ERDAS IMAGINE – Análisis

multiespectral

La clasificación multiespectral es el proceso de agrupar pixeles dentro de un número

finito de clases individuales o categorías de datos, basados en sus valores de archivo.

De esta forma, si el pixel satisface cierto criterio, el pixel es asignado a la clase que
corresponde a ese criterio. (A este proceso también se le denomina “Segmentación de
imágenes”).

Dimensionalidad, en una imagen multiespectral, un elemento tiene varios valores o

respuestas espectrales. La información multiespectral es multidimensional.

Algunos conceptos útiles en el proceso de clasificación son:

SIG APLICADO A LOS RECURSOS HÍDRICOS – HIDROLOGÍA ESPACIAL

 Cluster: Agrupación “natural” de pixeles cuando estos se encuentran
representados en el “espacio espectral”.
 Clustering: En clasificación No-Supervisada, se refiere al proceso de generación
de firmas espectrales con base en la agrupación natural de pixeles.
 Temático: Un archivo raster que almacena información cualitativa. El valor del pixel
representa el valor de clase y varios pixeles comparten el mismo valor.
 Tabla de atributos: Información tabular asociada a una imagen temática donde se
almacenan las clases. Cada registro en una tabla corresponde a una clase y cada
clase tiene una determinada cantidad de pixeles.

1. Clasificación No-Supervisada

La clasificación no supervisada es la agrupación de los píxeles de una imagen en un

número definido de clases. Esto se hace asignándole un filtro a cada grupo y éste
captura a aquellos que tienen propiedades similares.

El flujo de trabajo para el proceso de clasificación es:

i. Revisión de las imágenes o datos de origen

Sensor disponible, metadatos de las imágenes, nivel de procesamiento
ii. Recopilación de información complementaria
Fotos aéreas históricas, mapas temáticos, fotografías del terreno, atlas
iii. Obtención de información de campo
Identificación de elementos

Utilizando el algoritmo ISODATA se tiene el siguiente flujo de trabajo:

1. Ejecutar la clasificación con el algoritmo ISODATA (2 a 3 veces el número final
de clases deseados)
2. Interpretar los resultados
3. Recodificar o agrupar clases resultantes

SIG APLICADO A LOS RECURSOS HÍDRICOS – HIDROLOGÍA ESPACIAL

  Recode
 Grouping tool + Fuzzy recode
4. Generalización
 Majority filtering / Neighborhood
5. Conversion vectorial
 AOI to vector
 Raster to Vector
6. Generación de mapa temático

La metodología ISODATA, es una técnica de análisis de auto organización de datos en

forma iterativa.

La herramienta se ubica en ‘Raster / Classification / Unsupervised / Unsupervised

Classification’. Para comenzar, se indica el número de clases, el nombre de archivo de
salida y se puede guardar el archivo de firmas espectrales utilizado durante la
clasificación. Los demás valores se dejan por defecto.

SIG APLICADO A LOS RECURSOS HÍDRICOS – HIDROLOGÍA ESPACIAL

Luego, el resultado es una imagen cuyo valor de su píxel está en el rango de clases
con que fue creado. En la siguiente imagen, se compara la imagen original con la
clasificada. También se ve la tabla resultante.

SIG APLICADO A LOS RECURSOS HÍDRICOS – HIDROLOGÍA ESPACIAL

Después de esto, es bueno hacer una generalización para que se pueda identificar
mejor a las áreas de cada clase. Para esto, se utiliza la herramienta Neightborhood
ubicada en ‘Raster/Thematic/Neightborhood’.

Para este ejemplo se esta configurando para que aplique una máscara de 5x5, use la
función de “mayority” (según la mayor cantidad de píxeles vecinos), check en “Ignore
Zero in Stats” y el nombre de salida del archivo.

En la siguiente imagen, se compara el resultado de la clasificación y su generalización.

SIG APLICADO A LOS RECURSOS HÍDRICOS – HIDROLOGÍA ESPACIAL

Luego, para poder comparar mejor hay que aplicarle colores diferenciados a cada
clase. Para esto, se puede cambiar los colores manualmente en la tabla de atributos.

El resultado se muestra de la siguiente manera:

El siguiente paso es identificar el significado de cada clase. Para esto, se agrega un

campo en la tabla denominado “Class Name” en ‘Table/Columns/Add Class Name’ y
nos ayudamos a hacer la comparación con la herramienta “Swipe” ubicada en
‘Home/view/Swipe’.

En este campo se colocaría la descripción de cada clase. La metodología a emplear

es la comparación de la imagen original con la clasificada. Algunos ejemplos de cómo
denominar a cada clase puede ser: Agua, suelo, bosque, vegetación, casco urbano,
etc.

SIG APLICADO A LOS RECURSOS HÍDRICOS – HIDROLOGÍA ESPACIAL

Finalmente, se le puede agregar una columna de área para tener los valores
cuantitativos de cada área. Esto ya se puede colocar en un reporte.

2. Clasificación Supervisada

Una clasificación supervisada, a comparación de la no supervisada, permite que uno

mismo ingrese los valores a clasificar. Éstos pueden obtenerse en campo utilizando
instrumentos de medición para cada tipo de muestra, o por la identificación en la
misma imagen. También, podrían combinarse estas 2 técnicas para obtener mejores
resultados.

Para comenzar, se crea un archivo de firmas espectrales. Las firmas espectrales son
las muestras que se obtuvieron desde la misma imagen o midiéndolas en campo.

Para entrar en el editor de firmas hay que entrar en ‘Raster / Classification /

Supervised / Signature Editor’.

Para obtener firmas nuevas, lo que se hace es dibujar un AOI sobre un visor que
contenga a la imagen y mientras esta seleccionado, en el editor de firmas, dar clic en
el tercer botón (Create New Signatire(s) from AOI). Esto crea una fila nueva con los
valores tomados de la imagen.

SIG APLICADO A LOS RECURSOS HÍDRICOS – HIDROLOGÍA ESPACIAL

Una vez que ya se haya terminado de crear el archivo de firmas, ya se puede hacer la
clasificación supervisada. La herramienta la encontramos en ‘Raster / Classification /
Supervised / Supervised Classification’.

Aquí, se le indica que archivo de firmas va a utilizar (en este caso se utiliza el que se
creó en el paso anterior), el nombre del archivo de salida y el tipo de regla a utilizar.
Este proceso puede tardar unos minutos dependiendo del tipo de imagen o la
velocidad de la computadora utilizada.

Finalmente, el resultado se muestra en la siguiente imagen:

Así como en la clasificación no supervisada, se puede mejorar y calcular las áreas

respectivas.

SIG APLICADO A LOS RECURSOS HÍDRICOS – HIDROLOGÍA ESPACIAL