parmetros a proporcionar al algoritmo
incluyen:
N El n
nmero maximo de clusters deseados

T Un valor umbral de convergencia

M Nmero m
mximo de iteraciones a ser realizadas

Posgrado en Ciencias de la Tierra

UNAM

47

ISODATA Procedimiento

N clusters promedio son establecidos

La imagen es clasificada utilizando un
clasificador de mnima distancia.
Un nuevo valor medio para cada cluster es
calculado

Posgrado en Ciencias de la Tierra

UNAM

48

24

Clasificador de mnima distancia

Veg 1

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

Clasificador de mnima distancia

Y

92, 153

Yd = 85-153

Distancia = 111.2
180, 85
Xd = 180 -92
X

Posgrado en Ciencias de la Tierra

UNAM

50

25

ISODATA Procedimiento

La imagen es clasificada nuevamente

utilizando los nuevos valores medios de cada
cluster
Un nuevo conjunto de valores promedio para
cada cluster es calculado
La imagen es clasificada nuevamente..

Posgrado en Ciencias de la Tierra

UNAM

51

ISODATA

Despus de cada iteracin el algoritmo calcula el

porcentaje de pixeles que permanecen en el
mismo cluster entre iteraciones.
Cuando este porcentaje excede el valor umbral de
convergencia asignado (T), el programa finaliza o
bien cuando.
Si nunca se llega al valor de convergencia el
programa continuar hasta que el nmero de
iteraciones asignado se cumpla y el programa
termina
Posgrado en Ciencias de la Tierra
UNAM

52

26

ISODATA Pros y Cons

Es un procedimiento no paramtrico es decir

los datos no necesitan estar normalmente
distribudos
Encuentra clusters verdaderos si se permite
un nmero de iteraciones suficiente

Posgrado en Ciencias de la Tierra

UNAM

53

ISODATA Pros y Cons

Las firmas resultado del procedimiento se

pueden incorporar a firmas espectrales
definidas por procedimientos de entrenamiento
supervisado
Es un algoritmo que consume mucho tiempo

Posgrado en Ciencias de la Tierra

UNAM

54

27

Clasificacin no supervisada

Punto crtico: En donde colocar los

centros de clase iniciales

A lo largo de la diagonal principal

A lo largo del eje principal

Posgrado en Ciencias de la Tierra

UNAM

55

Clasificacin no supervisada

Al finalizar, se obtiene con un mapa de

distribuciones de pixeles en los clusters o
clases Cmo asignar los nombres a las clases?
Se requiere conocimiento de la zona clasificada

Uso de informaci
informacin auxiliar

Posgrado en Ciencias de la Tierra

UNAM

56

28

Clasificacin no supervisada

Otros algoritmos (K(K-means)

Asume

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

Posgrado en Ciencias de la Tierra

UNAM

57

Clasificacin no supervisada

Aglomeracin

jerrquica

Agrupa

dos pixeles cercanos en el espacio

espectral

Recalcula la posici
posicin como la media de los dos y
agrupa

Agrupa los siguientes dos pixeles o grupos
cercanos

Repite hasta que todos los pixeles son asignados a
una clase
Posgrado en Ciencias de la Tierra
UNAM

58

29