Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Clasificacin de Imgenes
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.
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.
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
FUNDACIN INSTITUTO DE INGENIERA
PARA INVESTIGACIN Y DESARROLLO TECNOLGICO
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.
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.
La figura a seguir ilustra como el usuario debe seleccionar las reas, en el entrenamiento
supervisado.
2
CURSO DE INTRODUCCIN A LA GEOMTICA
FUNDACIN INSTITUTO DE INGENIERA
PARA INVESTIGACIN Y DESARROLLO TECNOLGICO
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.
El Spring dispone de tres clasificadores del tipo pixel a pixel, que sern mostrados a
continuacin:
3
CURSO DE INTRODUCCIN A LA GEOMTICA
FUNDACIN INSTITUTO DE INGENIERA
PARA INVESTIGACIN Y DESARROLLO TECNOLGICO
o MAXVER
Para que la clasificacin por mxima verosimilitud sea suficientemente precisa, es necesario un
nmero razonablemente elevado de "pixels", para cada conjunto de entrenamiento.
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
CURSO DE INTRODUCCIN A LA GEOMTICA
FUNDACIN INSTITUTO DE INGENIERA
PARA INVESTIGACIN Y DESARROLLO TECNOLGICO
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.
El valor de N representa la cantidad de cada clase (en porcentaje de "pixels") que no fue
clasificada.
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
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
CURSO DE INTRODUCCIN A LA GEOMTICA
FUNDACIN INSTITUTO DE INGENIERA
PARA INVESTIGACIN Y DESARROLLO TECNOLGICO
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
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 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
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
CURSO DE INTRODUCCIN A LA GEOMTICA
FUNDACIN INSTITUTO DE INGENIERA
PARA INVESTIGACIN Y DESARROLLO TECNOLGICO
Dnde:
x = "pixel" que est siendo probado
m = media de un grupo
N = nmero de bandas espectrales
El "pixel" ser incorporado al grupo que presenta la menor distancia Euclidiana. Este
procedimiento es repetido hasta que toda la imagen sea clasificada.
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.
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.
7
CURSO DE INTRODUCCIN A LA GEOMTICA
FUNDACIN INSTITUTO DE INGENIERA
PARA INVESTIGACIN Y DESARROLLO TECNOLGICO
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
CURSO DE INTRODUCCIN A LA GEOMTICA
FUNDACIN INSTITUTO DE INGENIERA
PARA INVESTIGACIN Y DESARROLLO TECNOLGICO
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:
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
CURSO DE INTRODUCCIN A LA GEOMTICA
FUNDACIN INSTITUTO DE INGENIERA
PARA INVESTIGACIN Y DESARROLLO TECNOLGICO
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
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;
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
CURSO DE INTRODUCCIN A LA GEOMTICA
FUNDACIN INSTITUTO DE INGENIERA
PARA INVESTIGACIN Y DESARROLLO TECNOLGICO
11
CURSO DE INTRODUCCIN A LA GEOMTICA
FUNDACIN INSTITUTO DE INGENIERA
PARA INVESTIGACIN Y DESARROLLO TECNOLGICO
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.
12
CURSO DE INTRODUCCIN A LA GEOMTICA
FUNDACIN INSTITUTO DE INGENIERA
PARA INVESTIGACIN Y DESARROLLO TECNOLGICO
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
CURSO DE INTRODUCCIN A LA GEOMTICA
FUNDACIN INSTITUTO DE INGENIERA
PARA INVESTIGACIN Y DESARROLLO TECNOLGICO
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
CURSO DE INTRODUCCIN A LA GEOMTICA
FUNDACIN INSTITUTO DE INGENIERA
PARA INVESTIGACIN Y DESARROLLO TECNOLGICO
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 .
Para editar el
Polgono
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.
16
CURSO DE INTRODUCCIN A LA GEOMTICA
FUNDACIN INSTITUTO DE INGENIERA
PARA INVESTIGACIN Y DESARROLLO TECNOLGICO
Nota: el nivel de detalle de la clasificacion viene dado por el tipo de clasificador y el umbral de
aceptacion.
17
CURSO DE INTRODUCCIN A LA GEOMTICA
FUNDACIN INSTITUTO DE INGENIERA
PARA INVESTIGACIN Y DESARROLLO TECNOLGICO
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 .
18
CURSO DE INTRODUCCIN A LA GEOMTICA
FUNDACIN INSTITUTO DE INGENIERA
PARA INVESTIGACIN Y DESARROLLO TECNOLGICO
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 .
19
CURSO DE INTRODUCCIN A LA GEOMTICA
FUNDACIN INSTITUTO DE INGENIERA
PARA INVESTIGACIN Y DESARROLLO TECNOLGICO
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
CURSO DE INTRODUCCIN A LA GEOMTICA
FUNDACIN INSTITUTO DE INGENIERA
PARA INVESTIGACIN Y DESARROLLO TECNOLGICO
25. Crear las clases Agua, Suelo_desnudo y Cultivo. En la casilla Nombre coloque el nombre
correspondiente luego cliquee en crear, cliquee en ejecutar.
21
CURSO DE INTRODUCCIN A LA GEOMTICA
FUNDACIN INSTITUTO DE INGENIERA
PARA INVESTIGACIN Y DESARROLLO TECNOLGICO
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).
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).
22
CURSO DE INTRODUCCIN A LA GEOMTICA