Clasificación de imágenes digitales

La teledetección, ha sido una herramienta esencial para el análisis y extracción de

información espacial de las diferentes coberturas que podemos encontrar en la tierra. Es
decir, que nos permite extraer información temática, que nos permite caracterizar el uso del
suelo y observar el cambio de la cobertura del uso del suelo. Para esto, los métodos más
usados son la clasificación supervisada y la clasificación no supervisada. [CITATION Int95
\l 9226 ]
Fases:
1. Fase de entrenamiento: Inicia con la determinación de las categorías que se desea
distinguir de la imagen, la cual debe estar basada en valores numéricos asociados al rango
de ND que identifican la categoría de las bandas incluidas en la imagen digital.
2. Fase de asignación: Presenta los principales algoritmos de clasificación.

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)

 Clasificador de mínima distancia: mide la distancia de cada pixel con el

centroide, no es una distancia geográfica sino espectral sino de comparar sus niveles
digitales.

 Clasificador de paralepípedos: Este clasificador construye un subespacio de datos

(paralepípedos) para cada clase. Los límites del paralepípedos son definidos por el
rango de valores de cada clase de entrenamiento (máximo y mínimo) sobre los que
se puede aplicar una desviación estándar. La regla de decisión que se emplea es que
el píxel de identidad desconocida esté contenido dentro de alguno de los
paralepípedos construidos. Presenta un bajo nivel de robustez en la clasificación y
problemas con el solapamiento de paralepípedos. [ CITATION Gon121 \l 9226 ]
 Clasificador de máxima probabilidad: Asocia los ND digitales de cada categoría
con una distribución normal, lo que a su vez relaciona cada categoría por una
función de probabilidad. (Yébenes & Giner, 2018)
  Distancia de Mahalanobis
La distancia de Mahalanobis es similar a la distancia mínima, excepto que la matriz de
covarianza se usa en la ecuación. La varianza y la covarianza se calculan de modo que la
distancia espectral se ilustra mediante las líneas desde el píxel candidato hasta las medias
de las tres firmas. El píxel candidato se asigna a la clase con la media más cercana. La
ecuación para clasificar por distancia espectral se basa en la ecuación para distancia
euclidiana:

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 ]

La ecuación para el clasificador de distancia de Mahalanobis es la siguiente:

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

El píxel se asigna a la clase, c, para la cual D es la más baja.

 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.

La ecuación para la máxima verosimilitud/clasificador bayesiano es la siguiente:

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)

Evaluación de exactitud temática: Es el nivel de concordancia entre el valor real y el

resultado de las observaciones o estimaciones de una característica. [ CITATION Emi901 \l
9226 ]
Matriz de Confusión: Es una tabla de doble entrada en el cual se colocan en las filas y
columnas las distintas clases a ser evaluadas, la diagonal expresa el número de
coincidencias que se produce entre las dos fuentes el mapa y la realidad, el resto supone
errores de asignación. (Chuvieco, 1990)
Coeficiente Kappa
El coeficiente de Kappa expresa la reducción proporcional del error generado por un proceso de
clasificación en comparación con el error de una clasificación completamente aleatoria.
excluyentes. Por ejemplo, un valor de 0.82 implica que el proceso de clasificación está evitando el
82 por ciento de los errores que genera una clasificación completamente aleatoria (Congalton
1991). Este coeficiente mide el acuerdo entre dos evaluadores, cada clasificación de N productos
en C categorías mutuamente.
Referencias
Chuvieco, E. (1990). Fundamentos de teledetección espacial. Madrid: Ediciones Rialp.

ERDAS. (2016). Erdal Field Guide.

Gonzales, Aguilera, & Rodriguez. (2012). Caracterización patológica de fachadas históricas

mediante la utilización de los sensores láser, multiespectrales y térmicos.

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.