Muestreos y Clasific

CLASE 2: MUESTREOS Y CLASIFICACIÓN
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
1. COMPORTAMIENTO ESPECTRAL TEÓRICO PARA LOS TRES ELEMENTOS FUNDAMENTALES

DEL PAISAJE
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”.
1.1. Vegetación vigorosa

La firma espectral de la vegetación es especialmente variable, • Infrarrojo térmico: la vegetación presenta en el dominio del
dependiendo de múltiples factores: estado fenológico, forma y infrarrojo térmico unas propiedades en general bastante complejas.
contenido en humedad.
Como absorbe energía solar durante el día y la devuelve durante la
• Bandas Visibles: de manera general se puede decir que presenta noche, está más caliente que el aire que la rodea durante la noche
una reducida reflectividad en las bandas visibles, con un máximo y más fría que su entorno durante el día.
relativo en la región del verde (0.55 µm). Este comportamiento
está relacionado al efecto absorbente de los pigmentos
fotosintéticos de las hojas. Entre estos, la clorofila que absorbe en
la zona del rojo. Por ese motivo, la vegetación no vigorosa se ve
amarilla (verde + rojo) ya que la clorofila no absorbe tanto.
• Infrarrojo cercano: la estructura celular interna produce una

elevada reflectividad en el infrarrojo cercano que luego va
reduciéndose paulatinamente hacia el infrarrojo medio.
• Por tanto, se puede afirmar que la característica principal de la

vegetación es el contraste nítido que se presenta entre las
bandas visibles (especialmente rojo) y el infrarrojo cercano.
A mayor contraste, mayor vigor de la vegetación.
• Infrarrojo medio - región espectral entre 1.35 µm – 2.5 µm: en

esta región la mayor parte de la energía incidente es absorbida por
las moléculas de agua presentes en la hoja. Es por eso que
podemos afirmar que a mayor concentración de agua en el
tejido, menor será la respuesta espectral en esta banda.
ENVI 3.5 Clase 2 – Pág. 3 Arq. Mercedes Frassia
• La figura representa la respuesta espectral típica de la vegetación

verde y sana. Se reconocen 3 regiones bien diferenciadas. 1.2. Índices de vegetación
• La zona del visible, de baja reflectividad, con menor absorción • El estado fotosintético de la vegetación se puede determinar a
de la clorofila en la zona del verde. partir de la combinación de dos bandas espectrales, concretamente
el rojo y el infrarrojo próximo, ya que la significativa diferencia
• La zona del infrarrojo cercano que se caracteriza por la alta entre bandas denota la presencia de vegetación sana y vigorosa
reflectancia y baja absorción. Respuesta influenciada por la con alto contenido de humedad y el incremento menor coincide con
estructura interna de la hoja. la vegetación enferma con poca actividad fotosintética.
• La región espectral del infrarrojo medio influenciada por la • Resumiendo, cuanto mayor es este contraste, mayor es el vigor de
concentración de agua en el tejido. la vegetación. A partir de esta información se genera una nueva
imagen conocida habitualmente como GVI (Green Value Index).
• Existen varios modelos matemáticos para el cálculo de este GVI,

pero las bondades de uno u otro modelo y la calidad del resultado
obtenido depende en gran parte, de las características de la toma y
del área de muestra. Uno de los más usados es el NDVI
(Normalized Difference Vegetation Index – NDVI)
• Valores altos del NDVI indican vegetación sana ya que provienen

de una muy alta reflectancia en el infrarrojo próximo y baja en el
visible.
1.3. Suelos
• Se debe mencionar que los suelos desnudos se detectan pocas
veces, ya que en general se presentan en conjunto con vegetación.
• Sin embargo el comportamiento espectral de los mismos es mucho

más uniforme que el de la vegetación.
• En principio, la mayor parte de la energía recibida por el suelo

es absorbida o reflejada y muy poca es transmitida.
• Vamos por parte: empecemos por lo que ven nuestros ojos. En

general los suelos son marrones para nuestros ojos. En la clase
anterior vimos que el marrón se forma como producto del verde y
del rojo en superficies que absorben básicamente el azul. Por lo
cual podemos afirmar que la respuesta es alta en estas dos
longitudes de onda. Posteriormente la curva espectral se mantiene
bastante plana y de carácter ligeramente ascendente. • A partículas más chicas, mayor reflectancia: Se ha calculado
que al disminuir el tamaño de las partículas de 2.65 mm (arena) a
• Los principales factores que intervienen en este caso son la 0.22 mm (arcilla) se produce una disminución de la energía
composición química del suelo, su textura y estructura y el absorbida en un 14%, aumentando la reflectancia en forma
contenido en humedad. proporcional.
• Por ejemplo, un suelo de origen calcáreo tiende al color blanco, • Basado en esta última premisa se observa que los que los suelos
indicando alta reflectividad en todas las bandas visibles. con costra tienen mayor respuesta espectral que los suelos
arados.
• Mientras que los arcillosos ofrecen una mayor reflectividad en el
rojo, como consecuencia de su contenido en óxido de hierro. • El otro elemento a considerar es la presencia de humedad: su
disminución aumenta la respuesta espectral (en general los suelos
• Otro elemento a evaluar es la presencia de material orgánico. Su
más húmedos son más oscuros).
presencia produce suelos oscuros donde disminuye la reflectancia.
• Concluyendo podemos afirmar que un aumento de la reflectancia
• El tamaño de las partículas afecta la reflectividad espectral. A
esta íntimamente relacionado con la disminución del contenido
medida que estas disminuyen, la superficie se vuelve mas lisa,
de humedad, de rugosidad, de tamaño de las partículas,
reduciendo la proporción de energía atrapada y aumentando la
contenido de materia orgánica y cantidad de oxido de hierro
energía reflejada.
presentes en el suelo.
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).
• Los factores que afectan la respuesta espectral son: la

profundidad, el contenido de materias en suspensión
(clorofila, arcillas y nutrientes) y la rugosidad de la superficie
(factor extremadamente importante).
• En aguas poco profundas con presencia de humus en

descomposición, típico de escenas en áreas agrícolas, la
reflectividad aumenta. Hace decrecer la respuesta en el azul y
aumenta la respuesta en el rojo.
• Por otra parte agua con gran cantidad de clorofila puede producir
una respuesta espectral similar al de la vegetación.
• Lo mismo sucede ante la presencia de arena, roca, o cualquier

otro tipo de sedimento: hace crecer la respuesta del agua en el
visible y en infrarrojo cercano.
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.
• Esta respuesta es similar a la de las nubes. Para discriminar estas

dos respuestas se utiliza el Infrarrojo cercano, donde las nubes
tienen respuesta alta y la nieve una reflectancia menor. (Aparece
más oscura)
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.
2.1. Tipos de clasificaciones

• El principio de las clasificaciones es el siguiente: supongamos que
tenemos una imagen en color de una determinada área geográfica. Clasificación Supervisada
En esa imagen sabemos que determinados píxeles de color
azul corresponden al agua. Podríamos decir entonces que Se parte de un cierto conocimiento sobre la zona a clasificar, a
todos los píxeles azules son agua. partir del cual se obtienen los criterios de clasificación.
Previamente se han de seleccionar muestras de cada clase
• Esta es una forma de clasificación muy primitiva pero muy válida constitutiva. Esas zonas, conocidas como zonas de
en muchos casos. En realidad, lo que se hace intuitivamente es entrenamiento, serán procesadas a fin de calcular estadísticas:
partir de una “muestra” del agua, para juzgar si media, rango, desviación típica, etc. en todas las bandas que
determinado pixel se trata de agua o no. intervengan en la clasificación.
• Justamente, esta es la idea dominante en una “clasificación
Clasificación NO Supervisada
supervisada”. Compara las “firmas digitales” de las muestras, con
la “firma digital” de cada pixel de la imagen y asigna el pixel a la
No se posee ningún conocimiento previo y de lo que se trata es
clase donde encuentra mayor similitud.
de discriminar píxeles en función de una magnitud cuantitativa
• Existe otro tipo de clasificación, las clasificaciones no de diferenciación entre unos y otros.
supervisadas, que permiten clasificar imágenes sin tomar
Supone la búsqueda automática de grupos de valores
muestras. Por ejemplo, dividiendo la imagen en tantos grupos
homogéneos.
como se intuya presentes de valores homogéneos.
La intervención humana se centra más en la interpretación de
resultados que en la consecución de los mismos.
2.2. Las clasificaciones supervisadas

• Siguiendo con el ejemplo del agua, cuando se realiza una mismo a todos los centroides de las nubes para posteriormente
clasificación supervisada, se tiene un valor correspondiente al asignarlo a la clase para la cual esta distancia es menor.
promedio del color para el agua y lo que se hace es comparar cada • Este mismo concepto se puede extrapolar a un espacio de tres
píxel de la imagen con este valor promedio para hacer una dimensiones donde la distancia euclidiana también se puede
discriminación. El gran secreto de las clasificaciones supervisadas aplicar de la misma forma: esta vez en tres dimensiones.
está en como se hace la comparación para decir “este píxel
corresponde al agua y este no”. • Y a su vez, este mismo concepto se puede seguir extrapolando a
espacios de n dimensiones igual al numero de bandas. Aunque no
• Una herramienta especialmente útil para “entender” como hacemos podamos visualizarlos, los conceptos y las relaciones matemáticas
la comparación entre los valores de un píxel y el valor medio del son aplicables igualmente.
agua, es un gráfico cartesiano en donde en el eje de las X
representamos los valores de una banda (en nuestro caso la • Esta técnica de clasificación se denomina “mínima distancia
Banda 4 de una imagen Landsat que corresponde a la banda euclíea”.
infrarroja) y en el eje de las Y, otra banda diferente (en nuestro
caso la Banda 3 de una imagen Landsat que corresponde a la
banda roja). Este tipo de grafico se los conoce habitualmente como
“Scatter Plot” o Diagrama de Dispersión.
• En este tipo de gráfico, los píxeles de una imagen forman en

general “nubecitas” que representan diferentes tipos de coberturas.
• Si graficamos en este grafico el agua, veremos que se crea una

nube de puntos. Otro tanto sucede con la vegetación sana y
vigorosa y con así sucesivamente con los diferentes materiales
presentes en la imagen.
• La visión y el cerebro se combinan para dar una interpretación

visual de agrupaciones de forma que se distinguen clases ante la
presencia de regiones relativamente densas de puntos.
Visualmente se puede también determinar el grado de
compactación de una clase en función de la dispersión de sus
puntos alrededor del centro de la clase y estimar el grado de
separación entre clases atendiendo a la distancia entre dichos
centros.
• A partir de este grafico, podemos clasificar un píxel que no

sabemos a que tipo corresponde, comparando la distancia del
MÍNIMA DISTANCIA EUCLÍEA
• 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.
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.
• Por otra parte considera que la forma geométrica de la nube de

puntos que representa al conjunto de píxeles pertenecientes a una
clase puede ser descrita por una elipsoide. Dicha forma de
elipsoide depende directamente de la covarianza entre las distintas
variables.
• Si hubiéramos clasificado por mínima distancia, el punto P hubiera

sido asignado a la clase C2 ya que es la que más cerca en términos
de distancia euclídea. Pero por la naturaleza intrínseca de la
• La localización, forma y tamaño de las elipses reflejan la media, correlación que existe entre los píxeles de cada clase, vemos que a
varianzas y covarianzas de los datos y esta idea se traslada a quien en realidad pertenece es a la clase C1. Este hecho es el que
n-dimensiones. tiene en cuenta la distancia de Mahalanobis.
• Este método es muy similar al “Maximum Likelihood - Máxima

Correlación” (ver en las próximas 2 página en esta clase), pero
asume que todas las clases covarian. Por este motivo es un método
más rápido.
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.
• Este método es rápido y simple. Es útil como una primera

aproximación. Como desventaja, puede producir píxeles sin
clasificar y paralelepípedos superpuestos.
VECINO MAS CERCANO
• 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.
MAXIMUN LIKELIHOOD - MÁXIMA CORRELACIÓN
• 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.
• 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.
2.3. Las clasificaciones sin supervisar 2.4. Evaluación de las clasificaciones

• Podemos clasificar una imagen sin la ayuda de las áreas de • Todo proceso de medición (proceso mediante el cual se cuantifica
muestreo. Esto es lo que denominamos clasificación no una magnitud) está amenazado por diversas fuentes de error por
supervisada. lo que es ampliamente aconsejable determinar el grado de error
cometido, en términos de número de píxeles incorrectamente
• Los algoritmos empleados para clasificar una imagen sin clasificados.
muestreos básicamente lo que hacen es encontrar nubes más o
menos densas en el espectro bidimensional de las • Los resultados de las clasificaciones tanto supervisadas como no
imágenes y asignárselas a clases en la clasificación. Quizás supervisadas se pueden evaluar con la ayuda de las áreas de
el método más empleado es el “Isodata”, que asigna igual valor comprobación. El diseño de muestreo de dichas áreas y su
de probabilidad a cada una de las clases o nubes. localización debe realizarse previamente a la clasificación para
evitar posibles sesgos.
• En estas áreas se evalúan las clases que se han obtenido a

través de las clasificaciones realizadas con el ordenador y
se comparan con la realidad. La utilización de áreas de
entrenamiento para este propósito es claramente inadecuada.
• La construcción de matrices de confusión en las que las filas

representan las clases verdaderas y las columnas las clases
asignadas en el proceso clasificador, dan una medida de la
calidad de la clasificación. Cuanto mayores sean los valores
contenidos en la diagonal principal con respecto a los valores del
resto de la matriz, más fiable será la clasificación realizada. Al
final los resultados se expresan en porcentajes de acierto para
cada clase.
• Tomemos por ejemplo una matriz construida a partir de una

imagen clasificada según 3 categorías: nieve, suelo desnudo y
agua.
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
Nieve 310 80 10 400 400/310= 0.77%

Píxeles
Suelo 40 100 40 180 100/180=0.55%

Agua 20 30 220 270 220/270=0.81%
TOTAL 370 210 270 850
Confiabilidad 310/370 =0.83 % 100/210=0.47% 220/270=0.81%
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.
1.TRABANDO CON FIRMAS ESPECTRALES
• Seleccione File->Open Image File desde el menú principal de

ENVI.
• Navegue hasta el subdirectorio Canon City - Colorado.

Seleccione el fichero CAN_TMR.IMG de la lista y teclee "Open".
• Seleccione RGB y las bandas 4, 3, y 2
• Click “Load RGB” para ver la imagen en un nuevo Display.
1.1. Firmas Espectrales

• Seleccione Tools > Profiles > Z Profile (Spectrum) desde el
menú de la imagen de ENVI.
• Examine la firma espectral moviendo el cursor y posesionándose

en diferentes lugares.
• Preste atención a la relación entre colores de la imagen y la

forma del spectra.
• Preste atención a las líneas de
• Saque muestra de los siguientes lugares colores azul, rojo y verde:
corresponden a las bandas
Nieve desplegadas en cada uno de
Vegetación poco vigorosa estos cañones del monitor
Río
Vegetación vigorosa
Suelo desnudo
1.2. Creación de librería espectral

• A partir de las firmas espectrales usted podría crear una librería • Vuelva a la ventana 1, donde tiene la firma espectral del
espectral para posteriormente clasificar la imagen material que usará para crear su galería espectral. Párese
sobre las coordenadas y presione el botón derecho del
Mouse. Sin soltar, arrastre hasta la ventana 2 (la idea es hacer
Drag and Drop). Cuando este sobre esta ventana 2: recién ahí
• Seleccione Edit-> Data suelte el botón derecho del Mouse.
Parameters y cambie el color y
el nombre: por ejemplo: color
verde, vegetación vigorosa
• Haga clic en Apply
• Presionando el botón derecho

en cualquier lugar del Z Profile
lograra visualizar las
coordenadas del mismo. A
esta ventana vamos a llamarla
Ventana 1
• Del menú del Z Profile, seleccione Options->New Window Blank
• Una nueva ventana se desplegara. A esta ventana vamos a

llamarla Ventana 2
• Vuelva a la primera ventana y

seleccione otra firma espectral 1.3. Y y X Profiles
de otro material que usará par • Seleccione Tools > Profiles > Y Profile desde el menú de la
su galería espectral imagen de ENVI.
• Repita estos procedimientos • Vera un corte en x de la imagen donde se graficará la radiancia
tantas veces como elementos a lo largo de este eje
quiere que figuren en su
galería espectral, en nuestro
ejemplo 5 firmas espectrales
• De esta ventana seleccione File->Save Plot as->Spectral Library.

La usaremos posteriormente para clasificar la imagen.
• La línea roja del Profile corresponde al pixel conde se interceptan

las líneas rojas de la imagen.
• Compruebe como efectivamente corresponde con una baja

radiancia baja para todas las bandas.
• Pruebe nuevamente posicionándose sobre la nieve.

1.4. Diagramas de Dispersión (ScatterPlots)

• Los diagramas de la dispersión (ScatterPlots) permiten que • Observe que cuando usted mueve el cursor, diversos píxeles son
usted compare rápidamente los valores de dos bandas iluminados en el diagrama de dispersión. Este "baile de píxeles"
espectrales, de forma simultánea. Los ScatterPlots de ENVI ilumina los valores de pixel de ambas bandas encontrados en
permiten la clasificación rápida de 2 bandas. una región de 10x10 pixel alrededor del cursor.
• 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
• Aparecerá el diálogo Scatterplot Band Choice. • Defina una Región de

Interés en el diagrama
• En "Choose Band X" seleccione la Banda 3. En "Choose Band Y" de dispersión dibujando
seleccione la Banda 4. Haga clic en "OK" para crear el diagrama. un polígono con el botón
izquierdo del ratón sobre
• Localice el cursor en la ventana principal, presione y sostenga el la ventana Scatter Plot.
botón izquierdo del ratón.
• Para cerrar el polígono,
presione el botón
derecho.
• Quedan determinados
píxeles coloreados de
color verde.
• Vera que determinada cantidad de píxeles en el scatterplot se

iluminan.
• Mueva el puntero por la ventana.

• 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
• Seleccione "Export All" del menú Options en la ventana del

diagrama de dispersión para exportar esta clasificación.
• Limpie la selección realizada seleccionando Options> Clear Class
• Aparece el diálogo Region of
• Defina tres nuevas clases de esta manera: Una roja para nieve, Interest Controls.
una azul para río y otra verde para vegetación.
• Por defecto, ENVI elige
• Seleccione un color del menú Class en la ventana del diagrama "Scatter Plot Import", seguida
de dispersión. por el color de la región y el
número de puntos contenidos
• Defina una Región de Interés en el diagrama de dispersión en la región, como nombre
dibujando un polígono con el botón izquierdo del ratón sobre la para la región del interés.
ventana Scatter Plot. Esto se evidencia en el
diálogo "Regions of Interest
• Para cerrar el polígono, presione el botón derecho. Controls".
• Repita este procedimiento para cada clase • Presione el botón Edit y

cambie los nombres de las
regiones como río, nieve y
vegetación.
• En el menú File, seleccione

Save ROIs. Los utilizaremos
posteriormente.
1.5. NDVI
• Seleccione Transform > NVDI
desde el menú principal de
ENVI.
• Elija la imagen CAN_TMR.IMG
• Aparece el diálogo que le pide

que seleccione la banda roja y
la infrarroja
• Elija to Memory.
• Cargue la nueva imagen en

escala de grises.
• Las áreas mas blancas se

corresponden a aquellas
donde el estado fotosintético
de la vegetación es mayor.
2. CLASIFICACIÓN DE UNA IMAGEN

Esta guía le conduce por los procedimientos multiespectrales típicos de la clasificación, usando datos de Landsat TM de Canon City, Colorado.
Los resultados de clasificaciones supervisadas y no supervisadas son examinados y fijan los procesos post-clasificación incluyendo la
agrupación, tamizado, combinación de clases, y se discute la valoración de la precisión alcanzada. Se asume que usted está familiarizado con
las técnicas de clasificación multiespectral.
2.1. Clasificación no Supervisada

• Esta clasificación requiere del usuario pedir un determinado
número de clases o cluster a encontrar. Una vez seleccionada
esa cifra, los centros espectrales de estos clusters son
calculados en la imagen, para luego por diferentes iteraciones y
en función de las restricciones especificadas por el usuario se
llega a una separación espectral óptima de la información
contenida en la imagen.
• Las técnicas de agrupamiento analizan el conjunto de

observaciones disponibles para determinar la tendencia de los
patrones a agruparse. Estas técnicas permiten realizar una
clasificación asignando cada observación a un agrupamiento
[cluster], de forma que cada agrupamiento sea más o menos
homogéneo y diferenciable de los demás.
• Los métodos de agrupamiento asocian un patrón a un

agrupamiento siguiendo algún criterio de similitud. Se han
propuesto cientos de algoritmos de agrupamiento más o menos
específicos. ENVI utiliza dos métodos posibles: K-Means o
Isodata
2.2. Clasificación no Supervisada: K-Means

• El algoritmo de las K-Means es probablemente el algoritmo de
agrupamiento más conocido. Es un método de agrupamiento
heurístico con número de clases conocido (K). El algoritmo está
basado en la minimización de la distancia interna (la suma de
las distancias de los patrones asignados a un agrupamiento al
centroide de dicho agrupamiento). De hecho, este algoritmo
minimiza la suma de las distancias al cuadrado de cada patrón al
centroide de su agrupamiento.
• El algoritmo es sencillo y eficiente. Además, procesa los

patrones secuencialmente (por lo que requiere un
almacenamiento mínimo). Sin embargo, está sesgado por el
orden de presentación de los patrones (los primeros patrones
determinan la configuración inicial de los agrupamientos) y su
comportamiento depende enormemente del parámetro K:
Número deseado de agrupamientos.
• Se deben fijan diferentes parámetros:

K: Número deseado de agrupamientos
I: Máximo número de iteraciones permitidas
U: Umbral (0-100%) que es usado para terminar el proceso
cuando se arriba a este parámetro. (opcional)
ST: Desviación estándar del promedio (opcional) • El proceso que realiza el software funciona de la siguiente
DN: Máxima distancia permitida de error (en DN) (opcional) manera:
• Seleccionar arbitrariamente una configuración inicial de los

clusters
• Y luego repite hasta que no cambien los centros de los clusters:
• Calcular los centros de los K clusters.
• Redistribuye los patrones entre los clusters utilizando la mínima

distancia euclídea al cuadrado como clasificador.
2.3. Clasificación no Supervisada: ISODATA

• ISODATA es el acrónimo de Interative Self-Organizing Data • Inicialmente selecciona los centros de los A agrupamientos.
Analysis Techniques (con la A añadida para hacer pronunciable
el nombre) • En cada una de las iteraciones del algoritmo (I como máximo).
• 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).
• En las iteraciones pares o cuando el número actual de

agrupamientos es elevado (>2K), se unen como máximo L
pares de agrupamientos cuya separación entre ellos quede por
debajo del umbral de distancia C. Para realizar la clasificación no
supervisada proceda de la siguiente manera
• Elija en el menú de ENVI: Classification->Unsupervised-

>ISODATA o K-Means.
• Seleccione los parámetros según las diferentes posibilidades
• Seleccione entre "File" o "Memory". Si "File" es seleccionado

ponga el nombre del archivo.
• Haga Clic en "OK" para comenzar la clasificación.

• El proceso que realiza el software funciona de la siguiente
manera:
2.4. Clasificación Supervisada

• Abra la imagen can_tmr.img • Las ROIs pueden ser definidas también en la ventana de Zoom o
en color con la siguiente de Scroll. Si necesita dejar de dibujar presione la opción Off. Es
asignación de bandas muy importante ya que sino el cursor sigue con la opción
creación de ROIs habilitada.
• Cuando usted haya finalizado de definir una ROI, se mostrará en

el diálogo Available Regions, mediante el nombre, el color de la
región y el número de píxeles que contiene.
• Para cambiar el nombre y el

color pulse el botón Edit.
Creación de regiones de interés

• ENVI le permite definir "Regions of Interest" (ROIs) en sus
imágenes. ROIs son típicamente usadas para hacer
clasificaciones supervisadas.
• Seleccione Overlay ->Region of Interest->Define Region of

Interest en el menú principal de ENVI. Aparecerá el diálogo ROI
• Usted puede entrar un
Tools.
nombre para la región así
Dibuje un polígono que represente la región de interés. como seleccionar el color y
• Pulse con el botón izquierdo del ratón en la ventana principal relleno pulsando en el botón
para establecer el primer punto del polígono de la ROI. "Edit".
• Seleccione más puntos presionando, de nuevo, con el botón

izquierdo del ratón. Cierre el polígono pulsando con el botón
derecho.
• 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.
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.
• Pulsando en "Delete" borra la ROI de forma permanente.
• El menú file le permite guardar las regiones de interés o traer

regiones existentes.
• En este caso seleccione las
siguientes regiones de • Los otros botones y opciones de los menús deplegables permiten
interés: calcular medias o visualizar o borrar todas las definiciones de la
lista.
Suelo desnudo
Nieve • Las ROIs son retenidas en memoria hasta que el diálogo ROI
Vegetación arbustiva Definition es cerrado, a menos que explícitamente usted las
Vegetación Vigorosa borre. Esto significa que las ROIs están disponibles por las otras
Agua (Cree el ROI funciones de ENVI incluso si ellas no están visualizadas en ese
usando una polilínea) momento.
2.5. Clasificación supervisada: Parallelepiped

Lo siguiente es un ejemplo de uno de los métodos de clasificación
• Cuando aparezca el diálogo Parallelepiped Parameters,
supervisada.
seleccione las regiones de interés que usted creó en la lista
• Seleccione Classification->Supervised->Parallelepiped desde el "Select Classes from Regions" que se encuentra a la izquierda
menú principal de ENVI. Aparecerá el diálogo Classification Input del diálogo.
File. Seleccione CAN_TMR.IMG y teclee "OK".
• Seleccione "Output Result to Memory" en la esquina superior
izquierda del diálogo.
• Como parte del proceso de clasificación puede pedirse a ENVI

que genere para cada clase una imagen "Rule", imagen que
aporta información sobre la cercanía que ha estado cada píxel de
la imagen de ser asignado a esa clase, aunque finalmente no
pertenezca a ella. Son imágenes de una sola banda, visualizadas
en escala de grises en las que según el método empleado, el
valor del píxel tendrá una interpretación u otra.
• Pulse en el botón con la pequeña flecha del diálogo para no

aplicar la generación "Rule Image".
• Pulse "OK".
• La función de clasificación calculará las estadísticas y una

ventana de progreso aparecerá durante la clasificación. Una
nueva entrada llamada "Parallel (CAN_TMR.IMG): (M1)"
aparecerá en Available Bands List.
• Para cargar los resultados de la clasificación en un nuevo grupo

de ventanas de visualización, seleccione la nueva entrada en
Available Bands List, marque "Gray Scale", y pulse en "New"
(para crear un segundo grupo de visualización). Después, pulse
"Load Band".
2.6. Clasificación supervisada: Maximum 2.7. Clasificación supervisada: Minimum Distance y

Likelihood Mahalanobis Distance
Muy similar a la anterior
• Muy similar a la anterior
• Pruebe hacer la clasificación con los parámetros que pone el
programa por defecto y pruebe con otros parámetros para
"Probability Threshold". Los valores deberán variar entre 0 y 1.
Pruebe con 0.8: queda gran cantidad de píxeles sin clasificar.
• Para cargar los resultados de la clasificación en un nuevo grupo

de ventanas de visualización, seleccione la nueva entrada en
Available Bands List, marque "Gray Scale", y pulse en "New"
(para crear un segundo grupo de visualización). Después, pulse
"Load Band".
2.8. Clasificación por galería espectral

• Seleccione Classification->Supervised->Spectral Angle Mapper • Aparecerá el cuadro de
desde el menú principal de ENVI. Aparecerá el diálogo dialogo Input Spectral
Classification Input File. Seleccione CAN_TMR.IMG y teclee "OK". Library.
• Aparecerá el cuadro de • Presionar el botón Select All

dialogo Endmember Collection Items.
• Para abrir la galería espectral • Presionar el botón OK.

que creo anteriormente,
seleccione del menú Import>
Spectral Gallery
• Una vez cargada la librería espectral presione el menú Algorithm

> Minimum Distance
• Aparecerá el cuadro de dialogo Spectral Library Input file. • Mande la nueva clasificación a la memoria
• Si no tiene la galería espectral abierta, la puede abrir
presionando el botón Open Spectral Library.
• Abra la galería espectral que había creado en el paso anterior.

La extensión de este archivo es.sli
2.9. Utilizar galerías espectrales que trae el programa

• Puede usar las galerías espectrales que trae el programa, que • Aparecerá el cuadro de
están ubicadas en el directorio RSI > Envi3.4 < Spect_lib. dialogo Spectral Resampling
Parameters.
• Puede visulazarlas utilizando el menu Spectral > Spectral Library
> Spectral Library Viewer. • Presione la opción Pre Defined
Filter Functions que le habilita
• Presione el botón Open Spectral Library y elija algunas de las un botón que le permite
galerias espectrales que trae el programa. Mire las galerías de seleccionar el sensor.
vegetación y de geología como para tener una idea de la
potencialidad de esta herramienta. • Presionando este botón elija
el sensor: en este caso
• Pero antes de poder usarlas deberá adecuarlas al sensor de la
Landsat 5.
imagen. Porqué? Ya que las firmas que trae el programa están
realizadas en laboratorio y tiene muchísimas mediciones • Escriba un nombre el cuadro
mientras que el sensor Lansat con el que estamos trabajando de texto Enter Output
solo registra loa valores en 6 bandas. Filename.
• Del Menú principal de ENVI, presione, Spectral > Spectral
Library > Spectral Library Resampling.
• Aparecerá el cuadro de
dialogo Spectral Library Input
file.
• Presione el botón Open

Spectral Library.
• Abra una galería espectral

que trae el programa. No
olvide la extensión es .sli.
Abra por ejemplo la galería
USGS_veg.sli
• 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.
• Sin embargo la tendencia es a los sensores hiperespectrales, por

lo cual no podíamos dejar de mencionar la técnica de
clasificación por firma espectral.
2.10. Superposición Dinámica de una Imagen sobre otra

• Cuando clasifica es muy útil enlazar las diferentes • Para hacer uso de la superposición, localice el cursor en cualquier lugar de la
visualizaciones para permitir la comparación directa de una principal. Pulse el botón central del ratón y arrastre el área de superposición
imagen sobre otra tamaño deseado.
• 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.
• Una pequeña porción de la imagen enlazada será superpuesta sobre la venta

actual. La superposición es factible en la ventana principal y/o en la ventana
• Ahora simplemente pruebe a desplazarse o hacer Zoom en un grupo de visu

observe como se repite la acción en el segundo grupo.
• Para cambiar el tamaño del área de superposición, pulse el

botón central del ratón y arrastre el área de superposición hasta
el tamaño deseado.
• Una porción de la otra imagen será superpuesta.
• Usted puede cambiar el tamaño del área superpuesta, pulsando

con el botón central del ratón y arrastrando hasta el tamaño
deseado.
• Cierre las dos ventanas pulsando el botón "Cancel" en cada

imagen.
2.11. Superposición de la Clasificación 2.12. Superposición de leyenda

• Despliegue la banda 4 de CAN_TMR.IMG en colores de grises • Seleccione Overlay > Annotation del menú de la imagen
usando Available Bands List.
• Seleccione Object > Map Key
• Del menú de la imagen seleccione Overlay > Classification
• Seleccione la imagen clasificada.
• Haga Click en “On” para ver la clasificación sobre la imagen

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.
3.2. Matriz de confusión

• Abra CLASSES.ROI que teóricamente tiene muestras del terreno
posterior a la clasificación que posibilitan la comparación de la
imagen con estas muestras. Las llamamos áreas de
comprobación.
• Seleccione Classification > Post Classification > Confusion Matrix

> Using Ground Truth ROIs.
• Seleccione la imagen clasificada para ser evaluada.
• Haga coincidir las clases de la imagen con los de CLASSES.ROI,

una por una. Presione el botón Add Combination
• Haga Click en OK para calcular la matriz de confusión.

3.3. Reajustes en las clases

Sieve 3.4. Clasificación a Vectores
• Sieve se hace correr primero para eliminar los píxeles sueltos. Se • Seleccione Classification > Post Classification > Classification to
especifica este umbral en Threshold. Por defecto es 2 píxeles, lo Vector y elija la imagen a la cual ya le ha aplicado el proceso de
que significa que elimina todo pixel suelto. Si cambia este valor a Sieve y Clump
3 elimina todo pixel suelto mas todos los grupos de 2 píxeles. Y
así sucesivamente. • Seleccione las regiones que quiere vectorizar.
• Para ejecutar esta función presione Classification > Post • Presione la opción “One Layer per Class”
Classification > Sieve Classes
• Seleccione una imagen clasificada
• Entre un nombre de salida.

Clump
• Agrupa y combina clases adyacentes
• Para ejecutar esta función presione Classification > Post

Classification > Clump Classes
• Seleccione una imagen a la cual le aplico el proceso de Sieve.
• Entre un nombre de salida.

• Seleccione la capa vectorial • Haga clic en Apply para ver

que quiere desplegar. Elija los vectores.
por ejemplo nieve.
• Use Edit Layer para cambiar
• Presione el botón Load el color y el tipo de fondo.
Selected.
• Para ver los vectores sobre la

imagen debe seleccionar el
Display donde se encuentra la
misma.
• Para verla en una nueva

ventana debe seleccionar New
Vector Window
• Recuerde que por defecto

estos vectores son de
formato.evf pero puede
guardarlos en el formato de
ArcView
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.
• Ejercicio 3: Clasifique la imagen usando cualquiera de los métodos desarrollados.

Muestreos y Clasific

Cargado por

Información del documento

Título original

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

Muestreos y Clasific

Cargado por

Copyright:

Formatos disponibles

CLASE 2: MUESTREOS Y CLASIFICACIÓN

1. COMPORTAMIENTO ESPECTRAL TEÓRICO PARA LOS TRES ELEMENTOS FUNDAMENTALES

1.1. Vegetación vigorosa

• Infrarrojo cercano: la estructura celular interna produce una

• Por tanto, se puede afirmar que la característica principal de la

• Infrarrojo medio - región espectral entre 1.35 µm – 2.5 µm: en

• La figura representa la respuesta espectral típica de la vegetación

• Existen varios modelos matemáticos para el cálculo de este GVI,

• Valores altos del NDVI indican vegetación sana ya que provienen

• Sin embargo el comportamiento espectral de los mismos es mucho

• En principio, la mayor parte de la energía recibida por el suelo

• Vamos por parte: empecemos por lo que ven nuestros ojos. En

• Los factores que afectan la respuesta espectral son: la

• En aguas poco profundas con presencia de humus en

• Lo mismo sucede ante la presencia de arena, roca, o cualquier

• Esta respuesta es similar a la de las nubes. Para discriminar estas

2.1. Tipos de clasificaciones

2.2. Las clasificaciones supervisadas

• En este tipo de gráfico, los píxeles de una imagen forman en

• Si graficamos en este grafico el agua, veremos que se crea una

• La visión y el cerebro se combinan para dar una interpretación

• A partir de este grafico, podemos clasificar un píxel que no

MÍNIMA DISTANCIA EUCLÍEA

• Por otra parte considera que la forma geométrica de la nube de

• Si hubiéramos clasificado por mínima distancia, el punto P hubiera

• Este método es muy similar al “Maximum Likelihood - Máxima

• Este método es rápido y simple. Es útil como una primera

VECINO MAS CERCANO

MAXIMUN LIKELIHOOD - MÁXIMA CORRELACIÓN

2.3. Las clasificaciones sin supervisar 2.4. Evaluación de las clasificaciones

• En estas áreas se evalúan las clases que se han obtenido a

• La construcción de matrices de confusión en las que las filas

• Tomemos por ejemplo una matriz construida a partir de una

Nieve 310 80 10 400 400/310= 0.77%

Suelo 40 100 40 180 100/180=0.55%

1.TRABANDO CON FIRMAS ESPECTRALES

• Seleccione File->Open Image File desde el menú principal de

• Navegue hasta el subdirectorio Canon City - Colorado.

• Seleccione RGB y las bandas 4, 3, y 2

• Click “Load RGB” para ver la imagen en un nuevo Display.

1.1. Firmas Espectrales

• Examine la firma espectral moviendo el cursor y posesionándose

• Preste atención a la relación entre colores de la imagen y la

1.2. Creación de librería espectral

• Haga clic en Apply

• Presionando el botón derecho

• Del menú del Z Profile, seleccione Options->New Window Blank

• Una nueva ventana se desplegara. A esta ventana vamos a

• Vuelva a la primera ventana y

• De esta ventana seleccione File->Save Plot as->Spectral Library.

• La línea roja del Profile corresponde al pixel conde se interceptan

• Compruebe como efectivamente corresponde con una baja

• Pruebe nuevamente posicionándose sobre la nieve.

1.4. Diagramas de Dispersión (ScatterPlots)

• Aparecerá el diálogo Scatterplot Band Choice. • Defina una Región de

• Vera que determinada cantidad de píxeles en el scatterplot se

• Mueva el puntero por la ventana.

• Seleccione "Export All" del menú Options en la ventana del

• Repita este procedimiento para cada clase • Presione el botón Edit y

• En el menú File, seleccione

• Elija la imagen CAN_TMR.IMG

• Aparece el diálogo que le pide

• Cargue la nueva imagen en