TELEDETECCION

CLASIFICACION DE IMAGENES

Msc. Ing. Saul Ramos Peredo

Objetivos - Clustering
 Agrupar objetos similares entre si para que sean distintos a los
objetos de otros agrupamientos.
 La coleccion de objetos similares se llama: Cluster, Agrupamiento,
Conglomerado
Clustering
 Clustering
 Aprendizaje no supervizado
 Clasificacion
 Ordenacion
 Segmentacion
 Clasificacion no Supervizada
Clustering
 No requiere una muestra de entrenamiento
 Premisa.- los pixels de una misma clase contienen caracteristicas
espectrales similares
 Los algoritmos requieren informacion minima
 Numero de clases
 Umbral de distancia
 Medida de distancia
Clustering
Clasificacion NO Supervizada

 Aplicar un algoritmo de clustering para clasificar una

imagen con pixels de caracteristicas espectrales
similares
 Reducir la intervencion del analista en la clasificacion
 Determinar las clases espectrales presentes
Algoritmos de Clustering
Entre los algoritmos de clustering podemos citar:

K-MEANS
ISO DATA
Clasificacion Supervizada

Realizar clasificación supervisada a cualquier tipo de imagen

multiespectral

Entender la separabilidad espectral.

entender cuantas clases usar

Filtrar clasificacion
 Selección (ROIsTrain,

Clasificacion Supervizada
ROIsTest)

Determinación de
clases

Evaluar Separabilidad
espectral

Ejecutar clasificador

Derivar mapa temático

Determinar bondad del

mapa
GRACIAS