UNIVERSIDAD NACIONAL DE

LOJA

FACULTAD AGROPECUARIA Y DE RECURSOS

NATURALES RENOVABLES

CARRERA DE INGENIERÍA FORESTAL

MODELOS DIGITALES Y FOTOINTERPRETACIÓN

CICLO VI “B”
TEMA:
Clasificación de imágenes satelitales
ALUMNO:

Erik Misael Guaillas Zhunaula

DOCENTE:

Ing. Oscar Juela Silvisaca

LOJA – ECUADOR

2018- 2019
1. TEMA
Clasificación de imagines satelites

2. OBJETIVO
 Investigar y analizar la clasificación de imagines satelitales

3. DESARROLLO
3.1. IMAGENES SATELITALES
Las imágenes satelitales registran la energía electromagnética de manera electrónica desde
el inicio. Estas imágenes están conformadas por cuadritos del mismo tamaño, llamados
píxeles, y que representan la brillantez de cada cuadrito correspondiente al terreno mediante
un valor numérico o número digital (que representa la variación en el voltaje de la radiación
que capta el sensor). El conjunto de píxeles o cuadritos de una imagen forman una malla o
raster. En la mayoría de las imágenes satelitales el rango de valores del número digital de
los pixeles va desde 0 hasta 255, correspondiendo al rango de intensidades de la brillantez
de cada pixel (Leon, 2002).

3.1.1. Bandas Espectrales

Una característica sumamente importante de los sensores de imágenes satelitales es que
obtienen información dentro de rangos específicos de longitud de onda dentro del espectro
fotomagnético. Esta información es registrada en distintos canales o bandas espectrales.
Para visualizar las imágenes satelitales, podemos combinar y visualizar las distintas bandas
digitales mediante los tres colores primarios (azul, verde y rojo) que capta el ojo humano.
De este modo, es posible visualizar energía de longitudes de onda invisibles al ojo humano,
como la luz infrarroja, que puede ser de gran utilidad para estudiar distintos objetos o
fenómenos (Leon, 2002).

3.2. CLASIFICACIÓN DE IMÁGENES SATELITALES

3.2.1. Clasificación
Es el proceso de asignar los pixeles a clases homogéneos basado en análisis de las
estadísticas de valores de reflectancia en uno o más bandas. Clasificación es el proceso de
derivar información en clases informativos, útiles de clases espectrales. Se nombran los
procesos de clasificación como supervisada o no supervisada basado en la metodología
para “entrenar” el classifier (clasificador). Con datos de ‘entrenamiento,’ los dos sistemas
utilicen la misma forma de operación (división basada en las estadísticas) (Cherrington,
2011).
En las técnicas digitales de clasificación de imágenes se dan estos mismos pasos. De esta
forma se distingue entre las siguientes fases:
 Fase de entrenamiento
 Fase de asignación (Gomez & Sotos, 2011).
3.2.2. Fase de entrenamiento
La clasificación digital comienza con la definición de las categorías que se pretenden
distinguir en la imagen. Se trata de una clasificación basada en los valores numéricos. Por
lo tanto, se trata de obtener el rango de ND que identifica a cada categoría
para todas las bandas que intervienen en la clasificación (Gomez & Sotos, 2011)
Esto se consigue seleccionando una muestra de píxeles en la imagen que representen
adecuadamente a cada categoría. A partir de estos se determina el ND medio de cada clase
y el rango en el que varían, para todas las bandas que intervienen en la clasificación. Las
estimaciones posteriores se basan sobre la muestra seleccionada por lo cual conviene
seleccionarla adecuadamente ya que los resultados de la clasificación están mucho más
influidos por la definición previa de las categorías, que por el criterio por el cual éstas son
diferenciadas en la imagen. Los métodos de clasificación se pueden distinguir en dos
grupos (Gomez & Sotos, 2011).

3.2.2.1. No supervisada

Las clasificaciones no supervisadas son aquellas en las que el algoritmo clasificador no

necesita de más información que la escena a clasificar y algunos parámetros que límite el
número de clases. Estos mecanismos de clasificación basan su efecto en la búsqueda de
clases con suficiente separabilidad espectral como para conseguir diferenciar unos
elementos de otros (UNIVERSIDAD DE JAÉN, 2006)
Este método se dirige a definir las clases espectrales presentes en la imagen. No implica
ningún conocimiento del área de estudio, por lo que la intervención humana se centra más
en la interpretación, que en la consecución de los resultados (Reuter, 2008).
En esta estrategia, se asume que los ND de la imagen forman una serie de agrupaciones o
conglomerados (clusters), más o menos nítidos según los casos (Reuter, 2008)
En nuestro contexto, las variables son las bandas espectrales seleccionadas para la
clasificación, ya sean estas originales o fruto de alguna transformación. Los casos son los
píxeles que componen la imagen, cada uno de ellos definido por tantos ND como bandas
intervienen en el análisis. En este espacio multivariado se trata de encontrar los grupos de
píxeles con ND similares, para luego equipararlos con alguna de las clases informacionales
de nuestra leyenda (Reuter, 2008).
En cuanto al algoritmo de agrupamiento, las opciones también son numerosas. Uno de los
más extendidos es el denominado ISODATA
 Proceso ISODATA

Clusters Arbitrarios Primera Pasada Proceso Final

Figura 1

Desde el punto de vista estadístico, este algoritmo parece bastante adecuado para delimitar
los grupos de valores homogéneos dentro de la imagen. Sin embargo, en ocasiones resulta
artificioso señalar unos parámetros de control significativos, puesto que el usuario no
conoce, de partida, el número de grupos espectrales presentes en la imagen, ni el valor
idóneo de dispersión interna o de distancia entre grupos. De esta forma, el análisis No
Supervisado se convierte en un proceso interactivo, en donde el usuario establece unos
valores arbitrarios que se van modificando a la vista de los resultados.
Es necesario analizar los píxeles incluidos en cada grupo para obtener sus medidas
estadísticas elementales: media, desviación típica, etc., que servirán para abordar la fase
posterior de clasificación (Reuter, 2008).

Este comando utiliza el siguiente algoritmo para la obtención de la clasificación:

a. El usuario decide el número N de clusters que van a ser utilizados. Como primera
aproximación se recomienda utilizar un número elevado y reducirlo tras interpretar la
imagen.
b. Se selecciona un conjunto de N clusters en el espacio de las bandas. La localización
inicial es situada en las zonas de mayor reflectancia.
c. Los píxeles se asignan al cluster más cercano.
d. Los clústers se asocian o disgregan o borran en función de la máxima distancia de clase
o del número mínimo de píxeles ocupados por una clase.
e. Se repiten los pasos c y d hasta que el cambio entre una iteración y otra sea mínimo

Aplicar este método de clasificación a las 6 bandas de Landsat (exceptuado el térmico).

Indicar un máximo de 3 iteraciones y comprobar cuantas clases posibles existen, en
cualquier caso, no indicar más de 8. El programa automáticamente visualiza los resultados
empleando una paleta cualitativa (UNIVERSIDAD DE JAÉN, 2006).

Clasificación Empleando las K-Medias

El método de clasificación de las K-Medias se basa en ir determinando las medias de las
clases y luego de forma iterativa los píxeles son insertados en las clases más cercanas
utilizando las técnicas de mínima distancia. En cada iteración se recalcula la media de la
clase y se vuelven a reclasificar todos los píxeles. Todos los píxeles serán clasificados si se
limita la desviación estándar o la distancia máxima de búsqueda (UNIVERSIDAD DE
JAÉN, 2006).

3.2.2.2. Supervisada
El Método Supervisado parte de un cierto conocimiento de la zona de estudio, adquirido
por experiencia previa o por trabajos de campo. Esta mayor familiaridad con la zona test,
permite al intérprete delimitar sobre la imagen unas áreas piloto, que se consideran
suficientemente representativas de las categorías que componen la leyenda. Estas áreas se
denominan en la bibliografía anglosajona “training fields” (campos o áreas de
entrenamiento). El término indica que tales áreas sirven para “entrenar” al ordenador en el
conocimiento de las distintas categorías.
En otras palabras, a partir de ellas el ordenador calcula los ND que definen cada una de las
clases, para luego asignar el resto de los píxeles de la imagen a una de esas categorías en
función de sus ND (Reuter, 2008).

Finalizada la selección de las áreas de entrenamiento, el ordenador calcula las estadísticas

elementales de cada categoría: media, rango, desviación típica, matriz de varianza –
covarianza, etc., a partir de los ND de todos los píxeles incluidos en los campos de
entrenamiento asignados a esa clase.
Lógicamente, este cálculo se aplica a todas las bandas que intervendrán en la clasificación.
En definitiva, se asume que las áreas de entrenamiento son fiel representantes de las
distintas categorías, y que, por tanto, las medidas extraídas a partir de sus ND definen
convenientemente a esas clases. De aquí que sea crucial la correcta selección de los campos
de entrenamiento. De otra forma la clasificación estaría viciada de partida, al pretender
discriminar categorías con escaso significado espectral (Reuter, 2008).

Una vez culminada la selección y estudio de las categorías que intervendrán en la

clasificación, se inicia la siguiente fase, denominada de asignación, por cuanto se trata de
adscribir cada uno de los píxeles de la imagen a una de las clases previamente seleccionadas
Los criterios más comunes para establecer estas fronteras estadísticas entre clases son:

Clasificador de mínima distancia

El criterio mas sencillo para asignar un píxel a una de las categorías consiste en incluirlo
en la mas cercana; esto es, en aquella que minimice la distancia entre ese píxel y el de los
valores correspondientes al centro de clase. Lógicamente, no se trata de una distancia
geográfica, sino espectral, consecuencia de comparar los ND de cada píxel con los del
centro de las distintas categorías, para todas las bandas que intervienen en el análisis.
Este algoritmo es bastante sencillo y rápido de ejecutar, y puede ofrecer buenos resultados
cuando no se observe un gran solape entre categorías. Puesto que siempre existe una clase
mas cercana, no deja lugar a píxeles sin clasificar, incluso aunque éstos se alejen
notablemente del centro de clase (Reuter, 2008).

Clasificador de paralelepípedos
En este método, el usuario fija un área de dominio para cada categoría, teniendo en cuenta
sus valores de centralidad y dispersión. Posteriormente, un píxel es asignado a dicha clase
si sus ND están dentro de esa área de dominio, en todas las bandas consideradas.
En suma, el píxel asignado a la clase A si sus ND se encuentran a menos de una
determinada distancia del centro de clase A. Esa distancia se fija por el intérprete, aunque
suele identificarse con la desviación típica, o con un múltiplo suyo.
Este criterio de asignación tiende a delinear unos polígonos multidimensionales de lados
Paralelos, de ahí su nombre.
Los principales problemas de este método parten de su misma concepción. El diseño de
áreas de dominio implica, por un lado, que haya píxeles en zonas comunes a dos o mas
categorías, y, por otro, que algunos píxeles queden sin clasificar (UNIVERSIDAD DE
JAÉN, 2006).

Clasificador de máxima probabilidad

Este método considera que los ND en el seno de cada clase se ajustan a una distribución
normal. Esto nos permite describir esa categoría por una función de probabilidad a partir
de su vector de medias y matriz de varianza-covarianza. En pocas palabras esa función,
asemeja la distribución real de los ND en esa categoría., por lo que nos sirve para calcular
la probabilidad de que un píxel (con un determinado ND) sea miembro de ella. El cálculo
se realiza para todas las categorías que intervienen en la clasificación, asignando el píxel a
aquella que maximice la función de probabilidad.
El clasificador de máxima probabilidad es el más complejo y el que demanda mayor
volumen de cálculo. Sin embargo, es el más empleado, por su robustez y por ajustarse con
más rigor a la disposición original de los datos (Reuter, 2008).

Empleando Redes Neuronales.

El método de clasificación empleando redes neuronales se basa en utilizar un número de
neuronas sensitivas igual al número de parámetros de entrada (tantos como bandas *
parámetros de cada clase) y un número de neuronas efectoras igual al número de clases
deseado.
Durante el proceso la red es entrenada con los datos de ROIs introducidos y aplicada para
clasificar el resto de píxeles no asignados (UNIVERSIDAD DE JAÉN, 2006).

Por mínima distancia de Mahalanobis

Es un método similar al de máxima probabilidad, pero asumiendo que las covarianzas de
las clases son iguales (UNIVERSIDAD DE JAÉN, 2006).

Digitalización de polígonos de entrenamiento como ROIs.

Se tratará de digitalizar 5 campos de entrenamiento (training sites) sobre una imagen
clasificada automáticamente o bien sobre una composición en falso color (en realidad debe
realizarse digitalizando sobre cartografía digital o una fuente geométrica fiable además de
con el conocimiento cierto de la ocupación de la celda). Para ello se empleará la inclusión
de ROIs dentro de las imágenes.
Los campos de entrenamiento que se van a digitalizar serán:
1. Olivar (cluster 6).
2. Regadío (cluster 3).
3. Suelo desnudo o muy escasamente cubierto (cluster 7).
4. Cultivos herbáceos extensivos (UNIVERSIDAD DE JAÉN, 2006).

Análisis
En la consulta realizada se entiende que, para realizar la clasificación de imágenes
satelitales depende del usuario y del objetivo que se plantee, mediante eso se determina de
cuál de las clasificaciones de imágenes satelitales se debe usar, si el usuario no cuenta con
mucha información se utiliza la clasificación no supervisada ya que el algoritmo
clasificador no necesita de más información que la escena a clasificar y algunos parámetros
que límite el número de clases en cambio si se cuenta con el area de entrenamiento y se
cuenta con mucha más información del area se debe utilizar la clasificación supervisada ya
que esta parte de un cierto conocimiento de la zona de estudio, adquirido por experiencia
previa o por trabajos de campo. Esta mayor familiaridad con la zona test, permite al
intérprete delimitar sobre la imagen unas áreas piloto, que se consideran suficientemente
representativas de las categorías que componen la leyenda. En cuanto a los algoritmos el
no supervisado el usuario solo establece unos valores arbitrarios que se van modificando a
la vista de los resultados y en cuanto al supervisado es más complejo el usuario tiene que
ingresar datos del area y debe tener conocimiento de las distintas categorías.
 4. BIBLIOGRAFIA

Cherrington, E. (2011). Revisión General de Clasificación de Imágenes Satelitales. Centro del Agua del
Trópico Húmedo para America Latina y el Caribe, 22-100. Obtenido de
http://www.servir.net/images/imageviewer/PDF/tallerSERVIR_CA_2011/pdf/cathalac_clasificaci
on_19oct11.pdf

Gomez, A., & Sotos, A. (2011). Clasificacion digital de imagenes satelitales. ITT.SE, 3-15. Obtenido de
http://mural.uv.es/gislo/telemedida.pdf

Leon, Y. (2002). Introducción a las Imágenes Satelitales. Centro de Investigaciones Geoespaciales (CIG),
3-23. Obtenido de http://percepcion-
remota.intec.edu.do/Material%20de%20apoyo%20sensores%20remotos.pdf

Reuter, F. (2008). Clasificacion de la imagen: Clasificaciones supervisadas y no supervisadas. Facultad de

ciencias forestales( UNSE), 3-21. Obtenido de
https://www.google.com/search?client=avast&ei=1bV6XLaoLtGItQX185HoAg&q=clasificacion+n
o+supervisada+de+imagenes+satelitales++pdf&oq=clasificacion+no+supervisada+de+imagenes+
satelitales++pdf&gs_l=psy-ab.3...1710096.1719107..1719145...0.0..1.747.9480.0j14j2

UNIVERSIDAD DE JAÉN. (2006). Practicas de teledeteccion. DEPARTAMENTO DE INGENIERÍA

CARTOGRÁFICA, GEODÉSICA Y FOTOGRAMETRÍA, 1-2. Obtenido de
http://www.ujaen.es/huesped/pidoceps/tel/archivos/Prac_Tel_2006_7.pdf