Taller No 12: Clasificación No Supervisada

CLASIFICACION NO SUPERVISADA

1. MARCO DE REFERENCIA

La clasificación no supervisada es otra técnica de clasificación de imágenes. En este tipo de

clasificación, se extraen los patrones de respuesta espectral predominantes en la imagen y se
identifican las clases requeridas a partir de fotografías, mapas o a través de trabajo de campo.
Idrisi provee dos métodos de clasificación no supervisada: CLUSTER e ISOCLUST [1].

1.1. Cluster

CLUSTER (grupo) emplea una técnica de selección de picos del histograma (Richards, 1993). Es
equivalente a buscar los picos en un histograma bidimensional. Un “pico” se define como un valor
con una frecuencia mayor que sus vecinos a ambos lados. Una vez se han identificado los picos,
todos los valores posibles son asignados al pico más cercano. Así, las divisiones entre clases suelen
ubicarse en los puntos medios entre picos. Como la técnica implica una definición específica del
concepto de “pico”, no es necesario encontrar un estimado inicial del número de picos en la
imagen, el método se encarga de ello.

CLUSTER trabaja directamente sobre imágenes de composición a color de 8 bits. Estas imágenes
permiten que la información de tres bandas sea combinada en una única imagen del mismo
tamaño físico que las iniciales. El método evalúa un histograma tridimensional de las tres bandas
(donde los picos serán esferas), representadas en la composición de color. Puede usarse
cualquier combinación de bandas. La composición es empleada, debido a que el
procedimiento para su creación, es esencialmente el mismo, de la primera etapa de la
generación del histograma multi-dimensional en el algoritmo de cluster.

Una vez los picos han sido localizados, cada pixel en la imagen es asignado al pico más
cercano, siendo cada clase un cluster, con una etiqueta correspondiente. La tarea del analista es
entonces identificar las clases de coberturas de cada cluster, comparando la imagen agrupada
con los rasgos de la superficie de la tierra.

El procedimiento de cluster en Idrisi es rápido y efectivo en cubrir la estructura de las coberturas

básicas de la imagen. Puede ser utilizado también, como paso preliminar para un proceso de
clasificación híbrida (no supervisada/supervisada), mediante el cual los clusters son usados como
sitios de entrenamiento para un segundo paso en la clasificación, usando el clasificador de
“maxima verosimilitud”. Este proceso da la ventaja de usar un mayor número de bandas
originales, así como de proveer una clasificación más estricta de los pixeles a sus cluster más
similares. Sin embargo, esta es la lógica que constituye la base del procedimiento de ISOCLUST
que se describe a continuación.

1.1.1. Isoclust

Este módulo de Idrisi es un clasificador iterativo auto organizado basado en la rutina de Isodata de
Ball y Hall (1965) y en las rutinas de cluster de de H - medios y K – medios. En esencia su lógica es
la siguiente:
1. El usuario decide el número de cluster que desea. Como uno es ciego para determinar esto,
lo que se hace es seleccionar un número alto de clases, para agruparlas, después de la
 MANUAL PRACTICO DE PERCEPCION REMOTA

interpretación. Idrisi brinda la opción de analizar el histograma, para sacar las clases
significativas (cluster) a partir de su análisis.
2. Un conjunto de N clusters es localizado arbitrariamente en el espacio de las bandas. En
algunos casos estas localizaciones se realizan al azar, en otras, se localizan sistemáticamente
dentro de la región de altas frecuencias de reflectancias. Idrisi usa el algoritmo de cluster, el
cual ubica en forma más real el número de clases, seleccionado por el usuario.
3. Los pixeles son asignados a la localización de cluster más cercana
4. Después de que los pixeles son asignados una nueva localización del centro es computada
5. Los pasos 3 y 4 se repiten iterativamente hasta que no se produzcan cambios significativos en
la salida.

2. PROCEDIMIENTOS GENERALES

En esta práctica se realizará una clasificación no supervisada con el módulo CLUSTER de Idrisi.
Primero se generará una composición en falso color a partir de 3 bandas de la imagen original
(hay 4 bandas de la imagen original: HOW87TM1, HOW87TM2, HOW87TM3, HOW87TM4, de las
cuales deberán seleccionarse las que contienen más información. Generalmente, en el caso del
TM son la 3,4 y 5) y sobre ésta se hace la clasificación no supervisada en sus dos niveles:
generalización gruesa (broad) y generalización fina (fine). Después, se despliega un histograma de
esta imagen obtenida (clasificada), para observar la frecuencia de pixeles asociada con cada
cluster (clase). Finalmente, basándose en la imagen previamente reclasificada (WORCWEST), se
agruparán los clusters en categorías más generales.

3. PROCEDIMIENTOS ESPECIFICOS

· Ejecute Data Paths desde el menú File, y seleccione ..\sensores\clnosup como el directorio de
trabajo.

· Para generar una imagen de composición en falso color, ejecute COMPOSIT ( ) desde el
menú Analisys -> Image Processing -> Image enhancement, seleccione HOW87TM2 en el
canal azul, HOW87TM3 en el verde, y HOW87TM4 en el rojo. Aplique un stretch lineal con
puntos de saturación; en tipo de salida seleccione Create 8-bit composite. En porcentaje de
saturación escriba 2.5. Llame TMFALSE a la imagen de salida (esta imagen es desplegada
con la paleta composite).

· Abra la ventana de preferencias de visualización desde File -> User Preferences. Active las
casillas de verificación de título y leyenda como opciones por defecto para la visualización.
Asegúrese también de activar la casilla de despliegue automático, y de que la paleta
cualitativa por defecto sea QUAL256.

· Ejecute “CLUSTER” desde el menú Analisys -> Image Processing -> Hard Classifiers. Elija
TMFALSE (la imagen creada en el paso anterior) como la imagen de composición, y llame
“GRUESO” a la imagen de salida. En nivel de generalización elija “Broad” (grueso), y active la
opción de descartar los clusters menos significativos (drop less significant clusters). La imagen
resultado, se desplegará con la paleta QUAL256.

Esta es una imagen de las clases espectrales más anchas de la imagen original. Los niveles de
generalización grueso y fino (broad y fine) emplean diferentes reglas de decisión cuando buscan
picos en el histograma. En el agrupamiento grueso (broad clustering), una clase debe contener
una frecuencia mayor que todos sus vecinos (ver fig. 1).

2
 Taller No 12: Clasificación No Supervisada

· Ejecute CLUSTER de nuevo, con TMFALSE como imagen de composición para crear una
imagen llamada “FINO”. En esta ocasión, use el nivel de generalización fino para encontrar
picos y seleccione la opción de eliminar los grupos menos significativos. El resultado se
visualizará con la paleta QUAL256. Como se puede ver, la generalización fina produce un
número mayor de clusters (grupos). Cuente el número de clusters de la nueva imagen.

Con generalización fina, puede ocurrir que un pico tenga vecinos con una frecuencia mayor. Esto
permite la identificación de picos, que de otra forma serían ignorados. Este concepto se ilustra en
el histograma de la figura 1. Los clusters gruesos se dividen únicamente en los valles. Los clusters
finos se dividen tanto en los valles como en otras salientes.

Clusters gruesos

Clusters finos

Frecuencia

Valores de reflectancia
Fig 1. Clusters gruesos y finos

Los histogramas permiten observar la diferencia en la distribución de los pixeles, entre las clases,
dependiendo del nivel de generalización.

· Ejecute HISTO desde el menú Display para crear los histogramas de las imágenes
creadas (GRUESO y FINO). El cluster 1 es siempre el de la mayor frecuencia de pixeles.
Corresponde al tipo de cobertura con mayor distribución, detectado durante la clasificación.
El siguiente cluster tiene el segundo número de pixeles y así sucesivamente.

Una vez generadas las imágenes clasificadas, el problema consiste en cómo interpretar los
clusters. Si la zona es conocida, los clusters anchos son fáciles de interpretar. Los clusters finos, en
cambio, requieren de una interpretación más cuidadosa. Es común que se requieran fotografías
aéreas, mapas existentes y trabajo de campo para realizar esta tarea. Además, es frecuente que
se necesite unir algunos clusters para producir el mapa final. Por ejemplo, es posible que un cluster
represente bosques de pinos en lugares con pendientes sombreadas, mientras que otro
represente los bosques de pinos en lugares de pendientes iluminadas; en el mapa final, estos dos
clusters deberían formar sólo uno. Para reagrupar y reasignar clusters, se pueden utilizar funciones
como ASSIGN.
 MANUAL PRACTICO DE PERCEPCION REMOTA

· Despliegue la imagen WORCWEST con la paleta del mismo nombre. Como no es posible
visitar el área de estudio para identificar clusters en las imágenes generadas (GRUESO y FINO),
se utilizará la imagen WORCWEST como apoyo en la interpretación y asignación de clusters de
las nuevas imágenes (la imagen WORCWEST se generó a partir de una reclasificación no
supervisada). Se usarán los mismos 14 tipos de cobertura de la imagen WORCWEST. La tarea
consiste, por tanto, en determinar a cuál de estas coberturas se deben asignar los clusters de
la imagen “FINO”

· Con la imagen WORCWEST en pantalla, trate de determinar visualmente las asignaciones de

clusters. Con este fin, es útil crear una colección de layers raster (con WORCWEST y FINO) y

utilizar el modo de cursor de consulta extendida (Cursor Inquiry Mode) para poder
consultar el número de cluster en “FINO” y la categoría en “WORCWEST”, simultáneamente, en
la ventana Feature Properties .

· Una vez haya determinado qué clusters se deben asignar a qué categorías, ejecute EDIT
desde el menú Data Entry para crear un archivo con estos valores. En este archivo, los
números de cluster se escriben en la primera columna, y los números de las categorías a las
que se asignarán, en la segunda columna. Guarde el archivo con el tipo Values file. Llámelo
“REAGRUP”. Por ejemplo, si en el archivo de valores están los siguientes números:

12
22
32
43
53
.
.
.

Se pueden interpretar como:

El cluster 1 asignado a la categoría 2

El cluster 2 asignado a la categoría 2
El cluster 3 asignado a la categoría 2
El cluster 4 asignado a la categoría 3
El cluster 5 asignado a la categoría 3

· Ejecute “ASSIGN” desde el menú Data Entry. En Feature definition image elija “FINO”, en
Atribute values file escoja “REAGRUP” (el archivo creado en el paso anterior), y llame
“REGRUP1” a la imagen de salida. Despliegue esta imagen con la paleta “WORCWEST”.

¨ ¿ Existen diferencias significativas entre REGRUP1 y WORCWEST?

· Usando la información de WORCWEST, interprete ahora la imagen que se produjo con la

opción de generalización gruesa. Edite la leyenda de esta imagen para asignar un nombre
de tipo de cobertura a los números de los clusters. Para esto, ejecute Metadata desde el
menú File. Seleccione la imagen GRUESO de la lista, y hagaclick en el tab Legend. Allí,
modifique los textos de la leyenda en la columna Caption. Dé los nombres apropiados a los
clusters.

4
 Taller No 12: Clasificación No Supervisada

· Realice pruebas con el procedimiento de ISOCLUST. Consulte la ayuda ó el marco de

referencia, en los sitios donde tenga dudas y obtenga un producto para comparación con el
método de CLUSTER, usado arriba

¨ Anote esas diferencias encontradas.

4. REFERENCIAS BIBLIOGRÁFICAS

[1] J. Ronald Eastman. Guide to GIS and image processing. Clrk Labs. Clark University. 1999
[2] Clark Labs for Cartographic technology and Geographic Analysis. Tutorial Exercises. Idrisi for
Windows V.32