Documentos de Académico
Documentos de Profesional
Documentos de Cultura
1877-Texto Del Artículo-3844-1-10-20110830
1877-Texto Del Artículo-3844-1-10-20110830
Academ
ia Validación de una Metodología de
i
estigac
Clasificación de Imágenes Satelitales
D es
arrollo
en un entorno Orientado a Objetos
Inv
Ciencia
62 Vol. 10 No. 1
Ingeniería
El objeto en una ma de reconocimiento de patrones espaciales y 3.1. Estructuralismo
imagen que en últimas debe corresponder aproximada- La percepción humana, uno de los procedi-
corresponde a un mente con la percepción humana y concepción mientos más complejos y esenciales de nuestra
agrupamiento de de imágenes y estructuras espaciales en nuestro vida, nos permite conocer y aprehender la reali-
pixéles con cierta cerebro [9]; el hecho de considerar como crite- dad a partir de procesos de estructuración de la
homogeneidad y rio único de clasificación la respuesta espectral información que por multiplicidad de medios
parámetros de los píxeles que conforman la imagen y de tra- llega a nuestro cerebro; la forma en que pode-
definidos que se bajar el píxel individual como unidad fundamen- mos interpretar las formas, sonidos o sensacio-
aproximan tal de información y análisis hace que dicha téc- nes es un proceso de análisis estructurado, don-
bastante a la nica resulte limitada a la vez que obvia la reali- de percibimos la realidad como un todo com-
concepción real dad de la estructura lógica de percepción huma-
del mundo y puesto de unidades básicas de información u
na. Las técnicas actuales de clasificación redu- objetos organizados y relacionados, más que
tienen una mayor
cen el proceso a la aplicación de cálculos esta- como partes separadas y aisladas; no vemos pe-
correspondencia
dísticos basados en respuesta espectral y traba- queños fragmentos desorganizados al abrir nues-
con la
información jan con unidades espaciales inadecuadas y que tros ojos para ver el mundo, vemos regiones sig-
espacial. no corresponden con la realidad geográfica. nificativas con formas y patrones bien defini-
dos. El todo que percibimos es algo más estruc-
Ante la difusión de imágenes de alta resolución,
turado y coherente que un grupo de fragmentos
en las que un objeto o elemento de la superficie
aislados, su forma y comportamiento es más que
terrestre se compone por un conjunto de píxeles
la simple unión de los fragmentos que lo com-
y las mejoras en radiometría que permiten obte-
ponen [11].
ner imágenes con alta información textural, las
técnicas tradicionales de clasificación presentan La percepción y abstracción que hace el cere-
inconvenientes en cuanto al proceso de clasifica- bro del entorno y de las imágenes que este per-
ción, y en muchas ocasiones ofrecen resultados cibe es un sistema bastante complejo, hasta ahora
que son incoherentes espacialmente, que tienen no entendido del todo por la ciencia; sin embar-
un efecto pixelado o de ruido y que requieren un go, se sabe que existe un proceso económico de
tratamiento adicional de corrección de errores procesamiento de información donde las seña-
luego del proceso de clasificación [10]. El trata- les luminosas son enviadas al cerebro y allí éste
miento post clasificación de una imagen, en el descompone y abstrae únicamente la informa-
que generalmente se aplican filtros de suavizado ción relevante y los patrones regulares existen-
al resultado obtenido es un proceso que deman- tes. La imagen es descompuesta en regiones y
da recursos y tiempos adicionales, y que va en las relaciones entre estas regiones transmiten la
contra de la velocidad con que la información te- información relevante presente en la imagen dis-
mática requiere ser generada para la atención de minuyendo así el volumen de datos que deben
problemas y estudios de tipo geográfico [6]. ser procesados con cada estímulo recibido [11].
El paradigma del análisis y clasificación de Las ciencias de la computación no son ajenas
píxeles individuales, no es por lo tanto el más ade- al proceso de percepción humana, y han mos-
cuado para las tareas y requerimientos de infor- trado una constante evolución de teorías y mé-
mación hoy en día establecidos y es necesario in- todos que permiten dar a los sistemas una ma-
vestigar y desarrollar una técnica de clasificación yor lógica e inteligencia ante la necesidad de soft-
que brinde resultados oportunos y adecuados y ware que permitan manejar procesos más diná-
que desde su concepción corresponda en mayor micos y consistentes con la realidad del intér-
grado con la realidad geográfica y la percepción prete [12]. Esta consideración de la realidad se
humana de la organización espacial del territorio. aproxima de forma idealizada a la aplicación del
concepto de orientación a objetos, donde se
construyen entidades o unidades denominadas
3. MARCO CONCEPTUAL objetos que permiten definir una representación
de la realidad y que a partir de ciertos atributos y
DE LA INVESTIGACIÓN acciones especificas permiten modelar con ma-
La metodología de clasificación orientada a yor facilidad y lógica los procesos necesarios para
objetos investigada se sustenta en el siguiente la resolución de los problemas planteados [7].
marco conceptual:
Vol. 10 No. 1 63
Ingeniería
3.2. La imagen concebida en objetos La segmentación de imágenes no es un con-
Como se indicó anteriormente el proceso cepto nuevo, existen varios desarrollos e inves-
cognitivo del mundo exterior o de una imagen a tigaciones en cuanto a técnicas de segmentación
pesar de ser complejo puede ser idealizado o mo- [7]. Debido a que no existe una única forma de
delado mediante la identificación de regiones, o generar objetos en una imagen, siempre es posi-
áreas significativas dentro de la información ble variar los parámetros de generación de re-
percibida. La presente investigación se funda- giones y por supuesto los resultados obtenidos.
menta en un cambio de paradigma en el cual las En todo caso la pertinencia de un método de
unidades básicas de información no correspon- clasificación se juzga en función de la informa-
den ya a píxeles aislados sino a regiones homo- ción extraída de la imagen, y si los objetos gene-
géneas y significativas capaces de presentar de rados representan o no información significati-
forma resumida y eficiente las entidades y rela- va y acorde con el propósito de estudio de la
ciones presentes en la imagen; los objetos así imagen.
considerados sobre una imagen corresponden
en mayor grado con la realidad espacial y geo-
3.3.1 Formulamiento matemático de la segmentación
gráfica capturada en una imagen satelital [13].
El objeto generado en una imagen corresponde El algoritmo matemático de segmentación
entonces a una estructura con atributos propios empleado en la presente investigación genera
obtenido mediante el agrupamiento de píxeles regiones no determinísticas de acuerdo a
con cierta homogeneidad de acuerdo a parámetros de escala y homogeneidad definidos
parámetros definidos, el resultado, unidades que por el intérprete, lo cual brinda al método una
se aproximan en mayor medida a los elementos alta flexibilidad en cuanto es posible sobre una
del mundo real representados en la imagen. misma imagen generar objetos de diferente ta-
maño y con una diferente configuración de los
3.3. Generación de objetos en una imagen parámetros empleados. La técnica de segmenta-
ción aplicada fue desarrollada por Baatz [15] y
Una imagen se dispone en su forma elemental
de un arreglo matricial de píxeles con valores parte del concepto general de un crecimiento de
digitales que dispuestos de forma adecuada trans- regiones bottom up [12], donde a partir de un
miten la información capturada. Para poder tra- determinado punto definido por los criterios de
bajar con objetos sobre la imagen es necesario clasificación establecidos por el usuario, y me-
realizar un proceso de generación de regiones diante un determinado valor de tolerancia en las
en el que de acuerdo a ciertos parámetros se ob- variaciones de color y forma que una región pre-
tenga información lo más resumida pero simul- senta, se desarrolla un proceso iterativo de cre-
táneamente lo más significativa posible. Dicho cimiento, donde a un único píxel inicialmente
proceso se conoce en el procesamiento de imá- identificado se agregan de forma controlada
genes como segmentación; la cual se define como nuevos píxeles hasta que el criterio de homoge-
el proceso por el cual se extrae información sig- neidad es sobrepasado, punto en el que el pro-
nificativa de una imagen a partir de su división ceso se detiene. El resultado es un conjunto fi-
en diferentes regiones homogéneas, las cuales nito de objetos primitivos, que carecen aún de
corresponden de forma aproximada con zonas significado, pero que se constituyen en los blo-
de interés en la misma [14] (ver Figura 1). ques de información primaria para un posterior
proceso de clasificación [15].
representan
Donde wc es el peso o ponderación de la banda ceso en longitud en el perímetro del objeto con
información
c, nf es el número de píxeles del objeto resultante relación al perímetro regular definido dicho rec-
geográfica
de la fusión de los objetos 1 y 2, ó fc es la tángulo, dicho valor es ponderado para cada
significativa.
desviación estándar del objeto resultante en la objeto por su correspondiente tamaño en píxeles
banda c, ócobj1 y ócobj2 son las desviación estándar para comparar adecuadamente la situación an-
de los objetos 1 y 2 en la banda c, nobj1 y nobj2 son tes y después de la fusión. La definición de este
los números de píxeles de los objetos 1 y 2. Dicha parámetro entonces se realiza a partir de la si-
variabilidad en color busca minimizar la guiente expresión:
heterogeneidad espectral del objeto a generar.
lf lobj1 lobj 2
Como se observa, esta definición permite hlisura = n f ⋅ − nobj1 ⋅ + nobj 2 ⋅ (5)
bobj 2
ponderar la información de cada una de las bf bobj1
bandas espectrales que componen la imagen
satelital y a partir de las variaciones de los píxeles La variabilidad en heterogeneidad (1) para el
que componen los objetos a evaluar, objeto resultante se define finalmente como la
representada esta por la desviación estándar y suma de la heterogeneidad en color (2) y la hete-
ponderadas además por sus tamaños de acuerdo rogeneidad en la forma (3) del objeto multipli-
al número de píxeles que los componen, se hace cado por sus pesos respectivos, estos pesos son
una evaluación simétrica de la variación de seleccionados por el usuario y deben sumar 1.
heterogeneidad en el objeto resultante. El valor final de fusión f obtenido de la evalua-
La variabilidad permitida en forma se define ción de cada uno de los parámetros anteriormen-
matemáticamente a partir del resultado del cál- te mostrados, corresponde a la evaluación de la
culo de dos criterios complementarios: Variabi- variabilidad general del objeto resultante. Dicho
lidad en Lisura de bordes y Variabilidad en valor es comparado con el parámetro de homo-
Compactación [15]. La variabilidad permitida en geneidad y por medio del siguiente criterio de
forma es definida de acuerdo a: decisión se evalúa la pertinencia en la adición de
cada píxel a un objeto ya existente de acuerdo al
h forma = wcompact ⋅ hcompact + (1 − wcompact )⋅ hlisura (3) criterio de homogeneidad establecido:
Vol. 10 No. 1 65
Ingeniería
espacial que se maneja, sintetizadas de cierta for- red, tales como la distancia a un cierto objeto o
ma en una imagen satelital, requieren de técni- la longitud del perímetro que se comparte con
cas de segmentación más avanzadas y coheren- otro. Es a partir de este conjunto de atributos
tes que permitan describir las características y que se formulan las características de las clases
estructuras de la realidad geográfica a partir de temáticas de interés y que permiten llevar a cabo
objetos que posean un determinado significado la clasificación de los objetos. La clasificación se
a diferentes escalas en la imagen. torna entonces en un proceso en el que se busca
uno o más atributos que permitan la discrimina-
La información que se reconoce como signi- ción de objetos que presentan un determinado
ficativa en una imagen satelital, se presenta como comportamiento, no sólo espectral sino también
la interacción de zonas o regiones de interés que de tipo espacial o relacional con otros objetos o
a diferentes escalas poseen un significado pro- clases en la imagen. Los objetos son asignados
pio de acuerdo con el propósito del análisis; se finalmente a las clases de interés de acuerdo a la
entiende entonces que objetos de interés carac- evaluación de las reglas o restricciones basadas
terizados por presentar diferentes patrones y en atributos que se generan para cada clase de
comportamientos de acuerdo a la escala, no pue- acuerdo a una lógica difusa o binaria [16].
dan ser extraídos a partir de la aplicación de un
proceso de segmentación basado en un único
criterio de homogeneidad [16]; es por ello que la 3.5. Evaluación de exactitud temática
segmentación debe realizarse buscando generar en imágenes satelitales
objetos que a diferentes escalas y en una misma La verificación de la hipótesis planteada se basó
estructura permitan combinar sus resultados y en la evaluación de la exactitud temática de cla-
modelar características y patrones de interés que sificaciones realizadas en tres zonas del país,
representan información geográfica significati- donde cada zona constituye un caso de estudio.
va. La segmentación en múltiples resoluciones, El primer tipo de evaluación consiste en realizar
permite solventar este obstáculo y generar así un análisis cualitativo de los resultados, en el que
diferentes niveles de segmentación que contie- se examina visualmente el grado de correspon-
nen objetos generados con diferentes parámetros dencia entre las clasificaciones y la imagen
de homogeneidad. Estos niveles de segmenta- satelital. Igualmente se aplica una evaluación
ción se relacionan entre sí a través de una red cuantitativa a través de una matriz de confusión
jerárquica de objetos, donde se establecen rela- o de errores, la cual es una herramienta analítica
ciones y propiedades tales como la herencia en- que permite evaluar la exactitud temática de una
tre objetos. Dentro de la red jerárquica consti- clasificación, mediante la comparación de una
tuida, cada objeto de un nivel dado conoce sus clasificación determinada frente a una clasifica-
vecinos, así como sus subobjetos (ubicados en ción de referencia la cual es asumida como el
niveles de menor escala) y súper objetos (ubica- valor verdadero (confianza del 100%). En dicha
dos en niveles de mayor escala). matriz sobre las columnas tienen entrada los
píxeles de clasificación de referencia y en las fi-
las los píxeles de la clasificación a evaluar. La
3.4. Clasificación en un entorno
matriz permite entonces mediante indicadores
orientado a objetos
medir el grado de concordancia o coincidencia
Los objetos de la red estructural a diferentes entre la clasificación evaluada y la clasificación
niveles de escala constituyen las unidades bási- de referencia. Un indicador bastante represen-
cas del procesamiento de un análisis orientado a tativo obtenido de la matriz es el de exactitud
objetos. Dichos objetos presentan y albergan promedio, el cual expresa el grado de concor-
información de ellos mismos, es decir tienen dancia entre las dos clasificaciones para las cla-
características o atributos que definen su esta- ses evaluadas [2].
do, cada objeto en la red posee atributos intrínse-
cos que definen características inherentes al ob-
jeto como su área y forma; atributos semánticos, 4. ASPECTOS METODOLÓGICOS
que describen relaciones contextuales a otros Mediante un método de investigación lógico
objetos, tales como la existencia o no de un cier- deductivo, se plantea un conjunto de preguntas
to tipo de objetos en un nivel determinado de la o hipótesis que buscan establecer una validación
estructura; y atributos topológicos, que describen y alcance de la metodología de clasificación orien-
relaciones geométricas y de ubicación del obje- tada a objetos frente a la metodología tradicio-
to con respecto a los demás objetos dentro de la nal de clasificación por respuesta espectral (ver
66 Vol. 10 No. 1
Ingeniería
esquema metodológico figura 2). Las preguntas 5. RESULTADOS OBTENIDOS
se responden mediante un proceso de experi-
El análisis de los resultados mediante
mentación y deducción, en el cual se llevan a
indicadores de exactitud temática ofrece una
cabo tres experimentos o evaluaciones princi-
pales, cada uno de ellos sobre la misma área geo- apreciación acerca de la calidad en cuanto a exac-
gráfica que es cubierta por un par de imágenes titud se refiere de las imágenes clasificadas por
de distinto tipo (ver tabla 1), se llevan a cabo las metodologías evaluadas. Se analiza a conti-
entonces la clasificación de cada imagen por nuación el indicador de exactitud promedio de
medio de las dos metodologías de clasificación la matriz de confusión el cual permite realizar
(supervisada basada en píxel y orientada a obje- una inferencia acerca de la exactitud temática de
tos). Para la clasificación basada en píxel se utili- cada una de las imágenes clasificadas mediante
za el software de procesamiento PCI Geomatica un indicador único que resume así la exactitud
versión 9 y para la orientada a objetos el soft- general de las coberturas clasificadas. El análisis
ware eCognition versión 3.0. de los indicadores adicionales de exactitud del
intérprete y del usuario no se exponen en este
Tabla 1. Experimentos realizados
Caso de Resolución Área Cubierta
documento, pero debe considerarse que el indi-
Estudio
Satélite
espacial (metros) (hectáreas) cador de exactitud promedio se relaciona direc-
Sur de SPOT 4 20
90.000 tamente con dichos indicadores.
Bolivar LandSat 7 TM (L1) 30
IKONOS 4 Tabla 2. Indicadores de exactitud
Putumayo 12.170
LandSat 7 TM (L2) 30
Exactitud Promedio Clasificación
ASTER 15
Caquetá 90.000 Píxel Objetos Diferencia
LandSat 7 TM (L3) 30
L1 74,43% 87,38% 12.95%
Los resultados de dichas clasificaciones son L2 84,84% 90,77% 5.93%
contrastados cuantitativamente frente a un va- L3 82,29% 86,81% 4.51%
SPOT 78,27% 89,43% 11.15%
lor que se asume como verdadero o de referen-
ASTER 80,91% 86,25% 5.35%
cia, el cual consiste en una clasificación com- IKONOS 77,03% 85,19% 8.16%
puesta por muestras tomadas aleatoriamente. El Promedio 79,63% 87,64% 8.03
tamaño de la muestra tomada corresponde a un ó 3,45% 1,90%
muestreo estratificado proporcional, y los corres-
pondientes indicadores de exactitud se obtienen De acuerdo al indicador calculado existe una
mediante una matriz de confusión; diferencia promedio de exactitud de 8 puntos
adicionalmente sobre los resultados de clasifica- porcentuales a favor de la metodología orienta-
ción conseguidos se realiza una evaluación cua- da a objetos respecto a la metodología basada
litativa de la extracción de información, mediante en píxel. Dicho indicador de exactitud varia en
la evaluación visual de los resultados de la clasi- la metodología orientada a objetos entre el 85%
ficación obtenida. y 91% de exactitud, brindando mayores grados
de confiabilidad en los mapas temáticos obteni-
dos, frente a un máximo de 84% de exactitud en
Imágenes Satelitales
LandSat, SPOT, ASTER e la metodología basada en píxel. Se observa ade-
IKONOS
más una mayor exactitud temática de la clasifi-
cación orientada a objetos para las tres imáge-
nes LandSat clasificadas (entre el 4.5% y 13%),
Clasificación Supervisada
Basada en Píxel
Clasificación Orientada a
Objetos
y en el caso de imágenes de alta resolución se
PCI 9.0 eCognition 3.0 presenta igualmente una mayor exactitud temá-
Evaluación Cuantitativa de tica para los resultados de clasificación de la
Exactitud Tematica
Matriz de Confusión metodología orientada a objetos, dicha superio-
ridad es de 11 puntos para la imagen SPOT (alta
Evaluacion Cualitativa de la resolución espacial), 8 puntos para la imagen
IKONOS (alta resolución radiométrica y espa-
Clasificación
Comparacion Visual de
Resultados
cial) y 5 puntos para la imagen ASTER (alta re-
solución espacial y radiométrica).
Análisis de Resultados
Conclusiones
De acuerdo entonces a los resultados cuanti-
tativos la metodología de clasificación orientada
Figura 2. Esquema metodológico aplicado
para validación de hipótesis planteada a objetos presenta una mayor superioridad en
Vol. 10 No. 1 67
Ingeniería
exactitud temática para las imágenes LandSat genes satelitales, se generan objetos significati-
trabajadas sobre la metodología basada en píxel, vos que obedecen a un conjunto de parámetros
pero dicha metodología presenta una mayor for- espectrales y geométricos, y que constituyen las
taleza o superioridad frente a la metodología píxel unidades básicas para el desarrollo de un proce-
cuando se utilizan imágenes de alta resolución dimiento de clasificación orientado a objetos.
ya sea espacial, radiométrica o espectral, en este
caso las imágenes ASTER, SPOT e IKONOS. El proceso de segmentación basado en carac-
terísticas espectrales y geométricas permite ob-
La evaluación cualitativa realizada mostró cla- tener objetos que representan adecuadamente las
ramente que al considerar únicamente los niveles diferentes coberturas en la imagen; los límites
digitales de los píxeles que componen la imagen, entre objetos representan las más importantes
los resultados de una clasificación basada en píxel variaciones y límites entre las diferentes cober-
en muchas ocasiones turas. El establecimiento de relaciones semánticas
no son coherentes y topológicas entre los objetos de la red, tanto
espacialmente, ni co- horizontales con los objetos del mismo nivel,
rresponden a los pa- como verticales con los objetos de niveles supe-
trones espaciales ni a riores o inferiores, permite obtener resultados
las características pro- más consistentes con la realidad geográfica ob-
pias de varias cobertu- servada en la imagen y conocida por el intérpre-
(a) ras en la imagen; se te, pues la distribución de la información de in-
presentan efectos de terés sobre la superficie se presenta en diferen-
respuesta local o efec- tes escalas, y no es posible extraer esta a partir
to pixelado donde se de un único grado de abstracción o detalle.
observan píxeles indi-
viduales aislados con La salida o mapa temático obtenido en una
un cierto valor temáti- clasificación orientada a objetos no solo resulta
co y que no represen- más consistente y coherente que una clasifica-
(b) (c) tan información signi- ción basada en píxel debido a la restricciones
ficativa generando semánticas y topológicas impuestas sobre las cla-
Figura 3. La evaluación cualitativa de los resultados de la
clasificación basada en píxel (b) de una imagen IKONOS (a) confusión en el mapa ses definidas sino que igualmente se obtiene
muestra claramente el efecto de respuesta local o pixelado de clasificación y difi- mapas mucho más fáciles de observar e inter-
debido a la alta resolución espacial de la imagen, mientras
cultando así su inter- pretar al obtenerse salidas sin el característico
que los resultados de la clasificación orientada a objetos (c)
pretación (ver Figura efecto píxelado, a la vez que se reduce el tiempo
muestra áreas significativas delimitadas claramente,
transmitiendo así información espacial más relevante. 3). Por su parte en la y energía dedicados a los trabajos de edición y
clasificación orientada corrección de errores.
a objetos la consideración de relaciones espacia- El proceso de clasificación y extracción te-
les e información de contexto permiten la obten- mática es un problema que va del estudio de
ción de resultados mucho más coherentes y con- reflectividad de las coberturas presentes en la
sistentes con la realidad geográfica, pues la intro- imagen y de la distribución espacial de las co-
ducción de un análisis espacial sobre la red de berturas sobre la zona trabajada, siendo así más
objetos que componen la imagen reduce los gra- que necesario tener presente este último com-
dos de libertad de un objeto de ser erróneamente ponente en el proceso de clasificación a través
asignado a una clase. de reglas espaciales, semánticas y de contexto
que son conocidas por el intérprete; el proble-
ma de la clasificación debe considerar por su
6. CONCLUSIONES
naturaleza el componente espacial, aproximación
Los objetos tiene su sustento en la clasifica- que es muy bien lograda en una metodología
ción de imágenes desde el punto de vista del orientada a objetos y omitido en una clasifica-
estructuralismo, la percepción humana no con- ción basada en respuesta espectral.
cibe el mundo como imágenes compuestas de
píxeles individuales, sino más bien a través de El desarrollo metodológico de la clasificación
estructuras que se asocian para conformar re- orientada a objetos permite que el intérprete jue-
giones u objetos elementales donde existen re- gue un papel fundamental y relevante en el pro-
laciones de agregación y conectividad. Al apli- ceso de clasificación. No sólo éste debe conocer
car un procedimiento de segmentación para la el comportamiento espectral de las coberturas
extracción de la información relevante en imá- presentes en la imagen sino que igualmente jue-
68 Vol. 10 No. 1
Ingeniería
ga un papel relevante en el tipo de análisis y rela- [6] Thomas Blaschke y Josef Strobl, What’s wrong with pixels? Some
recent developments interfacing remote sensing and GIS.
ciones espaciales implementados en la clasifica- GeoBIT/GIS, vol. 6. 2001. pp 6.
ción, convirtiéndose en un proceso mucho más [7] Thomas Blaschke y Charles Burnett, A multi-scale segmentation/
inteligente, donde el intérprete debe considerar object relationship modelling methodology for landscape análi-
sis, 2003 Disponible en: www.geo.sbg.ac.at/larg/099_full.pdf. pp
adicionalmente la información semántica y el con- 17.
texto de las coberturas que pretende identificar, [8] Thomas Blaschke, Stefan Lang, Eric Lorup, Josef Strobl y Peter
generando entonces resultados más exactos y Zeil, Object-oriented image processing in an integrated gis/
remote sensing environment and perspectives for environmental
coherentes con la percepción de la realidad. applications. Environmental Information for Planning, Politics and
the Public. Metropolis Verlag, Vol 2. Marburg: 2001. pp 16.
En el contexto colombiano y quizás latinoame- [9] Ray Forman, Land mosaics: the ecology of landscapes and
ricano, el utilizar metodologías diferentes a las regions. Cambridge University Press, Cambridge, 1995. pp 400.
basadas principalmente en el análisis cuantitati- [10] John Cushnie, The interactive effect of spatial resolution and
vo de las respuestas espectrales de las diferentes degree of internal variability within land-cover types on
classification accuracies. International Journal of Remote
coberturas, para la clasificación y posterior rea- Sensing, 1985, pp 155.
lización de mapas de uso y cobertura, -caso con- [11] Day R.H, Psicología de la Percepción Humana. Ed. Limusa–
creto la metodología evaluada apoyada en fun- Wiley, México D. F., 1973. pp 227.
damentos de matemática difusa y objetos-, se [12] John Gauch, Robin Horne y Stephen Sangwine, The colour
image processing handbook. Chapman & Hall. Londres: 1998.
considera innovador y de acuerdo a los resulta- pp 440.
dos obtenidos con una mayor exactitud temáti- [13] Thomas Blaschke, Manuel Conradi y Stefan Lang, Multi-scale
ca. Este cambio de paradigma, propuesto y eva- image analysis for ecological monitoring of heterogeneous, small
structured landscapes. Proceedings of SPIE, Toulouse. 2001.
luado no solamente en este artículo sino en el pp 10.
proyecto de grado que lo soporta, propone a la [14] Martin Baatz, Ursula Benz, Seyed Dehghani, Markus Heynen,
comunidad de especialistas en la materia, una Astrid Höltje, Peter Hofmmann, Iris Lingenfelder, Matthias Mimler,
Malte Sohlbach, Michaela Weber y Gregor Willhauck, Object
nueva conceptualización en la labor diaria, esto Oriented Image Analysis. eCognition 3 User Guide. München:
es, no dedicarse únicamente al manejo y conoci- 2003. pp 480.
miento de las firmas espectrales, sino también al [15] Martin Baatz y Arno Schäpe, Multiresolution Segmentation: an
optimization approach for high quality multi-scale image
análisis y relación de los objetos que son posi- segmentation. Disponible en: http://www.agit.at/papers/2000/
bles de abstraer a partir de las imágenes, de acuer- baatz_FP_12.pdf. pp 12.
do principalmente a las resoluciones espacial y [16] Michael Bock y Rolf Lessing. Remote sensing, formation of
espectral y del catálogo de objetos utilizado. objects and determination of quality. Disponible en: http://
enviroinfo.isep.at/UI%20200/BockM300700.el.hsp.pdf. pp14.
Agradecimientos
La presente investigación no se hubiese podi-
do llevar a cabo de no ser por el incondicional
apoyo del proyecto SIMCI de las Naciones Uni- Juan Pablo Ardila López
Ingeniero Catastral y Geodesta U. Distrital Francisco José de Cal-
das, el cual mediante sus recursos y personal das. Tesis meritoria “CLASIFICACION Y EXTRACCION DE INFORMACION
humano contribuyeron exitosamente a la con- TEMÁTICA EN IMÁGENES SATELITALES EN ZONAS RURALES MEDIAN-
secución de los resultados. TE LA VALIDACION Y APLICACIÓN DE UNA METODOLOGIA ORIENTADA
A OBJETOS Y CLASIFICADORES BASADOS EN LOGICA DIFUSA”. Ac-
tualmente se desempeña como Ingeniero de Procesamiento Digital
de Imágenes en la oficina de las Naciones Unidas contra la Droga y
REFERENCIAS BIBLIOGRÁFICAS el Delito en Colombia. juan.ardila@unodc.org
[1] Juan Pablo Ardila y Oscar Javier Espejo, “Clasificación extrac-
ción de información temática en imágenes satelitales de zonas Oscar Javier Espejo Valero
rurales mediante la validación y aplicación de una metodología Ingeniero Catastral y Geodesta U. Distrital Francisco José de Cal-
orientada a objetos y clasificadores basados en lógica difusa”,
das. Tesis meritoria “CLASIFICACION Y EXTRACCION DE INFORMACION
Tesis de Grado, Facultad de Ingeniería, Universidad Distrital
TEMÁTICA EN IMÁGENES SATELITALES EN ZONAS RURALES MEDIAN-
Francisco José de Caldas, Bogota, Colombia, 2004.
TE LA VALIDACION Y APLICACIÓN DE UNA METODOLOGIA ORIENTADA
[2] John Jensen, Introductory digital image processing: a remote A OBJETOS Y CLASIFICADORES BASADOS EN LOGICA DIFUSA”. Ac-
sensing perspective. Segunda Edición. Prentice Hall. New Jer- tualmente se desempeña como Ingeniero de Procesamiento Digital
sey, 1996. pp 316. de Imágenes en la oficina de las Naciones Unidas contra la Droga y
[3] Emilio Chuvieco, Fundamentos de teledetección espacial, Ter- el Delito en Colombia. oscar.espejo@unodc.org
cera Edición, Ediciones RIALP, Madrid, 1991. pp 568.
[4] Nilda Sánchez, Panorama actual de las técnicas mixtas de cla-
sificación de imágenes mediante segmentación espectral y por José Luís Herrera Escorcia
texturas. Aplicación a las imágenes de alta resolución espacial. Ingeniero Catastral y Maestro en Geografía Universidad Tecnológi-
2003. Disponible en http://www.mappinginteractivo.com/planti- ca y Pedagógica de Colombia. Se ha desempeñado como profesor
lla-egeo.asp?id_articulo=288. de Ingeniería de la Universidad Distrital en el área de la Geomática y
[5] Chulhee Lee y David Landgrebe, Feature extraction and Procesamiento digital de imágenes. Actualmente se encuentra en
classification algorithms for high dimensional data, School of año sabático. jlherreraescorcia@udistrital.edu.co
Electrical Engineering Purdue University. West Lafayete. 1993.
pp 227.
Vol. 10 No. 1 69
Ingeniería