PROCESAMIENTO DIGITAL DE IMÁGENES

CLASIFICACIÓN SUPERVISADA Y NO SUPERVISADA

Los niveles digitales adquiridos por el sensor multiespectral adquieren un sentido cuando
se convierten en categorías que permiten un mejor entendimiento del terreno.
La clasificación digital no busca una definición absoluta de cada cubierta, sino una
caracterización particular, válida para una determinada imagen y un territorio concreto.
La idea es obtener una nueva imagen, en la cual cada uno de los pixeles originales se
encuentre definido por un nivel digital, el cual es el identificador de la clase a la cual
pertenece.
La clasificación digital se divide en:

 Fase de entrenamiento.
 Fase de asignación (Distribución de los pixeles de la imagen en una de estas
categorías).
 Comprobación y verificación de resultados
FASE DE ENTRENAMIENTO
Esta primera fase del proceso es la más importante, pues de ella depende la calidad de la
clasificación. Los factores que inciden en el resultado son; la calidad y pureza de los pixeles
muestrales por cada categoría, y el número suficiente y representativo de la variabilidad de
cada categoría. Con los pixeles digitalizados se entrena al computador para que reconozca
cada categoría en función de su caracterización estadística (firma espectral).
FASE DE ASIGNACIÓN
Esta fase la realiza el sistema una vez hayamos seleccionado uno de los clasificadores
disponibles para el efecto. Los hay de varios tipos; duros y blandos. Los clasificadores
blandos evalúan el grado de relación del píxel con todas aquellas categorías bajo
consideración, incluyendo clases desconocidas y no especificadas. Estas técnicas de
clasificación, efectúan las decisiones sobre similitud mediante análisis estadístico de cada
pixel con las diferentes categorías caracterizadas estadísticamente.
Al Clasificar la imagen entera se considera cada píxel uno por uno, comparando su firma
particular con cada una de las firmas conocidas. Las clasificaciones duras resultan de
asignar cada píxel al tipo de cobertura que tiene la firma espectral más similar.
FASE DE COMPROBACIÓN
En esta fase, usando un algoritmo del SIG, se generan unos puntos de muestreo de manera
aleatoria. Con esos puntos coordenados sobre cada categoría se va al terreno y se
diligencia una matriz de doble entrada confrontando los resultados de la clasificación con la
verdad o realidad del terreno. De los resultados se define el grado estadístico de precisión.
Si el resultado no es estadísticamente adecuado es necesario revisar el trabajo hecho o
replantear las técnicas de muestreo usadas.

ZONA DE ESTUDIO DE LA PRACTICA

 PROCESAMIENTO DIGITAL DE IMÁGENES

La zona que se clasificó comprende el área geográfica alrededor de la ciudad de Sogamoso,

incluyendo los cascos urbanos de los municipios de Nobsa, Tibasosa y Firavitoba. Lo que
mas se recomienda y aconseja, es la realización, mediante visita previa al terreno, de
puntos de control para garantizar la calidad de los resultados. En esta practica se
imposibilitó la visita a campo, por lo que es necesario tener un Background o conocimiento
de la zona.
Las principales coberturas presentes en la región se presentan a continuación:
ID COBERTURA NOMBRE

1. Agropecuario(pastos-cultivos) zona plana Agropec

2. Bosques (pinos-eucaliptos) Bosques

3. Urbano (cascos urbanos) Urbano

4. Praderas (Rastrojo bajo y Pastos en ladera) Praderas

5. Canteras Canteras

6. Industrial (Paz del Rio, Parque industrial) Industrial

7. Rastrojo (rastrojos bajos) Rastrojo

PROCEDIMIENTO
 PROCESAMIENTO DIGITAL DE IMÁGENES

Mediante el software Idrisi se generó la composición color RGB857 para una imagen
multiespectral del programa Landsat con sensor ETM+, por medio de la cual se realizo la
fase de entrenamiento mediante la selección de los pixeles de muestra para cada una de
las categorías evaluadas, las mismas que se muestran en el apartado anterior.

1. Captura de los pixeles de entrenamiento

Mediante la herramienta , se crearon archivos tipo vector (polígonos) para cada una de
las coberturas a evaluar, teniendo en cuenta diversos sitios de entrenamiento para cada
uno de los identificadores.
Se puede crear una gran cantidad de polígonos con el mismo identificador para cada tipo
de cobertura, sin embargo, la principal recomendación es que el numero de pixeles en cada
conjunto de entrenamiento no sea menor de diez veces el numero de bandas, esto con el
fin de tener muestras de pixeles adecuadas para obtener productos capaces de ser
caracterizados. Para el caso de esta practica se tienen 7 bandas, por lo tanto, se deberán
tener por lo menos 70 pixeles por cada conjunto de entrenamiento.

2. Creación del archivo ráster con todos los campos de entrenamiento.

 PROCESAMIENTO DIGITAL DE IMÁGENES

El algoritmo a utilizar requiere que los sitios de entrenamiento sean pixeles, por lo que es
necesario la conversión de los polígonos digitalizados de formato vector a ráster. Esto se
hace mediante el comando RASTERVECTOR del menú RFORMAT de la barra de
herramientas de Idrisi, danso como nombre ENTRENA al producto generado.

Se puede observar entonces las diferentes muestras tomados en formato ráster para cada
una de las coberturas con su respectivo identificador.
3. Creación de las firmas espectrales
Las firmas espectrales contienen los valores de reflectancia característica dentro de cada
área de entrenamiento, para su generación, se hace uso del comando MAKESIG (“creación
de firma”) del menú Signature Development en la barra de herramientas de Image
Processing.
4. Visualización de las firmas epectrales
Con el fin de visualizar el comportamiento de los pixeles de cada categoría se utilizó el
comando SIGCOMP del menú Signature Development, dando como resultado para los
valores promedios:
 PROCESAMIENTO DIGITAL DE IMÁGENES

Como se puede observar en esta imagen, las firmas espectrales de la cobertura rastrojo y
agropecuario se superponen, al igual que lo hacen hacia la parte inicial la cobertura pradera
e industrial, por esta razón se procedió a realizar un análisis mas detallado de esto 2 pares
de bandas, desplegando además de los valores promedios, el máximo y mínimo, así:
 PROCESAMIENTO DIGITAL DE IMÁGENES

Esta superposición indica que se tomaron pixeles similares para ambas muestras, dando
como resultado un entrenamiento con algunos errores, en los que se podrían tomar las
zonas de rastrojo como agropecuarias o viceversa. Lo mismo ocurre con las coberturas de
pradera e industrial.

5. Clasificación o Asignación
Esta fase comprende la clasificación propiamente dicha y para la cual existen diversas
posibilidades. La clasificación se basa en la asignación de pixeles a la firma espectral más
próxima, se debe tener en cuenta que cada píxel en el área de estudio tiene un valor
diferente en cada una de las 7 bandas (Iraca3b1-8), que configuran en conjunto una firma
única que puede ser comparada con cada uno de los archivos espectrales que se crearon.
Para la asignación de pixeles se puede recurrir a una serie de técnicas estadísticas, con las
que se pueda evaluar la semejanza entre las firmas espectrales. Las técnicas usadas en
esta práctica se dividen en dos grupos, la clasificación supervisada y la no supervisada:

 Clasificador de mínima distancia espectral

Clasificación
 Clasificador de máxima verosimilitud
supervisada
 Clasificador del Paralelepípedo

 Clasificación no supervisada
 PROCESAMIENTO DIGITAL DE IMÁGENES

Clasificador de mínima distancia espectral

Este clasificador calcula la distancia de los valores de reflectancia de los pixeles al
promedio de cada archivo espectral y asigna el pixel a la categoría con el promedio más
cercano, este clasificador tiene 2 opciones para calcular la distancia; la primera calcula la
distancia euclidiana de los valores de reflectancia de los pixeles y la segunda evaluara las
desviaciones estándar de los valores de reflectancia con respecto a la media, creando
contornos de desviación estándar y distancias normalizadas. Idrisi cuenta con un comando
capaz de realizar estas operaciones, se puede acceder a él por medio de IMAGE
PROCESSING/HARD CLASSIFIERS/MINDIST.
La primera clasificación dentro de MINDIST, se realizó mediante la opción de distancia
cruda (RAW) y calculando las distancias infinitas, dando como resultado la imagen
mostrada a continuación

Como se puede observar la zona industrial se expande mucho mas de lo que debería, esto
es debido a la superposición de su firma espectral con la de praderas, por lo que algunos
pixeles que deberían ser tomados como praderas, fueron asignados a la cobertura industrial
por lo cual se concluye que el entrenamiento no fue 100% optimo teniendo como resultado
este pequeño error.
 PROCESAMIENTO DIGITAL DE IMÁGENES

La segunda clasificación basada en la desviación estándar dio como resultado:

En este caso el error debido a la superposición de las firmas espectrales de zonas

industriales y praderas es mucho mas notorio, ya que abarca un buena proporción de la
escena, siendo en realidad una zona bastante pequeña, por lo cual se concluye que entre
los dos tipos de clasificadores de mínima distancia espectral el que mas amplifica los
errores y por tanto es el menos apto para usar es el que se encuentra basado en
desviaciones estándar.
Clasificador de máxima verosimilitud
En este clasificador la distribución de los valores de reflectancia en un sitio de
entrenamiento es descrita por una función densidad de probabilidad, desarrollada sobre la
base de la estadística Bayesiana. Este clasificador evalúa la probabilidad de que un píxel
dado pertenezca a una categoría y clasifica el píxel en la categoría con el valor más alto de
probabilidad.
Esta clasificación se puede realizar mediante el comando MAXLIKE en el software SIG
Idrisi, dando como resultado la imagen que se muestra a continuación.
 PROCESAMIENTO DIGITAL DE IMÁGENES

En este caso la cobertura que tuvo mayor error fue la urbana, ya que aparecen grandes
zonas indicando una firma espectral correspondiente a este, pero que en realidad no tiene
nada que ver, como se puede observar hacia la parte superior izquierda de la imagen. Sin
embargo, la cobertura industrial se vio mucho mas disminuida que las anteriores
clasificaciones.
Clasificador del paralelepípedo
Este clasificador crea cajas usando unidades de desviación estándar o valores de
reflectancia mínimo y máximo dentro de los sitios de entrenamiento. Para este clasificador
se usaron las dos opciones disponibles dentro del comando PIPED de Idrisi (Min/Max y Z-
Score):
PROCESAMIENTO DIGITAL DE IMÁGENES
 PROCESAMIENTO DIGITAL DE IMÁGENES

Se observa que en ambas imágenes se presentan zonas oscuras de color negro, esto se
debe a que esos pixeles no han podido ser ajustados dentro de ninguna de las coberturas
y por tanto se genera una nueva categoría 0, donde se agrupan todos los pixeles sin
clasificar. También destaca que la opción Min/Max presenta altos errores con respecto a la
cobertura vegetal, mientras que la opción Z-Score reduce estos errores, pero aumenta
notoriamente las zonas con pixeles negros o sin clasificar.
CLASIFICACIÓN NO SUPERVISADA
En términos generales en la Clasificación no supervisada se extraen los modelos de
respuesta espectral dominante dentro de una imagen. El comando CLÚSTER usa una
técnica para seleccionar el pico del histograma unidimensional (una banda) que se define
como el valor ND que tiene la mayor frecuencia que sus vecinos. Establecidos los picos,
todos los valores posibles de ND son asignados al pico más cercano obteniéndose unas
Categorías o “Clases Espectrales”.
Dentro del menú de CLÚSTER, se tienen 2 opciones de generalización, los cuales usan
diferentes reglas de decisión cuando se evalúa el histograma de frecuencia para picos, para
la generalización BROAD, una clase debe tener una frecuencia mas alta que todas sus
vecindades no diagonales; mientras que para la generalización FINE, se genera un pico
que tiene una vecindad no diagonal con una frecuencia más alta.

También se tienen varios métodos de Clusterin rule, en este caso particular se usó Drop
least significant clusters y Set maxium number of clusters (siendo 7 el número máximo de
clúster)
 PROCESAMIENTO DIGITAL DE IMÁGENES

Los resultados obtenidos para la generalización BROAD y FINE mediante el método Drop
least significant clusters fueron:
 PROCESAMIENTO DIGITAL DE IMÁGENES

Se nota pues que se generaron para ambos casos una gran cantidad de clústeres, para la
generalización BROAD se produjeron 33 clúster y para la generalización FINE, se
generaron 135 clúster; es por eso que se usa la opción Set maxium number of clusters, ya
que con esta es posible definir el número máximo de clúster para ambos casos, dando
como resulta
 PROCESAMIENTO DIGITAL DE IMÁGENES

En ambos casos la imagen mejoro bastante, además el numero de coberturas generadas

disminuyo a 7, permitiendo una mayor aproximación a la realidad del terreno.
Comparando las clasificaciones supervisadas como las no supervisadas se concluye que
las que tienen una mejor producción de resultados son las supervisadas, sobre todo la de
MÁXIMA VEROSIMILITUD, ya que tiene una alta aproximación a la realidad del terreno
con pocos errores generados por la superposición de las firmas espectrales.

CONCLUSIONES

 La extracción de muestras para tipo de cobertura de diferentes sitios de

entrenamiento debe ser buena para que la superposición de firmas espectrales no
genere errores a la hora de realizar los diferentes tipos de clasificación no
supervisada.
 Para el caso de esta practica en particular se generaron superposiciones entre
diferentes firmas espectrales de las coberturas (Agropecuario-Rastrojo y Pradera-
Industrial) generando algunos errores en el despliegue de las imágenes.
 La mejor clasificación supervisada es la de Máxima verosimilitud
 Además de la clasificación de máxima verosimilitud, el clasificador de mínima
distancia mediante la opción de distancia cruda (RAW) y calculando las distancias
infinitas, presenta buenos resultados.
 El clasificador del paralelepípedo genera zonas con pixeles de valor 0, debido a que
no es capaz de agruparlos en ninguna categoría.
 La clasificación no supervisada con el método de suprimir los agrupamientos de
mínima significancia, genera bastantes clústeres, sobre todo para la generalización
FINE.
 Mediante la opción de definir el número máximo de clústeres (7 para este caso) en
la clasificación no supervisada, es posible reducir el numero de coberturas
mejorando notablemente la capacidad de la imagen para ser analizada e
interpretada.
 Al comparar los productos generados con clasificación supervisada como no
supervisada, se llega a la conclusión de que el clasificador que mejores productos
genera es la clasificación supervisada de Máxima Verosimilitud.

REFERENCIAS
Guía metodológica practica CLASIFICACIÓN SUPERVISADA Y NO SUPERVISADA,
Germán Herrera salamanca, Agrólogo, Esp. SIG, MSc Geografía.