EXTRACCIN DE INFORMACIN TEMTICA

Una de las grandes ventajas que posee el anlisis de datos a travs del procesamiento
digital, es la de extraer informacin temtica til. Para ello, se recurre a la clasificacin de
imgenes. (Villar)

La clasificacin digital, sigue un procedimiento similar a la fotointerpretacin visual: se

identifican primeramente las coberturas segn tono, textura, forma, modelos, etc. Y luego
se expande al resto de la fotografa el modelo o patrn determinado. Es decir, se asigna
determinada categora a determinada superficie en funcin del patrn establecido. Si se
traduce esto a un anlisis digital, se obtiene el esquema de la clasificacin digital, que
comprende las siguientes fases:

1- Definicin digital de las categoras: fase de entrenamiento. Bir - Br Bir + Br 0 < Iv <
1
2- Asignacin de los pixeles de toda la imagen a una de esas categoras: fase de
asignacin
3- Comprobacin y verificacin de resultados
4- Correccin de errores.

En cualquier otro tipo de imagen digital habr que conocer a priori que tipo de
informacin lleva incorporada en cada pixel y su composicin. La combinacin y
anlisis de dichas componentes nos indicarn y facilitarn la explotacin de dichos
datos digitales (Basterra)

De las cuales podemos clasificar a los sistemas de extraccin de informacin

CLASIFICACIN SUPERVISADA

En este mtodo, se conoce " a priori" la identidad y localizacin de algunos tipos de

elementos a ser clasificados. Por ejemplo, cobertura de bosques, aspectos urbanos,
etc. Esto significa, trabajo de campo, o anlisis a travs de cartas, fotografas areas,
experiencias personales, etc. Los sitios especficos elegidos y conocidos, que
representan ejemplos homogneos, son conocidos como "reas de entrenamiento"
puesto que las caractersticas espectrales del mismo, servirn para "entrenar" el
algoritmo de clasificacin. Para cada rea de entrenamiento, se calculan los
parmetros estadsticos (media, desviacin standart, covarianza, etc), para luego
evaluar cada pixel de la imagen, separarlo y asignarlo a una respectiva clase.

Aspectos principales a tener en cuenta:

1- Adoptar un esquema de clasificacin ordenado.

 2- Seleccionar reas de entrenamiento.
3- Extraer estadsticas de los datos espectrales del rea de entrenamiento.
4- Analizar las estadsticas para seleccionar los datos que ofrezcan mayor ventaja
(bandas) en el proceso de clasificacin.
5- Seleccionar el algoritmo de clasificacin adecuado
6- Clasificar la imagen en n clases.
7- Evaluar estadsticamente la clasificacin.
8- Comprobacin "in situ" de los resultados de la clasificacin o corroboracin.
9- Correccin de errores

CLASIFICACIN NO SUPERVISADA

Este mtodo, se utiliza cuando no se conocen las caractersticas del terreno, o cobertura
"a priori", o bien, porque las caractersticas espectrales de la superficie no estn
claramente definidas en la imagen. Aqu, el mtodo consiste en orientar a la computadora
para que agrupe automticamente los pixeles en distintas clases de acuerdo con un cierto
criterio estadstico. La ventaja que tiene, es que al no seleccionar un rea de
entrenamiento tericamente "homognea", como en la supervisada, el agrupamiento
determina tipos "puros" de cobertura y por consiguiente, se obtiene una representacin
ms cercana de los agrupamientos espectrales naturales de una zona. La desventaja, es
que pueden obtenerse agrupaciones de las cuales, no se conozca el significado y adems,
la gran cantidad de datos que se manejan.

Aspectos principales a tener en cuenta:

1- Visualizar la imagen: es decir, la representacin pictrica de los datos sin analizar.

Luego:
a- Valorar los datos y su calidad.
b- Determinar el porcentaje y cobertura de nubes.
c- Seleccionar ventanas (reas de la imagen a trabajar)
d- Seleccionar muestras representativas dentro de un rea de inters para
determinar clases espectrales que se usarn en el entrenamiento al
clasificador.
2- Definir clases espectrales o entrenamiento: Proceso mediante el cual se instruye a
la computadora sobre cmo y cuando tomar ciertas decisiones. Se basa en
parmetros estadsticos y algoritmos de agrupamiento.
3- Clasificar el rea de estudio: El clasificador es un algoritmo que toma decisiones
para asignar o no, un pixel a determinada clase. En esta etapa, la computadora
realiza prcticamente sola el trabajo.
4- Representacin pictrica y tabular de la clasificacin: a- Productos grficos. b-
Tablas estadsticas. c- Anlisis de datos digitales.
5- Evaluacin de resultados: Es necesario determinar la exactitud y confiabilidad. El
anlisis numrico evala cuantitativamente el grado de exactitud de una
clasificacin multiespectral.

Un mtodo no supervisado, puede ser un excelente paso previo para encarar un

trabajo de campo que concluye en una clasificacin supervisada.

CLASIFICACIN HBRIDA

Es factible utilizar las clasificaciones supervisadas y no supervisadas en forma

simultnea. Este tipo de clasificacin.

Se denomina Clasificacin hbrida. El mtodo recurre a la asociacin de los algoritmos

no supervisados y supervisados en el procesamiento de la imagen. Es especialmente
recomendado para obtener clasificacin de un grado mayor de detalle. Tiene
dependencia del conocimiento a priori que existe de la zona. En una primera instancia,
se procede a una clasificacin no supervisada, obtenindose grupos primarios a los
que se los somete a una nueva clasificacin, pero esta vez supervisada, basndose en
el conocimiento de campo.