Clasificacion de Imagenes

FUNDACIN INSTITUTO DE INGENIERA
PARA INVESTIGACIN Y DESARROLLO TECNOLGICO
Clasificacin de Imgenes
Una clasificacin es el proceso de extraccin de informacin en imgenes para reconocer

patrones y objetos homogneos.
Los mtodos de clasificacin se utilizan para mapear reas de la superficie terrestre que presentan
un significado igual en imgenes digitales.
Una informacin espectral de una escena puede ser representada por una imagen espectral, donde
cada "pixel" tiene las coordenadas espaciales x, y adems de la coordenada espectral L, que
representa la radiancia de un albo en el intervalo de longitud de onda de una banda espectral.
Cada "pixel" de una banda posee una correspondencia espacial con otro "pixel", en todas las otras
bandas, o sea, para una imagen de K bandas, existen K niveles de gris asociados a cada "pixel"
siendo uno para cada banda espectral.
El conjunto de caractersticas espectrales de un "pixel" es denotado por el trmino atributos

espectrales.
Conforme el proceso de clasificacin utilizado, los clasificadores pueden ser divididos en

clasificadores "pixel a pixel" y clasificadores por regiones.
Clasificadores "pixel a pixel" utilizan slo la informacin espectral aislada de cada pixel
para encontrar regiones homogneas. Estos clasificadores pueden ser divididos en
mtodos estadsticos (que utilizan reglas de la teora de probabilidad) y mtodos
determinsticos.
Clasificadores por regiones utilizan, adems de la informacin espectral de cada

"pixel", la informacin espacial que envuelve la relacin entre los "pixels" y sus vecinos.
Estos clasificadores buscan simular el comportamiento de un fotointrprete, al reconocer
reas homogneas en imgenes, basadas en las propiedades espectrales y espaciales de
dichas imgenes. La informacin de bordes es utilizada inicialmente para separar
regiones, las propiedades espaciales y espectrales servirn para unir reas con la misma
textura.
El resultado de una clasificacin digital se representa por clases espectrales (reas que poseen
caractersticas espectrales semejantes), por ejemplo: la cartografa de uso del suelo urbano a
travs de una imagen multiespectral. El usuario puede tener inters en mapear reas, residenciales
e industriales y estas clases difcilmente son caracterizadas por una nica firma espectral
(representa un vector de dimensin igual al nmero de bandas, cuyas coordenadas son medidas
de radiancia), debido a los diferentes tipos de albos presentes como vegetacin, construcciones,
pavimento, entre otros.
Frente a esta dificultad, en una clasificacin, el usuario debe considerar la relacin entre la
respuesta espectral de los albos y la clase que desea mapear.
1
CURSO DE INTRODUCCIN A LA GEOMTICA
El resultado final de un proceso de clasificacin es una imagen digital que constituye un mapa de
"pixels" clasificados, representados por smbolos grficos o colores.
El proceso de clasificacin digital transforma un gran nmero de niveles de gris en cada banda
espectral en un pequeo nmero de clases en una nica banda.
Las tcnicas de clasificacin que pueden ser aplicadas a un slo canal espectral (banda de la
imagen), son conocidas como clasificaciones unidimensionales.
Las tcnicas en las que el criterio de decisin depende de la distribucin de niveles de gris en
varios canales espectrales son definidas como tcnicas de clasificacin multiespectral.
Las tcnicas de clasificacin multiespectral "pixel a pixel" ms comunes son: mxima

verosimilitud (MAXVER), distancia mnima y mtodo del paraleleppedo (no implementado en
esta versin del SPRING).
El primer paso en un proceso de clasificacin multiespectral es el entrenamiento. Se entiende por

entrenamiento el reconocimiento de la firma espectral de las clases.
Existen bsicamente dos formas de entrenamiento: supervisado y no supervisado.
Cuando existen regiones de la imagen en las que el usuario dispone de informaciones que
permiten la identificacin de una clase de inters, el entrenamiento es denominado supervisado.
Para un entrenamiento supervisado el usuario debe identificar en la imagen un rea representativa

de cada clase. Es importante que el rea de entrenamiento sea una muestra homognea de la
respectiva clase, pero al mismo tiempo se deben incluir todas las variabilidades de los niveles de
gris.
Se recomienda que el usuario adquiera ms de un rea de entrenamiento, utilizando el mayor

nmero de informaciones disponibles, como trabajos de campo, mapas, entre otros.
Para la obtencin de clases estadsticamente confiables, son necesarios de 10 a 100 "pixels" de

entrenamiento por cada clase. El nmero de "pixels" de entrenamiento necesario para la precisin
del reconocimiento de una clase, aumenta en funcin de la variabilidad entre las clases.
La figura a seguir ilustra como el usuario debe seleccionar las reas, en el entrenamiento
supervisado.
2
Cuando el usuario utiliza algoritmos para reconocer las clases presentes en la imagen, el
entrenamiento es denominado no supervisado. Al definir reas para el entrenamiento no
supervisado, el usuario no se debe preocupar con la homogeneidad de las clases. Las reas
seleccionadas deben ser heterogneas para asegurar que todas las posibles clases y sus
variaciones sean incluidas.
La figura a continuacin ilustra la forma como el usuario debe seleccionar las reas, en el
entrenamiento no supervisado.
Los "pixels" dentro de un rea de entrenamiento son sometidos a un algoritmo de agrupamiento

("clustering") que determina el grupo al cual pertenece el dato, en un espacio de dimensin igual
al nmero de bandas presentes. Este algoritmo asume que cada grupo ("cluster") representa la
distribucin de probabilidad de una clase.
Clasificadores "Pixel a Pixel"
El Spring dispone de tres clasificadores del tipo pixel a pixel, que sern mostrados a
continuacin:
3
o MAXVER
MAXVER , viene del mtodo estadstico de Mxima Verosimilitud, y es el mtodo de

clasificacin "pixel a pixel" ms comn. Considera la ponderacin de las distancias entre medias
de los niveles digitales de las clases, utilizando parmetros estadsticos.
Para que la clasificacin por mxima verosimilitud sea suficientemente precisa, es necesario un
nmero razonablemente elevado de "pixels", para cada conjunto de entrenamiento.
Los conjuntos de entrenamiento definen el diagrama de dispersin de las clases y sus

distribuciones de probabilidad, considerando cada clase del entrenamiento como una distribucin
de probabilidad normal.
Se presentan dos clases (1 y 2) con distribucin de probabilidad distintas. Estas distribuciones

representan la probabilidad de un "pixel" de pertenecer a una u otra clase, dependiendo de la
posicin del "pixel" con relacin a cada distribucin.
Se observa una regin donde las dos curvas se sobreponen, indicando que un determinado "pixel"
tiene igual probabilidad de pertenecer a las dos clases. En esta situacin se establece un criterio
de decisin a partir de la definicin de umbrales.
Los lmites de clasificacin son definidos a partir de puntos de igual probabilidad de clasificacin
de una y de otra clase.
La figura a seguir presenta el lmite de aceptacin de una clasificacin, en el punto donde las dos
distribuciones se cruzan. De esta forma, un "pixel" localizado en la regin sombreada, a pesar de
pertenecer a la clase 2, ser clasificado como perteneciente a la clase 1, por el limite de
aceptacin establecido.
4
El umbral de aceptacin indica el porcentaje de "pixels" de la distribucin de probabilidad de una

clase, que ser clasificado como perteneciente a dicha clase. Un umbral de 99%, por ejemplo,
engloba 99% de los "pixels", (el 1% de los pixel que tengan menor probabilidad sern
ignorados), compensando la posibilidad de algunos "pixels" haber sido introducidos durante el
entrenamiento por engao en esta clase, o estn en el lmite entre dos clases. Un umbral de 100%
resultar en una imagen clasificada sin rechazos, o sea, todos los "pixels" sern clasificados.
Para disminuir la confusin entre las clases, o sea, reducir la superposicin entre las
distribuciones de probabilidades de las clases, se aconseja la adquisicin de muestras
significativas de albos distintos y la evaluacin de la matriz de clasificacin de las muestras.
La matriz de clasificacin presenta la distribucin del porcentaje de "pixels" clasificados correcta

e incorrectamente. En el ejemplo a seguir, se presenta una matriz de clasificacin con los
porcentajes de 4 clases definidas en la adquisicin de muestras, los valores de desempeo medio,
abstencin (an sin ser clasificado) y confusin media.
El valor de N representa la cantidad de cada clase (en porcentaje de "pixels") que no fue
clasificada.
La clase 1 corresponde a bosque, la clase 2 a sabana, la clase 3 a ro y la clase 4 a deforestacin.
N 1 2 3 4
1 4.7 94.3 0 0 0.9
2 1.1 0 82.3 0 16.6
3 0 13.3 0 86.7 0
4 3.8 0 4.7 0 91.5
Desempeo medio: 89,37

Abstencin media: 3,15
Confusin media: 7,48
Una matriz de clasificacin ideal debe presentar los valores de la diagonal principal prximos a
100%, indicando que no hubo confusin entre las clases. Sin embargo, esta es una situacin
difcil de ocurrir en imgenes con albos de caractersticas espectrales semejantes.
El valor fuera de la diagonal principal, por ejemplo 13,3 (clase lnea 3 y columna 1), significa que
13,3% del rea de la clase "ro" fue clasificada como perteneciente a la clase 1 (bosque). El
mismo raciocinio debe ser adoptado para los otros valores.
Para disminuir la confusin entre las clases, se aconseja el anlisis de las muestras.
La tabla a continuacin presenta el anlisis de las muestras adquiridas para la clase bosque.
5
Muestras 1 2 3
Clases
Bosque 90 50 87
Sabana 5 50 0
Ro 5 0 0
Deforestacin 0 0 10
Los valores en porcentaje indican que en la muestra 1, 90% de los "pixels" son clasificados como
bosque, 5% como sabana y 5% como ro, lo que resulta en una muestra confiable. Por su vez, la
muestra 2 present una confusin de 50% entre las clases bosque y sabana, indicando que dicha
muestra debe ser eliminada.
o MAXVER-ICM
Mientras el clasificador MAXVER asocia clases considerando puntos individuales de la imagen,

el clasificador MAXVER-ICM (Interated Conditional Modes) considera tambin la dependencia
espacial en la clasificacin.
En una primera fase, la imagen es clasificada por el algoritmo MAXVER atribuyendo clases a los
"pixels", considerando los valores de niveles digitales. En la fase siguiente, se lleva en
consideracin la informacin contextual de la imagen, o sea, la clase atribuida depende tanto del
valor observado en ese "pixel", como de las clases atribuidas a sus vecinos.
El algoritmo atribuye clases a un determinado "pixel", considerando la vecindad

interactivamente. Este proceso finaliza cuando es alcanzado el porcentaje de cambios (porcentaje
de "pixels" que son reclasificados) definido previamente por el usuario.
El SPRING ofrece al usuario las opciones de 5%, 1% y 0,5% para valores de porcentaje de
cambios. Un valor de 5% significa que la reatribucin de clases a los "pixels" es interrumpida
cuando fue alterado el 5% o menos del total de "pixels" de la imagen.
o Distancia Euclidiana
El mtodo de clasificacin por distancia Euclidiana es un procedimiento de clasificacin

supervisada que utiliza esta distancia para asociar un "pixel" a una determinada clase.
En el entrenamiento supervisado, se definen los agrupamientos que representan las clases.
En la clasificacin, cada "pixel" ser incorporado a un grupo, a travs del anlisis de la medida de
similitud de distancia Euclidiana, la cual es dada por:
6
d (x,m) = (x2 - m2) 1/2
Dnde:
x = "pixel" que est siendo probado
m = media de un grupo
N = nmero de bandas espectrales
El clasificador compara la distancia Euclidiana del "pixel" a la media de cada grupo.
El "pixel" ser incorporado al grupo que presenta la menor distancia Euclidiana. Este
procedimiento es repetido hasta que toda la imagen sea clasificada.
o Para realizar una Clasificacin supervisada
Antes de presentar los procedimientos para realizar una clasificacin, se describe la secuencia
lgica de operaciones a ser seguida:
1. Crear el Archivo de Contexto - este archivo almacena cules sern las bandas que
formarn parte del proceso de clasificacin, cul ser el mtodo a utilizar (pixel o regin)
y en el caso de la clasificacin por pixel, tambin almacenar las muestras;
2. Ejecutar el Entrenamiento deben ser hechos muestreos sobre una imagen del rea de
visualizacin con muestras rectangulares o poligonales;
3. Analizar las muestras - permite verificar la validez de las muestras colectadas;
4. Ejecutar la Clasificacin - de acuerdo con las muestras y las bandas seleccionadas es
clasificada la imagen;
5. Ejecutar una Ps-clasificacin - proceso de extraccin de pixels aislados en funcin de
un umbral y un peso definidos por el usuario (no obligatorio);
6. Ejecutar el Mapeamento para Clases - lo que permite transformar la imagen clasificada
(categora Imagen) en un mapa temtico raster (categora Temtico). NOTA: En caso de
clasificacin por regiones, las muestras sern las propias regiones.
Clasificacin de Imgenes Segmentadas - Clasificadores por regiones
o Isoseg
El clasificador Isoseg es el algoritmo disponible en el SPRING para clasificar las regiones de una
imagen segmentada. Es un algoritmo de agrupamiento de datos no supervisado, aplicado sobre un
conjunto de regiones, que por su vez son caracterizadas por sus atributos estadsticos de media y
matriz de covariancia y tambin por el rea de cada una.
Un algoritmo de "clustering" no asume ningn conocimiento previo de la distribucin de

densidad de probabilidad de los temas, como ocurre con el algoritmo de mxima verosimilitud.
Es una tcnica de clasificacin que procura agrupar regiones, a partir de una medida de similitud
7
entre las regiones. La medida de similitud utilizada consiste en la distancia de Mahalanobis entre
la clase y las regiones candidatas a la relacin de pertenencia con esta clase.
El Isoseg utiliza los atributos estadsticos de las regiones: la matriz de covariancia y el vector de
media, para estimar el valor central de cada clase. Este algoritmo se puede resumir en tres etapas,
descritas a seguir.
(1) Definicin del umbral: el usuario define un umbral de aceptacin, dado en porcentaje. Este
umbral por su vez define una distancia de Mahalanobis, de forma que todas las regiones
pertenecientes a una clase dada, estn distantes de la clase por una distancia inferior. Cuanto
mayor es el umbral, mayor es la distancia y consecuentemente mayor ser el nmero de clases
detectadas por el algoritmo.
(2) Deteccin de las clases: las regiones son ordenadas en orden decreciente de rea y se inicia
el procedimiento para agruparlas en clases. Sern tomados como parmetros estadsticos de una
clase (media y matriz de covariancia), los parmetros estadsticos de la regin de mayor rea que
no haya sido asociada a ninguna clase. Seguidamente, se asocian a esta clase todas las regiones
cuya distancia de Mahalanobis sea inferior a la distancia definida por el umbral de aceptacin.
As, la primera clase tendr como parmetros estadsticos aquellas regiones con mayor rea. Las
clases siguientes tendrn los parmetros estadsticos de media de las regiones de mayor rea, que
no haya sido asociada a ninguna de las clases previamente detectadas. Esta fase se repite hasta
que todas las regiones hayan sido asociadas a alguna clase.
(3) Competicin entre clases: las regiones son reclasificadas, considerndose los nuevos
parmetros estadsticos de las clases, definidos en la etapa anterior.
La fase 2 consiste bsicamente en la deteccin de clases, siendo un proceso secuencial que puede
favorecer las clases que son detectadas en primer lugar. Con el objetivo de eliminar este
favoritismo, se procede a establecer una competencia entre clases. Esta competencia consiste en
reclasificar todas las regiones. El parmetro estadstico (media de cada clase) es recalculado. El
proceso se repite hasta que la media de las clases no se altere (convergencia).
Al final, todas las regiones estarn asociadas a una clase definida por el algoritmo. El usuario
deber entonces, asociar estas clases (denominadas temas, en el SPRING) a las clases definidas
en el banco de datos, en la opcin Archivo - Esquema Conceptual.
o Battacharya
La medida de distancia de Battacharya es usada en este calsificador por regiones, para medir la
separabilidad estadstica entre un par de clases espectrales. O sea, medida la distancia media entre
las distribuciones de probabilidad de clases espectrales.
El principio es similar al que es utilizado por el clasificador Isoseg, pero la medida de distancia
usada es la distancia de Battacharya.
8
El clasificador Battacharya, al contrario de Isoseg que es automtico, requiere interaccin del

usuario, a travs de entrenamiento. En este caso, las muestras seran las regiones formadas en la
segmentacin de imgenes.
o ClaTex
El clasificador ClaTex es un algoritmo supervisado que utiliza atributos texturales de las regiones
de una imagen segmentada para efectuar la clasificacin por regiones. La clasificacin es
realizada por la tcnica de agrupamiento de regiones a partir de una medida de semejanza entre
ellas. Y la medida de semejanza utilizada consiste en la distancia de Mahalanobis entre la clase
de inters y las regiones candidatas a relacionarse con pertinencia con esta clase. Por lo tanto,
cada regin ser clasificada a una clase de inters dada basada en la minimizacin de la distancia
de Mahalanobis.
El conjunto de medidas texturales que puede ser utilizado por este clasificador es dividido en 5
grupos:
1. Medidas Generales: este grupo incluye la medida, la variancia, el desviacin estndar, la

curtosis, la asimetra y el coeficiente de variacin;
2. Medidas en histograma: este grupo incluye la mediana, la desviacin media absoluta, la
entropa y la energa.
3. Medidas Logartmicas: en este grupo se encontraron los logaritmos de media, de
variancia, de desviacin y de textura (definida por: , donde es la
media muestra de variable ;
4. Medidas de Autocorrelacion: las medidas de autocorrelacion espacial bidimensional
pueden ser definidas para los lags que varan entre -4 y 4 y todava puede definir la
razn entre dos medidas de autocorrelacion;
5. Medidas de Haralick: las medidas de este grupo son basadas en la matriz de co-
ocurrencia de Haralick (Gary Level Co-ocurrence Matrix- GLCM). Las dieciocho
medidas que componen este grupo son la entropa, el contraste, la energa, la
homogeneidad, la desemejanza, la correlacin, el chi-cuadrado, el cluster shade, el
cluster prominence, e la media, la varianza, la energa y la entropa del vector de suma
y diferencia y el contraste del vector diferencia.
Las etapas a ser seguidas para la realizacin de una clasificacin con el algoritmo ClaTex son
similares a aquellas presentadas para un clasificador supervisado. Entretanto, existen dos
diferencias bsicas de la ClaTex que pueden ser resumidas como sigue:
- Definicin de una Capa: capa es la nomenclatura utilizada para definir un Plano de Informacin
que posee un grupo de medidas texturales seleccionadas relacionado a lo que ser extrado a
partir de este mismo Plano de Informacin.
- Seleccin de Medidas: debido a la enorme cantidad de medidas que puede ser generada con este
algoritmo, la seleccin de medidas que sern utilizadas en la clasificacin se pueden hacer de
forma automtica, la cual ser ordenada de forma decreciente en pares de clases que estn ms
9
distantes entre s, basada basado en un factor discriminante que evala la capacidad de separacin
de estas parejas de Clases.
Y por fin realizada esta etapa de clasificacin propiamente dicha, basada en la distancia de
Mahalanobis, generndose una imagen clasificada
o Para realizar una Clasificacin No supervisada
El usuario debe seguir los siguientes pasos para generar una clasificacin a partir de una imagen
segmentada:
1. Crear una imagen segmentada - generar una imagen, separada en regiones con base
en el anlisis de los niveles de gris.
2. Crear el archivo de Contexto - este archivo almacena cules son las bandas que
formarn parte del proceso de clasificacin por regiones.
3. Realizar el entrenamiento - deben ser definidas muestras sobre una imagen en el rea
de visualizacin;
4. Analizar las muestras - permite verificar la validez de las muestras definidas;
5. Extraccin de regiones: en este procedimiento el algoritmo extrae las informaciones

estadsticas de media y variancia de cada regin, considerando las bandas indicadas en el
archivo de contexto;
6. Clasificacin - para realizar la clasificacin de una imagen segmentada se debe usar el

clasificador por regiones;
7. Realizar el Mapeo para Clases - lo cual permite transformar la imagen clasificada

(categora Imagen) en un mapa temtico raster (categora Temtico).
REFERENCIAS
SPRING 5.2 Modulo de ayuda. Divisin de Procesamiento de Imgenes (DPI). Instituto Nacional
de Investigaciones Espaciales (INPE). So Jos dos Campos, Brasil. http:www.dpi.inde.br
10
Tutorial. Clasificacin de imagen VRSS1 con el programa Spring
Realizado por: Luis Cabrera (CENATEL)
Clasificacin Supervisada (Pixel a Pixel)
1. Crear BANCO DE DATOS en el directorio C:\CURSO_PRACTICA con el nombre

CLASIFICACIN utilizando como drive SQLite, cliquee en Crear y luego cliquee en
Activar el banco de datos.
2. Crear el proyecto con la herramienta Proyectos ubicado en la barra de herramientas o

en el men archivo en la barra de mens. Denominar el proyecto SIST_RIO_BOCONO.
Ejecutar la proyeccin en el sistema UTM Modelo Datum->ITRF(WGS84) zona 19. Las
coordenadas Extremas del proyecto son: X1: 390000; X2: 400000; Y1: 965000; Y2:
980000. Todas ubicadas en el hemisferio norte. Cliquee en Crear y Luego en Activar.
11
3. Cliquee en para crear modelo de datos tipo Imagen con el nombre Imagen_VRSS1.
Cliquee en Crear, Luego en Ejecutar y por ultimo cliquee en Cerrar.
4. Importar la imagen de satlite con la herramienta de importacin ubicada en el men

Archivo (Archivo=>Importacin=>Importacin de datos vectoriales y matriciales).
5. Cliquee en Archivo para ubicar las imgenes en el explorador de archivos en la

direccin C:\CURSO_SPRING\CLASIFICACION\IMAGEN MIRANDA. Las imgenes
se encuentran en formato TIFF/GEOTIFF.
12
6. Cliquee en la pestaa de Salida de la ventana de Importacin. Cliquee en Categoria

para definir el modelo (Imagen_VRSS1) y el Nombre del PI Rio _Bocono1. Cliquee en
Ejecutar y despus importe las dems bandas de la imagen colocndole en el nombre el
nmero correspondiente, luego cliquee en Cerrar.
Nota: Las bandas separadas se tienen que importar una por una.
7. Visualice las bandas 2, 3 y 4 con una composicin de falso color (Band 2 B, Band 3 G,
Band 4 R) y cliquee en para hacer zoom a la imagen compuesta.
Nota: en la imagen se pueden observar el Rio, Suelo desnudo y cultivos varios para tomar
en cuenta al momento de la clasificacin.
13
8. Cliquee en el men Imagen y luego en Clasificacin
9. En la ventana de Clasificacion cliquee en el boton de Crear para crear el archivo de

contexto tipo Pixel con nombre Contexto-Pixel, seleccionando las cuatro bandas y por
ultimo cliquee en Ejecutar.
10. Cliquee en el contexto creado, luego cliquee en Entrenamiento y por ltimo en el botn
Aceptar en el cuadro de advertencia de Adquiere Muestras!.
14
11. Se crearan 3 clases (Agua, Suelo desnudo y Cultivo). Cliquee en la casilla nombre para
denominar cada clase, despus asigne el color correspondiente cliqueando en ,
dejar activo el modo , cliquee en .
NOTA: los nombres de las clases no pueden

tener espacios ni caracteres especiales
12. Para la adquisicin de muestras es necesario seleccionar la clase en el cuadro de Temas.

Para la adquisicin de contorno poligonal cliquee en para activarla, seleccione
la clase Agua que es la que posee forma irregular en la imagen, dirija el cursor a la
imagen en el visor del Spring y cliquee con botn Izq. del ratn dentro del cuerpo de agua
formando un rea, cierre el polgono con el botn derecho del ratn y cliquee en
.
Para editar el
Polgono
Nota: utilice las herramientas de zoom y cursor de vuelo para visualizar la

zona a adquirir.
15
13. Para las zonas ms homogneas la adquisicin se puede realizar con el modo rectangular.
Cliquee en , luego en la imagen cliquee una vez para abrir el rectngulo y una
segunda vez para cerrarlo, aplicarlo para las clases de Suelo_desnudo y Cultivo.
Nota: adquirir un mnimo de 1500 Pixel por clase
14. Al finalizar la adquisicin cliquee en y luego .
16
15. En la ventana de Clasificacin cliquee en el botn Clasificacin para aplicar el

clasificador estadstico.
16. Defina el tipo de clasificador, el umbral de aceptacin, coloque el nombre tomando en

cuenta los atributos del clasificador (Ej.: CLASSUP_MAX90) luego cliquee en
(observe aqu los porcentajes de aceptacin y rechazo de las clases
creadas) por ultimo cliquee en Clasificar. Puede hacer varias clasificaciones utilizando
diferentes tipos de clasificador y umbrales de aceptacin.
Nota: el nivel de detalle de la clasificacion viene dado por el tipo de clasificador y el umbral de
aceptacion.
17
Clasificacion No Supervisada (por Region)
17. Para la clasificacion por region es necesario la segmentacin de la imagen. Cliquee en la

herramienta Segmentacion ubicada en el menu Imagen (Imagen=>Segmentacion).
18. Seleccione las bandas, coloque en la casilla de similitud el numero clases (Ejp:3) y en
rea (pixels) la cantidad de pixels a tomar en cuenta en la segmentacin (Ejp:3500),
escoja la banda a excluir en este caso la banda 1, por ultimo coloque el nombre
SEGMENTACIN y cliquee en .
19. Cliquee en el mdulo de Clasificacin ubicado en el men Imagen

(Imagen=>Calcificacin).
18
20. Crear archivo de contexto tipo Regiones, de nombre contexto-regin seleccionando las
bandas de la imagen y la imagen segmentada por ultimo cliquee en .
21. Seleccione en la ventana de Clasificacin el archivo de contexto-regin recin creado,

luego cliquee en el botn y despus en
.
22. Defina el tipo de clasificador, el umbral de aceptacin, coloque el nombre tomando en

cuenta los atributos del clasificador (Ej.: CLASNS_ISOSEG95) y cliquee en Clasificar.
19
Puede hacer varias clasificaciones utilizando diferentes tipos de clasificador y umbrales

de aceptacin.
23. Para designar los temas a la imagen clasificada es necesario la creacin de las clases
Temticas. Cliquee en la herramienta .
24. Crear el modelo de datos Clases_Bocono de tipo Temtico. Cliquee en la pestaa clases
temticas para crear las clases a designar a la imagen.
20
25. Crear las clases Agua, Suelo_desnudo y Cultivo. En la casilla Nombre coloque el nombre
correspondiente luego cliquee en crear, cliquee en ejecutar.
26. Para designar los colores cliquee en la clase y luego en .
Nota: en la opcin Visual se disea como

se va presentar los datos vectoriales.
21
27. Para asociar las clases temticas con los de la imagen clasificada es necesario realizar el
mapeo de clases. Cliquee en Mapeo de Clases para Imagen Temtica en el men Imagen
(Imagen=>Mapeo de Clases para Imagen Temtica).
Nota: antes de abrir

el mdulo de Mapeo
de Clases se debe
haber visualizado en
el visor del Spring la
imagen Clasificada.
28. Cliquee en cateagoria Clases_Bocono y luego cliquee en los temas y designe los temas
correspondientes cliqueando en las clases (Ej.: Tema 3 -> Agua).
29. Al tener todos los temas asignados a una clase cliquee en
22

Clasificacion de Imagenes

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Clasificacion de Imagenes

Cargado por

Copyright:

Formatos disponibles

FUNDACIN INSTITUTO DE INGENIERA

PARA INVESTIGACIN Y DESARROLLO TECNOLGICO

Una clasificacin es el proceso de extraccin de informacin en imgenes para reconocer

El conjunto de caractersticas espectrales de un "pixel" es denotado por el trmino atributos

Conforme el proceso de clasificacin utilizado, los clasificadores pueden ser divididos en

Clasificadores por regiones utilizan, adems de la informacin espectral de cada

Las tcnicas de clasificacin multiespectral "pixel a pixel" ms comunes son: mxima

El primer paso en un proceso de clasificacin multiespectral es el entrenamiento. Se entiende por

Existen bsicamente dos formas de entrenamiento: supervisado y no supervisado.

Para un entrenamiento supervisado el usuario debe identificar en la imagen un rea representativa

Se recomienda que el usuario adquiera ms de un rea de entrenamiento, utilizando el mayor

Para la obtencin de clases estadsticamente confiables, son necesarios de 10 a 100 "pixels" de

Los "pixels" dentro de un rea de entrenamiento son sometidos a un algoritmo de agrupamiento

Clasificadores "Pixel a Pixel"

MAXVER , viene del mtodo estadstico de Mxima Verosimilitud, y es el mtodo de

Los conjuntos de entrenamiento definen el diagrama de dispersin de las clases y sus

Se presentan dos clases (1 y 2) con distribucin de probabilidad distintas. Estas distribuciones

El umbral de aceptacin indica el porcentaje de "pixels" de la distribucin de probabilidad de una

La matriz de clasificacin presenta la distribucin del porcentaje de "pixels" clasificados correcta

La clase 1 corresponde a bosque, la clase 2 a sabana, la clase 3 a ro y la clase 4 a deforestacin.

Desempeo medio: 89,37

Mientras el clasificador MAXVER asocia clases considerando puntos individuales de la imagen,

El algoritmo atribuye clases a un determinado "pixel", considerando la vecindad

El mtodo de clasificacin por distancia Euclidiana es un procedimiento de clasificacin

En el entrenamiento supervisado, se definen los agrupamientos que representan las clases.

d (x,m) = (x2 - m2) 1/2

El clasificador compara la distancia Euclidiana del "pixel" a la media de cada grupo.

o Para realizar una Clasificacin supervisada

Clasificacin de Imgenes Segmentadas - Clasificadores por regiones

Un algoritmo de "clustering" no asume ningn conocimiento previo de la distribucin de

El clasificador Battacharya, al contrario de Isoseg que es automtico, requiere interaccin del

1. Medidas Generales: este grupo incluye la medida, la variancia, el desviacin estndar, la

o Para realizar una Clasificacin No supervisada

4. Analizar las muestras - permite verificar la validez de las muestras definidas;

5. Extraccin de regiones: en este procedimiento el algoritmo extrae las informaciones

6. Clasificacin - para realizar la clasificacin de una imagen segmentada se debe usar el

7. Realizar el Mapeo para Clases - lo cual permite transformar la imagen clasificada

Tutorial. Clasificacin de imagen VRSS1 con el programa Spring

Realizado por: Luis Cabrera (CENATEL)

Clasificacin Supervisada (Pixel a Pixel)

1. Crear BANCO DE DATOS en el directorio C:\CURSO_PRACTICA con el nombre

2. Crear el proyecto con la herramienta Proyectos ubicado en la barra de herramientas o

4. Importar la imagen de satlite con la herramienta de importacin ubicada en el men

5. Cliquee en Archivo para ubicar las imgenes en el explorador de archivos en la

6. Cliquee en la pestaa de Salida de la ventana de Importacin. Cliquee en Categoria

8. Cliquee en el men Imagen y luego en Clasificacin

9. En la ventana de Clasificacion cliquee en el boton de Crear para crear el archivo de

NOTA: los nombres de las clases no pueden

12. Para la adquisicin de muestras es necesario seleccionar la clase en el cuadro de Temas.

Nota: utilice las herramientas de zoom y cursor de vuelo para visualizar la

Nota: adquirir un mnimo de 1500 Pixel por clase

14. Al finalizar la adquisicin cliquee en y luego .

15. En la ventana de Clasificacin cliquee en el botn Clasificacin para aplicar el

16. Defina el tipo de clasificador, el umbral de aceptacin, coloque el nombre tomando en

Clasificacion No Supervisada (por Region)

17. Para la clasificacion por region es necesario la segmentacin de la imagen. Cliquee en la

19. Cliquee en el mdulo de Clasificacin ubicado en el men Imagen

21. Seleccione en la ventana de Clasificacin el archivo de contexto-regin recin creado,

22. Defina el tipo de clasificador, el umbral de aceptacin, coloque el nombre tomando en

Puede hacer varias clasificaciones utilizando diferentes tipos de clasificador y umbrales

26. Para designar los colores cliquee en la clase y luego en .

Nota: en la opcin Visual se disea como

Nota: antes de abrir

29. Al tener todos los temas asignados a una clase cliquee en