CLASIFICACION DE IMÁGENES DE

SATÉLITE
La generación de mapas temáticos a partir de imágenes de satélite, especialmente de
cobertura vegetal y uso de la tierra, es una de las tareas comunes en teledetección. Ya sea
por medio de interpretación visual o procesamiento digital estas operaciones tienen como
objetivo asignar a cada pixel una categoría (tipos de vegetación, cuerpos de agua, zonas
urbanas, etc).

Tradicionalmente la elaboración de mapas de coberturas de la tierra ha sido realizado

mediante interpretación visual de imágenes, ya sean fotografías aéreas o imágenes de
satélite. El análisis visual es una poderosa herramienta al permitir incorporar una gran
diversidad de criterios de interpretación. Sin embargo, las técnicas de Clasificación Digital
proveen procedimientos más robustos y espacialmente consistentes para la generación de
mapas temáticos, especialmente cuando trabajamos con amplias regiones. Las técnicas de
Clasificación pueden ser aplicadas a las imágenes sin corregir, pero la mayoría de los
autores de investigaciones en el tema recomiendan primero llevar a cabo correcciones
geométricas y radiométricas, para minimizar el impacto de factores externos (interferencia
atmosférica, sombreado del relieve etc) [Chuvieco E 2016].

.Existe una amplia diversidad de métodos de clasificación que podemos agrupar en tres
categorías:

TIPOS DE METODOS DE CLASIFICACION

 No Supervisada
 Supervisada
 Orientada a Objetos

CLASIFICACION NO SUPERVISADA

Se denominan No Supervisados porque requieren muy poca participación del usuario,

utilizan las estadísticas de la imagen para dividirlas en categorías. Estos métodos agrupan
conjuntos de pixeles (Cluster) basados en sus propiedades (por ejemplo sus características
espectrales).

Después de escoger el algoritmo, el usuario debe introducir la cantidad de Clusters que

desea generar. Por ejemplo, puede crear 3, 10, 20 Cluster. El resultado es similar a un mapa
temático, una imagen dividida en tantas categorías como Clusters fueron solicitados, sin
embargo, dichos clusters no tienen un significado. El próximo paso, el usuario deberá
interpretar e identificar manualmente cada clusters, asignándole una cobertura de uso de la
tierra.

El supuesto de la clasificación no supervisada es la existencia de conjuntos de pixeles con

características espectrales similares, por lo tanto, corresponden a la misma cobertura. Sin
embargo, la similaridad espectral no implica necesariamente la pertenencia a una cobertura
homogénea, pues la misma cobertura puede tener diferentes respuestas espectrales, a su vez
la misma respuesta espectral puede deberse a diferentes coberturas.

Estos métodos son los más sencillos y automáticos, no requieren datos de campo para
clasificar. Puede utilizarse iterativamente para clasificar una imagen, como técnica
exploratoria para interpretar la imagen, para captar áreas de entrenamiento homogéneas
para posteriormente realizar una clasificación supervisada.

Algoritmos de Clasificación No Supervisada

Los algoritmos de generación de Clusters son K-mean e ISODATA.

K-Mean:

El procedimiento de este algoritmo puede ser descrito:

1. En la primera iteración se generan una serie de Clusters aleatoriamente, tantos como

especifico el usuario.
2. Los pixeles son asignados al centro de Cluster más cercano, siguiendo un criterio de
distancia, la distancia euclidiana, el ángulo espectral o la distancia de Mahalanobis.
En el caso del PlugIn de Clasificación Semi Automática el centro de clase esta
definido por el promedio espectral del Cluster, además se utiliza como criterio de
similaridad la distancia mínima y el ángulo espectral.
3. Luego de la primera iteración, los centros de clases son recalculados, considerando
los Niveles Digitales de todos los pixeles incorporados en la fase anterior.
4. Inicia una nueva iteración. Debido a la modificación del paso anterior, nuevamente
todos los pixeles son asignados al centro de clase más cercano. La clasificación de
muchos pixeles cambiara de la ubicación anterior.
5. De nuevo los centros de clase son calculados y una nueva iteración inicia. Este
proceso continua hasta que una de las siguientes condiciones es verificada:
 La distancia espectral entre los Clusters producidas en esta iteración y las
correspondientes producidas en la iteración anterior es inferior a un
determinado umbral;
 Se alcanza el número máximo de iteraciones.
6. Después de la última iteración, un Raster de Clusters es producido.
ISODATA: este método es similar a K-Mean pero con el paso adicional de fusionar los
Clusters que tienen estadísticas similares y dividir los Clusters que tienen alta variabilidad
(por ejemplo, por la desviación estándar). Este método exige como parámetro de entrada
adicional el umbral de desviación estándar que será considerado para dividir los Clusters.

CLASIFICACION SUPERVISADA

Una clasificación supervisada requiere el conocimiento previo del área de estudio adquirido
ya sea por fuentes externas o por trabajo de campo. Esta familiaridad con la zona de estudio
permite al intérprete identificar en la imagen áreas suficientemente representativas de cada
una de las categorías objetivo. Estas áreas se conocen como "áreas de entrenamiento". El
término indica que tales áreas se utilizan para entrenar a la computadora en el
reconocimiento de las diferentes categorías (Chuvieco E 2016).

Se digitalizan las áreas de entrenamiento en pantalla (polígonos), se les asigna un

identificador de la categoría que representa (vegetación, suelo, agua etc), los pixeles dentro
de dichos polígonos son tomados por el programa y extrae sus estadísticas para cada banda
(Nivel Digital medio, máximo, mínimo, desviación estándar). El conjunto de estadísticas de
cada categoría representa la firma espectral.

La selección de las áreas de entrenamiento puede basarse en las propiedades ópticas de

cada categoría, observaciones de campo, fotografías aéreas entre otras fuentes de
información. Es recomendable que la información de referencia sea de fechas similares a la
imagen que se desea clasificar (Chuvieco E 2016).

Algunos programas, al igual que el PlugIn de Clasificación Semi automática, cuentan con
una herramienta para la selección de las área de entrenamiento basada en un algoritmo de
Región Incremental el cual previa selección de un pixel en pantalla, agrupa los pixeles
vecinos basado en un umbral de distancia espectral especificado por el usuario, la región se
expande mientras existan pixeles vecinos que cumplan el criterio de distancia o se alcance
el tamaño máximo de pixeles de la región, que es especificado antes de ejecutar el
algoritmo.
Este método garantiza la homogeneidad de los pixeles del área de entrenamiento, evita
incluir pixeles en el borde de dos coberturas que incrementarían la variabilidad de la firma.

Criterios para crear áreas de entrenamiento

Es recomendable asignar suficientes y equitativos pixeles en las áreas de entrenamiento de

las diferentes categorías. Pueden asignarse varios polígonos de una misma categoría.

La definición de las áreas de entrenamiento es la fase más importante en la clasificación de

la imagen, la selección de los pixeles de las áreas de entrenamiento debe ser realizado con
gran detalle y precisión. Cuando las categorías son homogéneas, solo un área de
entrenamiento por categoría puede ser suficiente para evitar confusiones con otras
coberturas. Lo contrario también es un error, seleccionar solo áreas de entrenamiento
homogéneas excluyendo la variabilidad espectral propia de la cobertura (Chuvieco E 2016)

Tamaño de las áreas de entrenamiento y diseño de muestreo

Varios autores recomiendan seleccionar un numero de pixeles entre 10 + m y 100 + m por

categoría. La letra “m” representa el número de bandas consideras en la clasificación.

En cuanto al diseño de muestreo, en este caso especial no se aplica la concepción

tradicional de preferir un muestreo aleatorio e independiente. Esta asunción no es válida en
este caso debido a la autocorrelación espacial entre pixeles vecinos. Por lo tanto, es más
aconsejable elegir varios campos de pequeño tamaño que uno más grande, ya que este
último tenderá a subestimar la variabilidad de esa categoría. Algunos autores recomiendan
seleccionar píxeles aleatorios, dentro de campos de mayor tamaño, en lugar de incluirlos
todos (Chuvieco E 2016).

Algoritmos de Clasificación

Luego que se han definido los sitios de entrenamiento se procede a realizar la clasificación
de la imagen con base en las firmas espectrales.

Existen diversos algoritmos (Clasificadores), entre los que estaremos aplicando se

encuentran:

- Mínima Distancia
- Paralelepípedo
- Angulo espectral
- Máxima probabilidad
Estos algoritmos son denominados Clasificadores Duros o Por Pixel, porque ellos asignan
cada pixel a una determinada categoría, no se considera la mezcla de coberturas dentro de
un pixel o la probabilidad de que el pixel pueda pertenecer a más de una clase.

La clasificación de la imagen es un proceso iterativo, de no obtenerse el resultado deseado

se pueden modificar las áreas de entrenamiento y sus estadísticas. También se puede
orientar el proceso de clasificación modificando los parámetros del algoritmo.

Paralelepípedo:

Es un clasificador estricto, asigna los pixeles a una categoría solo si se encuentran dentro
del rango de su firma espectral. El rango puede ser definido por los valores extremos de la
firma o en términos de desviación estándar. Este método es generalmente utilizado con
fines exploratorios.

De esta forma, aplica un procedimiento de asignación de polígonos de lados paralelos

alrededor del centro de cada firma (como puede ver en la figura), que es la razón de su
nombre

En el PlugIn de Clasificación Semi Automática se puede utilizar en combinación con los

demás algoritmos. El método del Paralelepípedo asigna los pixeles cuyos valores
espectrales en cada banda están contenidos en los rangos de la firma, los pixeles que
quedan sin clasificar son asignados por el otro algoritmo seleccionado.
Mínima Distancia

Este método asigna los pixeles a las firmas espectrales que presentan la menor distancia
espectral euclidiana. El usuario puede configurar un valor umbral de distancia.

Angulo Espectral

Similar al método de Mínima Distancia pero en este caso se asigna el pixel a la categoría
con el mínimo Angulo espectral
Máxima Probabilidad

El algoritmo «Máxima Probabilidad» calcula las distribuciones de probabilidad para las

clases, relacionado al teorema de Bayes, estimando si un pixel pertenece a una clase de
cobertura. En particular, las probabilidades de distribución de las clases son asumidas de la
forma de modelos normales multivariados. Para utilizar este algoritmo, se requiere un
número lo suficientemente alto de pixeles para cada área de entrenamiento, lo cual permite
el cálculo de la matriz de covarianza (Congedo L. 2018 ).

En este caso, las estadísticas de cada área de entrenamiento (media, varianza, covarianza
etc) son asumidas con una distribución normal, por lo cual es posible estimar la
probabilidad de pertenencia o no de un pixel.

COMBINANDO SUPERVISADOS – NO SUPERVISADOS (METODOS MIXTOS)

Los dos métodos, supervisados y no supervisados, tienen ventajas y desventajas. El primer

método es a menudo sesgado porque el usuario decide a priori las categorías sin tener en
cuenta las características espectrales de la imagen. Por otro lado, el método no supervisado,
no garantiza que las clases de salida tengan un significado para el usuario final. Para
compensar las desventajas de ambos métodos, se han propuesto varias alternativas que
combinan ambos métodos (Chuvieco E 2016).

El PlugIn desarrollado por Congedo L 2018, da la opción de mayor participación del

usuario en el procedimiento de Clasificación No Supervisada, pudiendo introducir como
parámetro de inicio (primera iteración) firmas espectrales extraídas de áreas de
entrenamiento, la opción esta remarcada en la figura:
Otras alternativas que pueden explorarse:

- Utilizar clusters de una clasificación no supervisada como áreas de entrenamiento

- Realizar una clasificación supervisada dentro de un Clusters. Por ejemplo un
clusters que aparentemente agrupa los diferentes formas de vegetación, se le realiza
un clasificación supervisada buscando extraer los tipos de vegetación.
- Lo contrario al caso anterior una categoría, por ejemplo dos tipos de vegetación o
zonas urbanas/suelo desnudo, (ambas categorías cuyas firmas tienden a solaparse)
que no pudieron separarse en la clasificación supervisada, la región cubierta es
extraída con una máscara binaria y se le aplica una clasificación no supervisada.

CLASIFICACION ORIENTADA A OBJETOS

Hasta ahora hemos estudiado métodos de clasificación “por pixel” y en su mayoría tienen
como entrada solo información espectral.

Sin embargo, las cubiertas terrestres no presentan firmas espectrales únicas, sino que
existen factores externos e internos que introducen una cierta variabilidad dentro de la
firma espectral de una cubierta particular y crean confusión con otras categorías. En
consecuencia, será difícil discriminarlos basándose únicamente en los valores espectrales.
Puede ser necesario tener en cuenta otras variables para complementar la información
espectral (Chuvieco E. 2016).

Los criterios de textura, forma y contexto son muy importantes en la interpretación visual,
por lo cual nuevos métodos pretenden incorporarlos en la clasificación digital. A diferencia
de lo que podría pensarse, las imágenes de alta resolución pueden ser más difíciles de
clasificar con los métodos por pixel, dado que presentan una mayor cantidad de ruido, esto
incrementa el nivel de confusión entre clases, así como el efecto de sal y pimienta.

Este método se basa en la extracción y posterior clasificación de objetos homogéneos, de

esta manera se realiza la clasificación tomando como unidad grupos de pixeles en vez de
pixeles individuales.

El proceso de extracción de objetos se denomina Segmentación Espacial, de manera que

segmentos y objetos son sinónimos en este contexto. Los segmentos son grupos de píxeles
contiguos y homogéneos que servirán como entidades únicas para fines de clasificación.

El algoritmo crea primero los segmentos basados en el espacio y métricas espectrales de la

imagen. Después los segmentos son clasificados utilizando una de las clasificaciones
estándar.

Una vez definidos los objetos, todos los píxeles de cada objeto se asignarán a la misma
cubierta, por lo que la clasificación final tendrá una estructura espacial más coherente
(Chuvieco E 2016).

Los segmentos pueden ser clasificados por métodos supervisados o no supervisados. Dado
que los segmentos son entidades vectoriales estamos clasificando y vectorizando a la vez.

Bibliografía:

 Chuvieco E.( 2016) Fundamentals of Satellite Remote Sensing An Environmental

Approach Segunda Edición
 Congedo L 2018 Semi-Automatic Classification Plugin Documentation Versión
6.1.0.1