UNIVERSIDAD DE SAN CARLOS DE GUATEMALA A.

López
FACULTAD DE INGENIERIA
ESCUELA DE ESTUDIOS DE POSTGRADO
MAESTRÍA EN GEOMATICA

La clasificación basada en Pixeles y Objetos

La clasificación de imágenes basada en píxeles es una técnica poderosa para derivar clases temáticas
de imágenes de múltiples bandas. Sin embargo, tiene ciertas limitaciones que los usuarios deben tener
en cuenta. Las limitaciones más importantes de la clasificación de imágenes basada en píxeles son que
da como resultado (i) clases espectrales y que (ii) cada píxel se asigna a una sola clase.
Las clases espectrales son aquellas que están directamente vinculadas a las bandas espectrales
utilizadas en la clasificación. A su vez, estos están vinculados a las características de la superficie. A ese
respecto, se puede decir que las clases espectrales corresponden a las clases de cobertura del suelo.
En el proceso de clasificación, una clase espectral puede estar representada por varias clases de
entrenamiento. Entre otras cosas, esto se debe a la variabilidad dentro de una clase espectral.
Considere, por ejemplo, una clase como "césped": hay diferentes tipos de césped, cada uno de los
cuales tiene diferentes características espectrales. Además, el mismo tipo de hierba puede tener
diferentes características espectrales cuando se considera en áreas más grandes, debido, por ejemplo,
a diferentes suelos y condiciones climáticas.
Una cuestión relacionada es que a veces uno está interesado en las clases de uso del suelo en lugar de
las clases de cobertura del suelo. A veces, una clase de uso del suelo puede comprender varias clases
de cobertura del suelo. La tabla 1 da algunos ejemplos de vínculos entre la cobertura espectral del
suelo y las clases de uso del suelo. Tenga en cuenta que entre dos columnas puede haber relaciones 1
a 1, 1 a n y n a 1. Las relaciones de 1 a n son un problema grave y solo pueden resolverse agregando
datos y / o conocimientos al procedimiento de clasificación. Los datos agregados pueden ser otras
imágenes de detección remota (otras bandas, otros momentos) o datos geoespaciales existentes,
como mapas topográficos, inventarios históricos de tierras, mapas de carreteras, etc. Por lo general,
esto se realiza en combinación con la adición de conocimiento experto al proceso. Un ejemplo sería
utilizar datos históricos de la cobertura del suelo y definir la probabilidad de ciertos cambios en la
cubierta del suelo. Otro ejemplo sería utilizar información de elevación, pendiente y aspecto. Esto
resultará especialmente útil en regiones montañosas, donde las diferencias de elevación juegan un
papel importante en las variaciones de los tipos de cubierta de superficie.

Tabla 1 Las clases espectrales distinguidas durante la clasificación se pueden

agregar a las clases de cobertura del suelo. Las relaciones 1 a n y n a 1 pueden existir
entre la cobertura del suelo y las clases de uso del suelo.

El otro problema principal y la limitación de la clasificación de imágenes basada en píxeles es que cada
píxel solo se asigna a una clase. Esto no es un problema cuando se trata con celdas de resolución de
terreno relativamente pequeñas. Sin embargo, cuando se trata de Ground Resolution Cell (GRC)
relativamente grandes, es probable que ocurran más clases de cobertura de la tierra dentro de una
celda. Como resultado, el valor del píxel es un promedio de la reflectancia de la cubierta terrestre
presente dentro del GRC. En una clasificación estándar, estas contribuciones no se pueden rastrear y
 A. López

el píxel se asignará a una de las clases o incluso a otra clase. Este fenómeno generalmente se conoce
como el píxel mixto o mixel (Figura 6.16). Este problema de píxeles mixtos es inherente a la clasificación
de imágenes: asignar un píxel a una clase temática.

Figura 6.16 El origen de los píxeles mixtos: se producen

diferentes tipos de cobertura terrestre dentro de una celda de
resolución de suelo. Tenga en cuenta la abundancia relativa de
píxeles mixtos.

La solución a esto es utilizar un enfoque diferente, por ejemplo, asignando el píxel a más de una clase.
Esta breve introducción al problema de los píxeles mixtos también resalta la importancia de usar datos
con la resolución espacial adecuada.
Hemos visto que la elección del enfoque de clasificación depende de los datos disponibles, pero
también del conocimiento que tenemos sobre el área bajo investigación. Sin el conocimiento de las
clases de cobertura del suelo presentes, la clasificación sin supervisión solo puede dar una visión
general de la variedad de clases en una imagen. Si hay conocimiento disponible, de trabajo de campo
u otras fuentes, la clasificación supervisada puede ser superior. Sin embargo, ambos métodos solo
utilizan información espectral, que se vuelve cada vez más problemática para resoluciones espaciales
más altas. Por ejemplo, un edificio que se compone de diferentes materiales conduce a píxeles con
características espectrales muy variables y, por lo tanto, una situación en la que la formación de píxeles
es de poca ayuda. Del mismo modo, un campo puede contener píxeles de vegetación saludable, así
como algo de suelo desnudo.
También estamos cada vez más interesados en el uso del suelo. Sin embargo, para distinguir, por
ejemplo, el bosque urbano del rural, o una piscina de un estanque natural, se necesita un enfoque
similar a la interpretación visual.

El análisis orientado a objetos (OOA), también llamado análisis basado en segmentación, nos permite
hacer eso. En lugar de tratar de clasificar cada píxel por separado, y solo en función de la información
espectral, OOA descompone una imagen en segmentos espectralmente homogéneos que
corresponden a campos, soportes de árboles, edificios, etc. También es posible utilizar capas SIG
auxiliares, por ejemplo, las huellas construcción, para guiar esta segmentación. De manera similar al
enfoque cognitivo de la interpretación de imágenes visuales, donde consideramos cada elemento en
términos de su apariencia espectral, pero también en términos de su forma y textura, y dentro de su
entorno, en OOA podemos especificar relaciones contextuales y un segmento más complejo de
características para clasificar los objetos extraídos en el proceso de segmentación. Por ejemplo,
podemos usar la textura del objeto para distinguir dos tipos de bosque espectralmente similares, o
distinguir una piscina de un estanque, considerando su forma y quizás el concreto circundante en lugar
del suelo y la vegetación. OOA es particularmente adecuado para imágenes de alta resolución espacial,
pero también para datos obtenidos por Airborne Laser Scanning (ALS) o radar de microondas. Requiere
que tengamos un conocimiento sustancial sobre lo que distingue una cubierta de tierra o un tipo de
uso de la tierra, así como datos auxiliares como la elevación, el tipo de suelo o las capas de vectores.