Taller No.

11: Clasificación Supervisada

TALLER NO 11 CLASIFICACION SUPERVISADA

1. MARCO DE REFERENCIA

Varios tipos de mapas, incluyendo los de uso, suelos, mapas batimétricos y de temperaturas,
pueden ser derivados de la clasificación de imágenes de sensores remotos. Hay dos métodos de
clasificación de imágenes: supervisada y no supervisada. En la clasificación supervisada, el
usuario debe determinar las firmas espectrales de categorías conocidas, tales como bosques o
áreas urbanas. Posteriormente, el software asigna cada pixel de la imagen a la categoría cuya
firma espectral es más similar.

Los pasos para realizar una clasificación supervisada, se pueden resumir de la siguiente forma:

- Ubicar ejemplos representativos de cada uno de los tipos de cobertura que puedan ser
identificados en la imagen. Estos ejemplos representativos son también llamados “Sitios de
entrenamiento o muestreo”.
- Digitalizar polígonos alrededor de cada sitio de muestreo, asignando un identificador único a
cada tipo de cobertura.
- Analizar los pixels dentro de los sitios de prueba, crear firmas espectrales para cada uno de los
tipos de cobertura y comparar la separación de estas firmas. Las decisiones acerca de cuán
similares son entre sí las firmas espectrales, se toman a través de técnicas estadísticas
- Clasificar la imagen completa, considerando cada pixel, uno por uno, comparando su firma
particular con cada una de las firmas conocidas. Las llamadas clasificaciones “duras”,
resultan de asignar cada pixel al tipo de cobertura que tiene la firma espectral más similar. Las
clasificaciones “suaves”, por otra parte, evalúan el grado de pertenencia de cada pixel con
respecto a todas las clases en consideración, incluyendo clases desconocidas y no
especificadas.

2. PROCEDIMIENTOS GENERALES

Este ejercicio ilustra algunas técnicas “fuertes” de clasificación supervisada. Para ello se utilizan las
7 bandas de una imagen Landsat TM (H87TM1,H87TM2,...., H87TM7).

El primer paso será crear los sitios de prueba (áreas representativas de cada uno de los tipos de
cobertura en los que se desea clasificar la imagen). La imagen se clasificará en 6 tipos de
coberturas conocidas.

3. PROCEDIMIENTOS ESPECIFICOS

- Escoja “..\sensores\clasuper” como directorio de trabajo desde el menú File -> Data Paths
- Despliegue la imagen llamada “clasuper” con la opción “Map composition file”, en esta
imagen se señalan los diferentes tipos de coberturas que se pueden identificar.
- Escriba una lista con todos los tipos de cobertura identificados en la imagen anterior, y
asígnele a cada uno un identificador único. (Aunque los sitios de prueba pueden ser
digitalizados en cualquier orden, no se debe saltar ningún número en la serie, de forma que si
se tienen diez clases diferentes de tipos de cobertura, los identificadores deben ir del 1 al 10).

El orden sugerido es:

1- Aguas someras
 MANUAL PRACTICO DE PERCEPCION REMOTA

2- Aguas profundas
3- Agricultura
4- Urbano
5- Bosques caducifolios (los que pierden las hojas en otoño)
6- Bosques de coníferas

- Despliegue la imagen “H874S” usando la paleta grey256.

- Utilice la opción de digitalización en pantalla para digitalizar polígonos alrededor de sus sitios
de prueba:

- Haga un acercamiento alrededor del lago de aguas profundas del lado izquierdo de la
imagen.

- Haga click en el ícono de la herramienta de digitalización en pantalla

- Llame “SITPRUEB” al archivo vector que se creará, elija la opción polygon e ingrese el
identificador que eligió para el tipo “Aguas profundas”. Presione OK.
- Ahora, el cursor tendrá la forma del ícono de digitalización en pantalla. Mueva el cursor a
un punto inicial en la frontera de su sitio de prueba y haga click. Ahora mueva el cursor al
siguiente punto y haga click de nuevo. El polígono del sitio de prueba debe encerrar un
área homogénea del tipo de cobertura (evite incluir la línea de la playa en este polígono
de agua profunda). Continúe digitalizando hasta que haya terminado la frontera del
polígono y presione el botón derecho del mouse (si cometió algún error y no quiere

guardar el polígono, presione el botón para eliminar el último sitio de prueba que
haya digitalizado.
- Vuelva al zoom inicial y después haga un acercamiento en su siguiente sitio de prueba
(de acuerdo a la figura clasuper).

- Haga click de nuevo en la herramienta de digitalización en pantalla .

- Ingrese el identificador del nuevo sitio de prueba. Mantenga el mismo identificador si
quiere digitalizar otro polígono del mismo tipo (aguas profundas). De otra forma, ingrese
un nuevo identificador.

Se puede crear cualquier número de sitios de prueba, o polígonos con el mismo ID, para
cada tipo de cobertura. Sin embargo, debe haber una muestra adecuada de pixels de
cada tipo de cobertura. Una regla general dice que el número de pixels en cada grupo
de sitios de prueba (p. Ej. Todos los sitios de prueba del tipo “aguas profundas”) no debe
ser menor que 10 veces el número de bandas. Por lo tanto, en este ejercicio, donde se
usarán 7 bandas, no debería haber menos de 70 pixels en cada grupo de sitios de
prueba.

- Continúe hasta que haya digitalizado sitios de prueba para cada uno de los 6 tipos de
coberturas.

- Presione el botón al final, para guardar el archivo vector con los polígonos de los
sitios de prueba.

Después de que se tiene el archivo vector de los sitios de prueba, se pasa al siguiente paso del
proceso: crear los “archivos de firma” (signature files). Los archivos de firma contienen información
estadística acerca de los valores de reflectancia de los pixels dentro de cada uno de los grupos
de sitios de prueba.

2
 Taller No. 11: Clasificación Supervisada

- Ejecute MAKESIG desde el menú Analisys -> Image Processing -> Signature Development.
Elija “Vector” como el tipo de archivo de los sitios de prueba, y elija el archivo “SITPRUEB” como
el archivo de sitios de prueba.
- En la ventana “Enter Signature File Names”, ingrese los nombres de los archivos a crear (uno
para cada uno de los 6 tipos de cobertura identificados), en orden ascendente de acuerdo
con los identificadores que les asignó. Presione OK
- Indique que se usarán 7 bandas para el procesamiento. Elija los archivos de las bandas que
se analizarán: H87TM1 (azul), H87TM2 (verde), H87TM3 (rojo), H87TM4 (infrarrojo cercano),
H87TM5 (infrarrojo medio), H87TM6 (termal) y H87TM7 (medio).
- Presione OK.
- Cuando haya terminado el proceso, ejecute Idrisi File Explorer desde el menú File, y de la lista
de tipos de archivos elija ‘Signature (sig + spf)’ para ver los archivos de firma y verificar que
todos hayan sido creados.

- Antes de continuar con el ejercicio, se agruparán los 6 archivos de firma en un archivo de

grupo de firmas espectrales. El objetivo de usar un archivo de grupo es agilizar el ingreso
de los datos de entrada en las ventanas de Idrisi. Un archivo de grupo de firmas
espectrales es similar a una colección de layers raster.
- Para crear el archivo de grupo, abra el Editor de Colecciones.
- Desde el menú File escoja New. En ‘archivos de tipo’, elija ‘Signature Group File’ Llame
‘gfirmas’ al archivo y haga click en abrir.
- Con el boton insert after agregue los archivos 6 archivos de firmas que conformarán la
colección.
- Guarde el Archivo de grupo desde File -> Save. Y cierre el editor de colecciones.

Para comparar los archivos de firma espectral, es posible graficarlos:

- Ejecute SIGCOMP desde el menú Analisys -> Image Processing -> Signature Development.
- Presione ‘Insert Signature Group’ y elija el archivo ‘gfirmas’ (note que los nombres de los
archivos de firma incluidos en el grupo aparecen en la lista de la izquierda)
- Elija la opción “Mean”, para obtener una gráfica de los valores promedio de cada archivo de
firma en cada banda.
- Presione OK
· ¿De las siete bandas, cuáles diferencian mejor las coberturas de vegetación?

- Ejecute SIGCOMP de nuevo, pero esta vez elija ver solo 2 archivos y elija los archivos de firma
espectral que corresponden a bosque de coníferas y cobertura urbana. Indique que quiere
graficar los valores máximo y mínimo, así como la media. Presione OK. (Note que los valores
de reflectancia de los archivos de firma espectral se sobreponen en diferente grado a través
de todas las bandas).

· ¿Cuál de los dos archivos de firma espectral tiene la mayor variación en los valores de
reflectancia en todas las bandas?

El siguiente paso del proceso es clasificar las imágenes basándose en los archivos de firma
espectral. Cada pixel tiene un valor en cada una de las 7 bandas de la imagen (H87TM1-7). Estos
valores forman una firma espectral única que es comparada con cada uno de los archivos de
firma espectral creados. El pixel es entonces asignado a la categoría que tiene la firma espectral
más similar. Existen varias técnicas estadísticas que pueden ser usadas para evaluar qué tan
similares son las firmas espectrales entre sí. Dichas técnicas estadísticas son llamadas
 MANUAL PRACTICO DE PERCEPCION REMOTA

“clasificadores” (classifiers). Se crearán imágenes con tres clasificadores duros (hard classifiers)
disponibles en Idrisi.

Para visualizar de forma gráfica la selección de los sitios de prueba se utiliza el módulo SCATTER.
Este módulo de Idrisi usa dos bandas de la imagen como ejes X y Y para graficar las posiciones
relativas del pixel a partir de sus valores en las dos bandas utilizadas. Además, crea una frontera
rectangular alrededor de la media de los sitios de prueba de cada banda con un ancho y alto
equivalentes a dos desviaciones estándar medidas desde la media. Al ejecutar este comando, se
obtiene como resultado la imagen de la distribución de los pixeles y un archivo vector con los
recuadros alrededor de la media de cada archivo de firma. (Fig. 1)

255 El valor del pixel es el

logaritmo de su
frecuencia
Valor de
reflectancia del
pixel en la
banda “Y”
2 * Desviación
estándar en el
sitio de prueba

0 255
Valor de
reflectancia del
pixel en la
banda “X”
Fig 1. Estructura de un gráfico de SCATTER

- Ejecute “SCATTER” desde el menú Analisys->Image Processing->Signature Development.

Seleccione la imagen H87TM3 (la banda roja) como el eje Y del gráfico de salida, y H87TM4
(la banda del infrarrojo cercano) como el eje X. En ‘Plot Type’ elija ‘Ln of pixel counts’. Active la
opción ’Create signature plot file’ e ingrese el nombre del archivo de grupo de firmas
(gfirmas). Llame “SCAT” a la imagen de salida. Cuando el proceso termine, agregue el layer
vector de los recuadros sobre la imagen de los pixeles (si es necesario cambie la paleta para
visualizarlos mejor).

- Active el layer raster y mueva el cursor sobre la imagen. Note que las coordenadas X y Y que
se muestran en la barra de estado (la de la parte inferior de la pantalla), son las coordenadas
X y Y en el gráfico. Los ejes X y Y van desde 0 hasta 255. Haga un zoom en la parte inferior
izquierda del gráfico para observarlo con mayor detalle. Para mostrar la frecuencia de
aparición de un pixel en las dos bandas, SCATTER usa colores brillantes para mostrar mayores
densidades de pixeles, y colores más oscuros para densidades menores (el valor de pixel que
se observa al utilizar el Inquiry cursor es el logaritmo de la frecuencia real del pixel en las dos
bandas).

Este gráfico es de gran utilidad para verificar la calidad de los sitios de prueba elegidos. Si los
recuadros dibujados alrededor de los sitios de prueba se sobreponen entre sí, esto puede indicar

4
 Taller No. 11: Clasificación Supervisada

que no se han elegido correctamente. Sin embargo, tales superposiciones pueden ocurrir porque
ciertos objetos realmente poseen patrones de reflectancia comunes. (Fig 2).

Fig 2. Ejemplo de un gráfico producido con SCATTER

- MINDIST (clasificador de distancia mínima a medias). Este clasificador calcula la distancia de

los valores de reflectancia de cada pixel a la media de cada archivo de firma espectral, y
asigna al pixel a la categoría con la media más cercana. Hay dos formas de calcular la
distancia con este clasificador: la primera es calcular la distancia euclidiana (raw distance)
desde los valores de reflectancia de cada pixel hasta la media de los archivos de firma
espectral. El segundo método es el de distancia normalizada. En este caso, el clasificador
evalúa las desviaciones estándar de los valores de reflectancia con respecto a la media,
creando contornos de desviaciones estándar. Después asigna un pixel dado a la categoría
más cercana, en términos de desviación estándar.

- Ejecute “MINDIST”, desde el menú Analisys->Image Processing->Hard Classifiers. Indique que

se usará un archivo de grupo de firmas espectrales, haga doble click y elíjalo de la lista
(gfirmas). Los nombres de las categorías aparecerán en el lugar correspondiente. Elija la
opción de distancia euclidiana (raw), el nombre del archivo de salida será “mindisr”. Presione
OK para hacer la reclasificación

- Haga una nueva clasificación con “MINDIST” pero esta vez elija la opción de Distancias
Normalizadas. Llame “mindisn” a la imagen de salida.

· Visualice el resultado y compárelo con el anterior. Anote las diferencias

El siguiente clasificador que se usará será el de máxima probabilidad (maximun likehood). Aquí, la
distribución de los valores de reflectancia en un sitio de prueba es descrita por una función de
densidad de probabilidad, desarrollada a partir de estadísticas de Bayes. Este clasificador evalúa
la probabilidad de que un determinado pixel pertenezca a una categoría y lo clasifica en la
categoría con la mayor probabilidad de pertenencia.
 MANUAL PRACTICO DE PERCEPCION REMOTA

- Ejecute “MAXLIKE”, desde el menú Analisys->Image Processing->Hard Classifiers. Indique que

se usará un archivo de grupo de firmas espectrales, haga doble click y elíjalo de la lista
(gfirmas). Los nombres de las categorías aparecerán en el lugar correspondiente. Elija la
opción de clasificar todos los pixels, asignando un mismo peso a todas las clases (la misma
probabilidad). Llame “MAXSIM” al resultado. Presione “Continue” para reclasificar
(manteniendo todas las bandas). La técnica de similitud máxima es la más lenta de todas,
pero si los sitios de prueba son buenos, tiende a ser la mas precisa.

El último clasificador es el del paralelepípedo. Este clasificador crea “cajas” usando unidades de
desviación estándar, o valores de reflectancia máximos y mínimos dentro de los sitios de prueba.
Si un pixel determinado cae dentro de la “caja” de una de las firmas espectrales, es asignado a
esa categoría. Este es el más rápido de los clasificadores, y la opción con máximos y mínimos era
usada como un clasificador de “previsualización” cuando la velocidad de procesamiento era
muy baja. Este método, sin embargo, puede producir clasificaciones erróneas. Debido a la
correlación de información en las bandas, los pixeles tienden a agruparse en “nubes” con forma
de cigarro o de zeppelin.

- Ejecute “PIPED”, desde el menú Analisys->Image Processing->Hard Classifiers. Indique que se

usará un archivo de grupo de firmas espectrales, haga doble click y elíjalo de la lista (gfirmas).
Los nombres de las categorías aparecerán en el lugar correspondiente. Elija la opción de
máximo y mínimo. Llame “PAMINMAX” al resultado. Presione “Continue” para reclasificar
(manteniendo todas las bandas). Note que la imagen de salida contiene algunos valores 0.
Estos pixeles no se ajustaron dentro del rango MIN-MAX de ninguno de los sitios de prueba y
por lo tanto fueron asignadas a una nueva categoría: 0.
· Ejecute PIPED de nuevo, pero esta vez utilice la opción z-scores (la opción por defecto).
Mire en la ayuda que significa esta opción. Llame “PAZSCO” a la imagen de salida.

· Compare todas las clasificaciones que ha generado. Para esto, despliéguelas todas con
la paleta QUAL256. Use un factor de expansión menor al valor por defecto, para poder
acomodar todas las imágenes en la pantalla.
· Explique cuál de ellas le arrojó el mejor resultado y por qué. Use la imagen original de
“clasuper” para responder.

Como nota final, considere lo siguiente. Si sus sitios de prueba son muy buenos, el clasificador de
Máxima Similitud produciría el mejor resultado. Sin embargo, cuando los sitios de prueba no están
bien definidos, el desempeño puede ser muy pobre. En tales casos, el clasificador de distancia
mínima con distancias normalizadas produce mejores resultados. El clasificador de
paralelepípedo con la opción de desviación estándar es una opción razonable si se tienen
buenos sitios de prueba, además es el más rápido de todos los clasificadores.

4. REFERENCIAS DEL TALLER

Clark Labs for Cartographic technology and Geographic Analysis. Tutorial Exercises. Idrisi for
Windows V.32