Ficha de trabajo

Hussain M, Chen D, Cheng A, Wei H, Stanley D. 2013. Change detection from remotely
Referencia sensed images: From pixel-based to object-based approaches. ISPRS Journal of
Photogrammetry and Remote Sensing 80:91–106.

Tema Comparación de clasificación por pixel y objetos Fecha 30-07-2017

Extracto I

“La selección de la técnica de PR apropiada depende del objeto de estudio. Algunas técnicas como la
diferenciación entre imágenes sólo pueden proporcionar información binaria (cambio/no cambio). Si se
requiere una matriz de cambio detallada (dirección de cambio) para un estudio, se necesitarán diferentes
técnicas como la post-clasificación. También hay que considerar la selección en relación con las imágenes
disponibles. Muchos métodos basados en pixeles no se consideran adecuados para imágenes de muy alta
resolución. En este caso, hay que optar por análisis de objetos.” P.92

Extracto 2

“La aparición de imágenes multiespectrales y el rápido incremento de capacidades computacionales en la

última década han desafiado el análisis tradicional basado en pixeles. Un pixel no es un verdadero objeto
geográfico. No es la unidad óptima para la cartografía de paisaje. La alta variabilidad de la reflectancia
dentro de las características individuales y el número de clases presentes en la imagen de alta resolución
espacial ha restringido el análisis tradicional por pixel (Johansen et al., 2010). La mayor resolución espacial
también está vinculada con el problema de píxeles mixtos, considerado como una de las mayores fuentes
de error e incertidumbre en clasificaciones (Boyd y Foody, 2011). Se ha demostrado que las técnicas de
análisis de imágenes basadas en objetos (OBIA) reducen los efectos de la georreferenciación, la mayor
variabilidad espectral y las características de adquisición.” P.98

Extracto 3

“Contrario al enfoque de pixel, la clasificación por objetos utiliza información espacial y de contexto para
modelar la realidad. Sin embargo, hay preocupaciones sobre la validación. El muestreo basado en puntos
no es el mismo para objetos. La matriz de error todavía se aplica para enfoques basados en pixeles y no
está disponible para objetos. Está poco desarrollado este ámbito. Es difícil definir algoritmos de
segmentación para el tamaño y forma de los objetos, por ello se considera más viable usar un enfoque
múltiple. Además, hay errores de sub-segmentación, creando objetos que no representan adecuadamente
las características del mundo real. Muy grandes o muy pequeños. Reduciendo la precisión de la
clasificación, tal como pasa con el enfoque de pixel.” P.100
Comentario

La PR ha avanzado gracias a una mayor disponibilidad de imágenes con alta resolución. Asimismo, han
surgido nuevos enfoques y técnicas de detección de cambios dado que las metodologías de clasificación
por pixel no resultan adecuadas para procesar las imágenes de alta resolución por su elevada variabilidad
espectral. En este trabajo se identifican las ventajas y las desventajas de los enfoques tradicionales y
emergentes de PR. Se considera que los enfoques de clasificación por objetos (unidades espaciales
homogéneas en valores espectrales, geometría, textura y vecindad) son viables para mejorar la precisión
de clasificación e integrar el contexto espacial. Sin embargo, también se enfatizan los problemas que hay
para validar estos métodos (se continúa usando la matriz de error con puntos de validación) y la dificultad
para definir algoritmos de segmentación (crear objetos que coincidan con la realidad). Se menciona el
enfoque novedoso de minería de datos para detectar patrones de comportamiento ocultos en grandes
volúmenes de datos con algoritmos basados en inteligencia artificial y aprendizaje automático.