Documentos de Académico
Documentos de Profesional
Documentos de Cultura
CONOCIMIENTOS TEORICOS
1. COMPORTAMIENTO ESPECTRAL TEÓRICO PARA LOS TRES ELEMENTOS FUNDAMENTALES DEL PAISAJE ...................................................................................................... 2
1.1. Vegetación vigorosa.................................................................................................................................................................................................................... 2
1.2. Índices de vegetación ................................................................................................................................................................................................................. 3
1.3. Suelos....................................................................................................................................................................................................................................... 4
1.4. Agua ......................................................................................................................................................................................................................................... 5
1.5. Nieve ........................................................................................................................................................................................................................................ 6
2. TÉCNICAS DE CLASIFICACIÓN ........................................................................................................................................................................................................... 7
2.1. Tipos de clasificaciones ............................................................................................................................................................................................................... 7
2.2. Las clasificaciones supervisadas ................................................................................................................................................................................................... 8
2.3. Las clasificaciones sin supervisar ................................................................................................................................................................................................ 15
2.4. Evaluación de las clasificaciones ................................................................................................................................................................................................. 15
PRACTICO
1.TRABANDO CON FIRMAS ESPECTRALES.............................................................................................................................................................................................. 17
1.1. Firmas Espectrales.................................................................................................................................................................................................................... 17
1.2. Creación de librería espectral ..................................................................................................................................................................................................... 18
1.3. Y y X profiles ........................................................................................................................................................................................................................... 19
1.4. Diagramas de Dispersión (ScatterPlots)....................................................................................................................................................................................... 20
1.5. NDVI....................................................................................................................................................................................................................................... 22
2. CLASIFICACIÓN DE UNA IMAGEN ..................................................................................................................................................................................................... 23
2.1. Clasificación no Supervisada ...................................................................................................................................................................................................... 23
2.2. Clasificación no Supervisada: K-Means ........................................................................................................................................................................................ 24
2.3. Clasificación no Supervisada: ISODATA ....................................................................................................................................................................................... 25
2.4. Clasificación Supervisada........................................................................................................................................................................................................... 26
2.5. Clasificación supervisada: Parallelepiped ..................................................................................................................................................................................... 27
2.6. Clasificación supervisada: Maximum Likelihood ............................................................................................................................................................................ 29
2.7. Clasificación supervisada: Minimum Distance y Mahalanobis Distance ............................................................................................................................................. 29
2.8. Clasificación por galería espectral ............................................................................................................................................................................................... 30
2.9. Utilizar galerías espectrales que trae el programa ......................................................................................................................................................................... 30
2.10. Superposición Dinámica de una Imagen sobre otra ..................................................................................................................................................................... 33
2.11. Superposición de la Clasificación............................................................................................................................................................................................... 34
2.12. Superposición de leyenda ........................................................................................................................................................................................................ 34
3. POSTPROCESO ............................................................................................................................................................................................................................... 35
3.1. Estadísticas.............................................................................................................................................................................................................................. 35
3.2. Matriz de confusión................................................................................................................................................................................................................... 35
3.3. Reajustes en las clases.............................................................................................................................................................................................................. 36
3.4. Clasificación a Vectores ............................................................................................................................................................................................................. 36
CONOCIMIENTOS TEÓRICOS
Los diferentes elementos sobre la superficie terrestre varían su reflectancia de forma dispar en las distintas frecuencias de radiación incidente,
haciendo posible su identificación. El volumen de mineral contenido, el nivel de humedad, la composición química, la estructura física y
molecular de la vegetación, los rasgos geológicos y artificiales reflejan longitudes de onda diferente y a menudo de manera única. A patrones
se los denominan “firmas espectrales”.
1.3. Suelos
• Se debe mencionar que los suelos desnudos se detectan pocas
veces, ya que en general se presentan en conjunto con vegetación.
1.4. Agua
• El agua absorbe o transmite la mayor parte de la radiación
visible que recibe. Solo menos del 5% de la energía que recibe
es transmitida. Por tanto presenta una curva espectral plana, baja
y de sentido descendente (por ese motivo se ven los objetos ajo su
superficie).
• Por otra parte agua con gran cantidad de clorofila puede producir
una respuesta espectral similar al de la vegetación.
1.5. Nieve
• La nieve ofrece un comportamiento completamente diferente del
agua, con una reflectividad elevada en las bandas visibles,
reduciéndose drásticamente en el infrarrojo cercano.
2. TÉCNICAS DE CLASIFICACIÓN
• El objetivo de toda clasificación es el reconocimiento de clases o grupos cuyos miembros tengan ciertas características en común. El
resultado ideal consiste en obtener clases que sean mutuamente excluyentes y exhaustivas.
• Para cada pixel a seleccionar se mide la distancia entre el píxel y • Por otra parte, el punto 3 parece no pertenecer a ninguno de los
los centroides de las clases. El centroide de una clase es un grupos, debido a que la distancia a los centros de las clases es muy
vector, cuyas componentes son las medias aritméticas de los grande.
valores de muestra de los píxeles de esa clase en cada banda. Se • Para este tipo de situaciones, se puede indicar un umbral para
emplea la distancia euclidiana para cuantificar esta separación. cada clase, indicando la máxima distancia permitida para
• Se asigna el pixel sin clasificar, a la clase donde esta considerar a un pixel perteneciente a una clase.
distancia es menor. • Pero observe que pasa con el píxel 2: en este caso es asignado a
suelo desnudo, con lo cual se podría no estar muy de acuerdo.
• Es claro que usando este método el píxel 1 corresponde a la Clase
Vegetación Vigorosa.
ENVI 3.5 Clase 2 – Pág. 10 Arq. Mercedes Frassia
DISTANCIA DE MAHALANOBIS
• Este tipo de calcificación es muy similar a la anterior, pero • La distancia de Mahalanobis tiene en cuenta la variabilidad de
considera la distancia MAHALANOBIS en lugar de la distancia clases. Por ejemplo clasificando áreas urbanas puede haber píxeles
EUCLÍEA correctamente clasificados más lejos de la media que en una clase
de agua, donde los valores están todos más agrupados (menor
• Asume previamente que los histogramas de las clases tienen varianza). El siguiente gráfico expresa este fenómeno:
distribuciones normales.
PARALELEPIPEDO
• Esta solución propone crear paralelepípedos alrededor de cada • Observe que pasa con el píxel 1: queda dentro de dos
muestra. paralelepípedos, vegetación arbustiva y cultivo. Una forma de
solucionar este caso es asignarlo al primero de los paralelepípedos
• Un píxel pertenece a una clase si entra dentro del donde haya encontrado pertenencia. En este caso cobra especial
paralelepípedo que la clase define. importancia el orden en el que se verifique la pertenencia a cada
clase.
• Si no entra dentro de ninguna clase, queda sin clasificar (el
píxel 3 por ejemplo) • En esta clasificación el píxel 2 queda clasificado como urbano.
• Otra posibilidad es clasificar los píxeles en función del píxel más cercano.
• En este caso el píxel 3 queda clasificado como urbano, lo mismo que el píxel 2.
ENVI 3.5 Clase 2 – Pág. 13 Arq. Mercedes Frassia
• Matemáticamente se puede demostrar (Teorema de Bayes) cual • Se termina asignando el píxel a la clase de mayor
es el método ideal estadístico para hacer una clasificación. Ese probabilidad.
método se denomina “Maximun Likelihood”, algo así como
máxima correlación. • Este es el método más complejo y que más cálculos realiza pero
también el que da los mejores resultados.
• Se asume previamente que los histogramas de las clases tienen
distribuciones normales. Si no es así, mejor usar otro método.
A partir de este supuesto, se calcula las probabilidades de que un
píxel pertenezca a cada clase.
ENVI 3.5 Clase 2 – Pág. 14 Arq. Mercedes Frassia
• Existen (como se podrán imaginar) una multitud de otros métodos • Por otro lado, la validez de los resultados dependerá de dos
numéricos y estadísticos para hacer una clasificación supervisada, factores:
algunos son mejores que otros, otros simplemente más rápidos.
El empleo o utilización de un método u otro es particular de cada • El grado de fiabilidad de los posibles supuestos previos que
caso se hayan hecho.
• Las clasificaciones supervisadas presuponen una fase de • La representatividad de las muestras tomadas
entrenamiento que consiste en seleccionar muestras, en forma de
zonas de píxeles concretos, que se asignarán a una clase • La representatividad de las muestras indica que los píxeles
concreta, basándose en el conocimiento previo que se tiene sobre tomados contienen las distintas 'variedades' de cada clase y
la imagen. A partir de los puntos de las zonas de entrenamiento, además que se tomaron estas muestras en las proporciones
se extraerán ciertos parámetros estadísticos. La elección de los adecuadas.
parámetros a calcular dependerá del método concreto de
• Pongamos por ejemplo una zona que contiene coníferas: si la
asignación que se vaya a emplear después.
concentración es alta, la muestra contendrá una serie de puntos
• Así, el método del paralelepípedo requiere conocer los valores con valores estadísticamente muy correlados (esto es lo que se
máximos y mínimos de cada clase en cada banda. llama “autocorrelación espacial”), mientras que los píxeles de
coníferas correspondientes a otra zona de menor densidad,
• Mientras que el de mínima distancia requiere calcular la media en seguramente tendrán una cierta separación espectral respecto a
cada banda. los primeros, ya que entra en juego mayor proporción de suelo
desnudo.
• El método de la máxima probabilidad, requiere el cálculo de la
media en cada banda y la matriz de varianza-covarianza de cada • Es por tanto deseable escoger distintas muestras de una clase
clase. distribuidas por toda la imagen más que escoger una zona amplia
pero correspondiente a una misma área.
• Ni que decir que es fundamental la correcta selección de las
muestras, ya que en caso contrario, las estadísticas no serán las
correctas y los resultados pueden ser completamente erróneos.
ENVI 3.5 Clase 2 – Pág. 15 Arq. Mercedes Frassia
En este casillero se
En este casillero se encuentran los encuentran los píxeles
píxeles clasificados como nieve aunque En la diagonal, en color que eran nieve pero
realmente son suelo. amarillo se encuentran los que fueron clasificados
píxeles correctamente erróneamente como
Píxeles Clasificados
Nieve Suelo Agua Total Precisión
Verdaderos
Bien Clasificados
Errores de Omisión
Errores de Comisión
• En la columna Precisión de la Clasificación se mide la son, el 0.83%. Este parámetro es conocido como la Precisión del
Usuario.
proporción de píxeles correctamente clasificados por tipo de
cobertura. En el caso de la nieve, 310 píxeles del total de 400 • Pero consideremos una situación tonta: que las etiquetas fueran
píxeles existentes en la imagen del tipo nieve (0.77%), estuvieron puestas al azar. A pesar de que el producto final obtenido sería
correctamente clasificados. Este parámetro es conocido como la
totalmente inutilizable, todavía habría alumnos píxeles bien
Precisión de la Producción. clasificados. Es deseable que un índice de concordancia tenga en
• Si quisiéramos conocer la Precisión Total de la Producción, lo cuenta este hecho y que de algún modo, indique el grado de
acuerdo que existe por encima del esperado por azar.
que se debe hacer es sumar la totalidad de píxeles bien clasificados
(en amarillo) y dividirlos por la totalidad de píxeles de la imagen • El índice “kappa" representa una aportación en esta dirección,
(630 / 850 = 0.74 %). básicamente mediante la incorporación en su fórmula de una
• Pero en general el usuario de una imagen clasificada esta más corrección que excluye la concordancia debida exclusivamente al
azar.
preocupado con la confiabilidad, algo así como hasta que punto
puede confiar que un píxel clasificado como nieve sea realmente • En consecuencia, el valor de k simplemente es la razón entre el
nieve. Por ejemplo, volviendo al ejemplo de la nieve, 370 píxeles exceso de concordancia observado más allá del atribuible al azar y
fueron clasificados como nieve de los cuales 60 píxeles que no lo
el máximo exceso posible.
ENVI 3.5 Clase 2 – Pág. 17 Arq. Mercedes Frassia
• Para visualizar la distribución de los valores de pixel entre la Banda Definir regiones de interés usando el Scatter Plot
1 y la Banda 4 de la imagen mediante un diagrama de • Se denomina regiones de interés a las muestras con las cuales
dispersión, seleccione Tools->2-D ScatterPlots. posteriormente clasificaremos una imagen
• Quedan determinados
píxeles coloreados de
color verde.
• Se iluminarán en el mismo
color que los píxeles del
Scatter Plot los píxeles en
las ventanas principal y de
Zoom, que estén
emparejados con los
valores contenidos en la
región seleccionada.
• En nuestro ejemplo en
verde
1.5. NDVI
• Seleccione Transform > NVDI
desde el menú principal de
ENVI.
• Elija to Memory.
• Se deben fijar diferentes parámetros. • Se fijan los valores de los distintos parámetros del algoritmo
K: Número deseado de agrupamientos • Se asigna cada patrón al agrupamiento más cercano
A: Número inicial de agrupamientos
I: Máximo número de iteraciones permitidas • Se eliminan los agrupamientos con menos de N patrones
N: Umbral del número de patrones para la eliminación de
agrupamientos • Si el número actual de agrupamientos es pequeño (menor o
S: Umbral de desviación para la división de un agrupamiento igual que K/2), se dividen los agrupamientos más dispersos
C: Umbral de distancia para la unión de agrupamientos (siendo la dispersión de un agrupamiento la distancia media de
L: Máximo número de mezclas en una iteración sus patrones al centroide del cluster) por la componente de
máxima dispersión (respetando el umbral mínimo S).
• El botón central del ratón borra el último punto introducido o, el • Para definir una nueva ROI, presione "New Region".
polígono al completo si este fue cerrado.
ENVI 3.5 Clase 2 – Pág. 27 Arq. Mercedes Frassia
Otros Tipos de ROIs NOTA : la imagen se visualiza en grises solo para que usted
• Las ROIs también se pueden definir como polilíneas o como una distinga mejor las regiones de interés) Importante: no se olvide de
colección de píxeles individuales, seleccionado el tipo de ROI usar la opción OFF
deseada en el menú ROI_Type. Lea la Guía del Usuario de ENVI • Una vez que haya creado la definición de la ROI, usted puede
o la ayuda online para mayor discusión sobre estos tipos de ROI. borrarla de la visualización (dejando su definición en la lista)
seleccionando la ROI en la lista y presionando sobre el botón
Trabajando con ROIs "Erase".
• Usted puede definir tantas ROIs • Pulsando en "Stats" le permite ver estadísticas de la ROI
como desee en cualquier imagen. seleccionada.
• Pulse "OK".
• Aparecerá el cuadro de
dialogo Spectral Library Input
file.
• Así queda una firma espectral de laboratorio después de utilizar • Por lo cual se puede afirmar que la clasificación por firma
este procedimiento. espectral es especialmente recomendada para sensores hiper -
espectrales como el Aviris que tiene mas de 200 bandas y no
para el sensor Lansat.
• Desde cualquiera de las ventanas de imagen, seleccione • Si no tiene botón central, presionando control en el teclado, trace un rectáng
Functions->Link->Link Displays. Aparecerá el diálogo Link ventana 1. Con control presionado, presione el botón derecho del Mouse par
Displays. Pulse "OK" para enlazar en el origen. área de visualización de una imagen sobre la otra.
3. POSTPROCESO
Una imagen clasificada requiere un post proceso que evalúe la calidad de la clasificación y generalice clases y que finalmente permita convertir
las diferentes clases ráster en un formato vectorial. Para ello ENVI implementa las herramientas que se describen a continuación.
3.1. Estadísticas
Estadísticas Como primer paso en la evaluación de la
• Seleccione Classification > Post Classification > Class Statistics.
clasificación se puede solicitar las estadísticas
para cada una de las clases de la imagen • Cuando aparece el cuadro de dialogo Classification Input File,
generadas a partir de los datos de la imagen seleccione la imagen clasificada.
original.
• Cuando aparece el cuadro de dialogo Statistics Input File Dialog,
Matriz de La matriz de confusión permite comparar
seleccione la imagen.
confusión estadísticamente una imagen clasificada con
una verdad terreno bien como imagen • Presione "OK."
clasificada o como conjunto de ROI's.
El cuadro de diálogo Class Selection aparece.
Reajustes en las Las funciones "Sieve", "Clump", "Combine" y
clases los filtrados morfológicos nos permiten • Select la clase para la cual quiere calcular estadísticas
identificar píxeles que queden aislados,
• El resultado final incluye reportes y ploteos para cada una de las
agruparlos con clases más abundantes,
clases seleccionadas.
juntar varias clases en una, etc.
• Para ejecutar esta función presione Classification > Post • Presione la opción “One Layer per Class”
Classification > Sieve Classes
Evaluación
• Ejercicio 1: Aplique la técnica de NDVI entre las imágenes tm_oct87.img y tm_oct89.img. Verifique los destrozos producidos en esta región
selvática des pues de fue azotada por el huracán HUGO.
• Ejercicio 2: Abra la imagen bhtmref.img. Utilizando las herramientas de preclasificación, diga que es el círculo que se ve en la imagen.