Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Métodos:
Supervisado: Surge del conocimiento previo del terreno, de donde se toman las muestras
para cada una de las distintas categorías.
No supervisado: Se buscan grupos de valores espectralmente homogéneos, para
posteriormente encontrar similitudes entre esos grupos y se seleccionen las categorías de
interés.
Clasificación temática:
• Informacionales: Son establecidas por el usuario y general la leyenda del trabajo que se
intenta diferenciar. [ CITATION Yéb181 \l 9226 ]
• Espectrales: Tienen reflectividad similar y se distingue a partir de los niveles digitales
con respuestas espectrales similares. (Yébenes & Giner, 2018)
Donde:
n= Número de Bandas (Dimensiones)
i= Una banda particular
c= Una clase particular
Xxyi= Valor del archivo de datos del píxel x, y en la banda i
µci= media de los valores del archivo de datos en la banda i para la muestra para la clase c
SDxyc= distancia espectral desde el píxel x, y hasta la media de la clase c
ue los grupos que son muy variados conducen a clases similares variadas, y viceversa.
Por ejemplo, cuando se clasifican áreas urbanas, generalmente una clase cuyos píxeles
varían mucho, los píxeles clasificados correctamente pueden estar más lejos de la media
que los de una clase para el agua, que generalmente no es una clase muy variada [ CITATION
Phi78 \l 9226 ]
Dónde:
D = distancia de Mahalanobis
c = una clase particular
X = el vector de medición del píxel candidato
Mc = el vector medio de la firma de la clase c
Covc = la matriz de covarianza de los píxeles en la firma de la clase c
Covc-1 = inverso de Covc
T = función de transposición
Máxima Verosimilitud
El algoritmo de máxima verosimilitud asume que los histogramas de las bandas de datos
tienen distribuciones normales. Si este no es el caso, puede obtener mejores resultados con
la regla de decisión de distancia mínima o paralelepípedo, o realizando una clasificación de
paralelepípedo de primer paso.[ CITATION ERD16 \l 9226 ]
La regla de decisión de máxima verosimilitud se basa en la probabilidad de que un píxel
pertenezca a una clase en particular. La ecuación básica asume que estas probabilidades son
iguales para todas las clases, y que las bandas de entrada tienen distribuciones normales.
Si tiene un conocimiento a priori de que las probabilidades no son iguales para todas las
clases, puede especificar factores de ponderación para clases particulares.
Dónde:
D = distancia ponderada (probabilidad)
c = una clase particular
X = el vector de medición del píxel candidato
Mc = el vector medio de la muestra de clase c
ac = porcentaje de probabilidad de que cualquier píxel candidato sea miembro de la clase c
(el valor predeterminado es 1.0, o se ingresa desde un conocimiento a priori)
Covc = la matriz de covarianza de los píxeles en la muestra de clase c
|Covc | = determinante de Covc (álgebra de matriz)
Covc-1 = inverso de Covc (álgebra de matriz)
ln = función logarítmica natural
T = función de transposición (matriz de álgebra)
Jensen, J. (1995). Introductory Digital Image Processing: A Remote Sensing Perspective. USA:
Prentice Hall PTR.
Swain, P. H. (1978). The Quantitative Approach. New York: McGraw Hill Book Company.
Yébenes, A., & Giner, l. (2018). Clasificación digital de imágenes por satélites.