04 Exercise Obia

Procesamiento y análisis de
datos espaciales en
GRASS GIS
Dra. Verónica Andreo
1 / 49
Ejercicio: Clasi cación supervisada
basada en objetos con datos SPOT

2 / 49
Contenidos
3 / 49
Contenidos
Mejoramiento del contraste (ecualización del histograma)
3 / 49
Contenidos
Calcular índices espectrales y texturas de GLCM
3 / 49
Contenidos
Segmentación manual (ensayo y error)
3 / 49
Contenidos
Segmentación con USPO
3 / 49
Contenidos
Cómputo de las estadísticas de los segmentos
3 / 49
Contenidos
Colecta y etiquetado de datos de entrenamiento y validación
3 / 49
Contenidos
Clasi cación supervisada por Machine Learning
3 / 49
Contenidos
Clasi cación supervisada por Machine Learning
Validación
3 / 49
Datos para el ejercicio
SPOT 6
VIS - NIR (6 m)
PAN (1.5 m)
Datos corregidos y
fusionados
4 / 49
 Datos y código para la sesión 
Descargar los datos SPOT desde el aula virtual y

mover a la carpeta $HOME/gisdata
Descargar el código para seguir el ejercicio
5 / 49
 Tareas
Crear un mapset obia_spot en el location
posgar2007_4_cba e importar la imagen SPOT desde
la GUI forzando la resolución a 1.5m
Alinear la región a la extensión y resolución de alguna de
las bandas importadas
Mostrar la combinación RGB color natural (1: azul, 2:
verde, 3: rojo, 4: NIR)
Hacer una ecualización de histograma para mejorar el
contraste de visualización
6 / 49
Importar datos y visualizar
#!/bin/bash
#######################################################################
# Commands for the OBIA exercise within IG MSc Course Image Processing
# Author: Veronica Andreo based on Grippa et al 2017.
# Date: July, 2020
#######################################################################

#
# Create mapset and import data
#

# create mapset
g.mapset -c mapset=obia_spot

# import pansharpened SPOT data
r.import input=$HOME/gisdata/SPOT_20180621_PANSHARP_p.tif \
t t SPOT 20180621 PANSHARP \
7 / 49
# Date: July, 2020
#######################################################################

#
#

# create mapset

output=SPOT_20180621_PANSHARP \
resolution=value \
resolution_value=1.5

# import SPOT PAN band
i i $ / i d / if \
Crear mapset
7 / 49
#

# create mapset

resolution=value \

r.import input=$HOME/gisdata/SPOT_20180621_PAN.tif \
output=SPOT_20180621_PAN \
resolution=value \
Importar bandas multi-espectrales
7 / 49

resolution=value \

resolution=value \

# align region to one of the raster bands
g.region -p raster=SPOT_20180621_PANSHARP.1 \
save=obia_full

#
Importar banda pancromática
7 / 49

resolution=value \

save=obia_full

#
# Display RGB with enhanced contrast
#

# set grey color table to RGB bands
Alinear región y guardar la con guración
7 / 49
save=obia_full

#
# Display RGB with enhanced contrast
#

r.colors \
map=SPOT_20180621_PANSHARP.1,SPOT_20180621_PANSHARP.2,SPOT_20180621_P
color=grey

# display RGB
d.mon wx0
d.rgb red=SPOT_20180621_PANSHARP.3 \
green=SPOT 20180621 PANSHARP.2 \
Establecer grey como paleta de colores para bandas RGB
7 / 49

r.colors \
color=grey

# display RGB
d.mon wx0
green=SPOT_20180621_PANSHARP.2 \
blue=SPOT_20180621_PANSHARP.1

# enhance contrast
i.colors.enhance red=SPOT_20180621_PANSHARP.3 \
blue=SPOT_20180621_PANSHARP.1 \
strength=95
Mostrar composición RGB
7 / 49

# display RGB
d.mon wx0
blue=SPOT_20180621_PANSHARP.1

# enhance contrast
strength=95

#
# Are there NULL values?
#

Ecualización de colores
7 / 49
Composición RGB 321 color natural - SPOT 6
8 / 49
 Hay valores nulos? 
#!/bin/bash
#######################################################################
# Date: July, 2020
#######################################################################

#
#

# create mapset

SPOT 20 8062 PANSHARP \
 Si hubiera valores nulos, se deben rellenar antes de comenzar 
9 / 49
# enhance contrast
strength=95

#
#

# one band
r.univar map=SPOT_20180621_PANSHARP.2

# joint stats for all the bands
r.univar \

Valores nulos en una banda

9 / 49
#
#

# one band
r.univar map=SPOT_20180621_PANSHARP.2

# joint stats for all the bands
r.univar \

#
# Generate variables from raw data
#

# ti t t ti i d
Valores nulos en varias bandas

9 / 49
Índices espectrales y texturas GLCM
#!/bin/bash
#######################################################################
# Date: July, 2020
#######################################################################

#
#

# create mapset

10 / 49
r.univar \

#
# Generate variables from raw data
#

# estimate vegetation index
i.vi \
output=SPOT_20180621_NDVI \
viname=ndvi \
red=SPOT_20180621_PANSHARP.3 \
nir=SPOT_20180621_PANSHARP.4

# install i.wi
g.extension i.wi
Estimar NDVI
10 / 49
output=SPOT_20180621_NDVI \
viname=ndvi \
red=SPOT_20180621_PANSHARP.3 \

# install i.wi
g.extension i.wi

# estimate water index
i.wi \
output=SPOT_20180621_NDWI \
winame=ndwi_mf \

# set ndwi color palette
r.colors map=SPOT_20180621_NDWI color=ndwi

# ti t t t
Instalar extensión i.wi y estimar NDWI
10 / 49
g.extension i.wi

# estimate water index
i.wi \
output=SPOT_20180621_NDWI \
winame=ndwi_mf \


# estimate textures measures
r.texture \
input=SPOT_20180621_PAN \
output=SPOT_20180621 \
size=7 \
distance=3 \
method=idm,asm
Establecer la paleta de colores ndwi
10 / 49
_ \


r.texture \
size=7 \
distance=3 \
method=idm,asm

# set color table to grey for texture bands
r.colors -e map=SPOT_20180621_IDM color=grey
r.colors -e map=SPOT_20180621_ASM color=grey

# f l t ith ll 4 b d
Estimar medidas de textura: IDM y ASM
10 / 49
r.texture \
size=7 \
distance=3 \
method=idm,asm

# set color table to grey for texture bands
r.colors -e map=SPOT_20180621_IDM color=grey
r.colors -e map=SPOT_20180621_ASM color=grey

# frame plot with all 4 bands
d.mon cairo out=obia_frames.png width=400 height=300 resolution=4

d.frame -c frame=first at=0,50,0,50
d.rast map=SPOT_20180621_NDVI
d.text text='NDVI' color=black font=sans size=10
Establecer paleta grey para bandas de textura
10 / 49
Índices espectrales y texturas GLCM a partir de bandas SPOT
11 / 49
Sobre qué banda calculamos las texturas?
12 / 49
Si no contamos con una banda pancromática,
podemos crearla promediando las bandas visibles
# create pan-vis from RGB (if no pan available)

R=SPOT_20180621_PANSHARP.3
G=SPOT_20180621_PANSHARP.2
B=SPOT_20180621_PANSHARP.1

r.mapcalc \
expression="PANVIS = round(($R + $G + $B) / 3)"
13 / 49
Segmentación
Búsqueda de umbrales de sub y sobre-segmentación
#!/bin/bash
#######################################################################
# Date: July, 2020
#######################################################################

#
#

# create mapset

14 / 49
Segmentación
d.frame c frame=fourth at=50,100,50,100
d.rast map=SPOT_20180621_ASM
d.text text='ASM' color=white font=sans size=10

d.mon -r

#
# Segmentation: manual trial and error for threshold values determinati
#

# create imagery group (only bands)
i.group group=spot_bands \
input=SPOT_20180621_PANSHARP.1,SPOT_20180621_PANSHARP.2,SPOT_20180621

# set smaller region
g.region -p \
n=6525171 s=6523179 \
Crear grupo con las bandas únicamente
14 / 49
Segmentación
# Segmentation: manual trial and error for threshold values determinati
#

# create imagery group (only bands)
i.group group=spot_bands \
input=SPOT_20180621_PANSHARP.1,SPOT_20180621_PANSHARP.2,SPOT_20180621

g.region -p \
n=6525171 s=6523179 \
w=4390557 e=4393257 \
save=obia_subset

# run segmentation - small threshold
i.segment \
group=spot_bands \
output=segment_001\
threshold=0 01 \
De nir una región más pequeña y salvarla
14 / 49
Segmentación
g.region -p \
n=6525171 s=6523179 \
w=4390557 e=4393257 \
save=obia_subset

# run segmentation - small threshold
i.segment \
group=spot_bands \
output=segment_001\
threshold=0.01 \
memory=2000
# convert output to vector
r.to.vect -tv input=segment_001 \
output=segment_001 \
type=area

# run segmentation - larger threshold
i.segment \
Ejecutar una segmentación con umbral pequeño

14 / 49
Segmentación
r.to.vect -tv input=segment_001 \
type=area

# run segmentation - larger threshold
i.segment \
group=spot_bands \
threshold=0.05 \
memory=2000
r.to.vect -tv \
input=segment_005 \
type=area

#
Ejecutar una segmentación con umbral más grande
14 / 49
Sobre-segmentado Sub-segmentado
15 / 49
 Tarea
Se animan a probar con otros valores y en otras regiones?
16 / 49
Segmentación
Búsqueda automática de umbrales por optimización
i.segment.uspo
Altamente intensivo para un área grande y muchas
combinaciones de parámetros
Limitar el tamaño de la región computacional
Limitar el rango de los parámetros
Crear superpixels para usarlos como semillas
Cortar la imagen en tiles (i.cutlines) y paralelizar la
USPO
17 / 49
Generación de semillas
i.superpixels.slic
También puede utilizarse para la segmentación real
Muy rápido para reagrupar pequeñas cantidades de
píxeles similares
Usar para reducir el número de píxeles en un factor
de 4-5 y acelerar i.segment.uspo
Baja compactación para mantener la separación
espectral
18 / 49
USPO con superpixels como semillas
#!/bin/bash
#######################################################################
# Date: July, 2020
#######################################################################

#
#

# create mapset

19 / 49
r.to.vect -tv \
input=segment_005 \
type=area

#
# Superpixels
#

# install i.superpixels.slic
g.extension i.superpixels.slic

# run superpixel segm to use as seeds
i.superpixels.slic \
input=spot_bands \
output=superpixels \
Instalar la extensión
19 / 49
# Superpixels
#

# install i.superpixels.slic
g.extension i.superpixels.slic

# run superpixel segm to use as seeds
i.superpixels.slic \
input=spot_bands \
step=2 \
compactness=0.7 \
memory=2000

#
# Segmentation with USPO
#
Ejecutar i.superpixels.slic con bajo valor de compactación
19 / 49
RGB y resultado de la ejecución de i.superpixels.slic
20 / 49
Cuántas semillas se generaron? Qué factor de reducción se
consigue en comparación a usar todos los pixeles?
Dar una mirada a r.info y g.region

21 / 49
#!/bin/bash
#######################################################################
# Date: July, 2020
#######################################################################

#
#

# create mapset

22 / 49
input spot_bands \
step=2 \
compactness=0.7 \
memory=2000

#
# Segmentation with USPO
#

# install extensions
g.extension r.neighborhoodmatrix
g.extension i.segment.uspo

# run segmentation with uspo
i.segment.uspo group=spot_bands \
output=uspo_parameters.csv \
Instalar las extensiones
22 / 49

g.extension r.neighborhoodmatrix
g.extension i.segment.uspo

# run segmentation with uspo
i.segment.uspo group=spot_bands \
output=uspo_parameters.csv \
region=obia_subset \
seeds=superpixels \
segment_map=segs \
threshold_start=0.005 \
threshold_stop=0.05 \
threshold_step=0.005 \
minsizes=3 number_best=5 \
memory=2000 processes=4

# convert to vector the rank1
r to vect -tv \
Ejecutar la segmentación con optimización
22 / 49
seeds=superpixels \
segment_map=segs \
threshold_start=0.005 \
threshold_stop=0.05 \
threshold_step=0.005 \
minsizes=3 number_best=5 \
memory=2000 processes=4

r.to.vect -tv \
input=segs_obia_subset_rank1 \
output=segs \
type=area

#
# Extraer estadisticas de los segmentos
#
Convertir el "mejor" resultado a vector
22 / 49
Zoom al resultado de ejecutar la segmentación con USPO
23 / 49
Cuántos segmentos obtuvieron?
Dar una mirada a v.info
24 / 49
Estadísticas: i.segment.stats
#!/bin/bash
#######################################################################
# Date: July, 2020
#######################################################################

#
#

# create mapset

25 / 49
r.to.vect -tv \
input=segs_obia_subset_rank1 \
output=segs \
type=area

#
# Extraer estadisticas de los segmentos
#

g.extension i.segment.stats
g.extension r.object.geometry

# extract stats for segments
i.segment.stats \
map=segs_obia_subset_rank1 \
Instalar las extensiones
25 / 49
#

g.extension i.segment.stats
g.extension r.object.geometry

# extract stats for segments
i.segment.stats \
map=segs_obia_subset_rank1 \
rasters=SPOT_20180621_ASM,SPOT_20180621_IDM,SPOT_20180621_NDVI,SPOT_2
raster_statistics=mean,stddev \
area_measures=area,perimeter,compact_circle,compact_square \
vectormap=segs_stats \
processes=4

#
# Generate ground truth points and label them
Ejecutar i.segment.stats
25 / 49
Tabla de atributos con las estadísticas estimadas para cada objeto
26 / 49
Datos de entrenamiento
#!/bin/bash
#######################################################################
# Date: July, 2020
#######################################################################

#
#

# create mapset

27 / 49
rasters=SPOT_20180621_ASM,SPOT_20180621_IDM,SPOT_20180621_NDVI,SPOT_2
raster_statistics=mean,stddev \
area_measures=area,perimeter,compact_circle,compact_square \
vectormap=segs_stats \
processes=4

#
#

# get info of labeled points
v.info labeled_points

# copy vector to current mapset (access to tables from different mapset
g.copy vector=labeled_points@PERMANENT,labeled_points

# get n mber of points per class
Info básica de los puntos de entrenamiento provistos
27 / 49

#
#



# get number of points per class
db.select \
sql="SELECT train_class,COUNT(cat) as count_class
FROM labeled_points
GROUP BY train_class"

Copiarse el vector al mapset obia_spot
27 / 49



db.select \
FROM labeled_points

# select segments that are below labeled points
v.select \
ainput=segs_stats \
binput=labeled_points \
output=train segments \
Cuántos puntos de cada clase tenemos?
27 / 49

db.select \
FROM labeled_points

v.select \
ainput=segs_stats \
output=train_segments \
operator=overlap

# get info of segments
v.info train_segments

# add column to train segments
Seleccionar segmentos sobre los cuales tenemos puntos de entrenamiento
27 / 49
FROM labeled_points

v.select \
ainput=segs_stats \
operator=overlap


v.db.addcolumn train_segments \
column="class int"

# assign label from points to segments
v distance from=train segments \
Cuántos segmentos contienen puntos de entrenamiento?
27 / 49
Selección de segmentos con puntos de entrenamiento
28 / 49
#!/bin/bash
#######################################################################
# Date: July, 2020
#######################################################################

#
#

# create mapset

29 / 49
g
Datos de entrenamiento p
v.select \
ainput=segs_stats \
operator=overlap


column="class int"

v.distance from=train_segments \
to=labeled_points \
upload=to_attr \
column=class \
Agregar columna al vector con los segmentos para luego transferir la clase
29 / 49


column="class int"

to=labeled_points \
upload=to_attr \
column=class \
to_column=train_class

# group training segments per class
db.select \
sql="SELECT class,COUNT(cat) as count_class
FROM train segments
Asignar la clase de los puntos a los segmentos
29 / 49
column class int

to=labeled_points \
upload=to_attr \
column=class \
to_column=train_class

db.select \
FROM train_segments
GROUP BY class"

#
# Classification with Machine Learning
#
Cuántos segmentos de cada clase tenemos?
29 / 49
Asignación de colores
interactivamente
Ir agregando valores
Seleccionar colores
Previsualizar
Guardar la paleta creada
como obia_urban para reusar
posteriormente
30 / 49
Selección y etiquetado de datos de
entrenamiento y validación
Ejecutar una clasi cación no supervisada con 10

clases
Extraer una x cantidad de puntos por clase
(r.sample.category)
Etiquetar los puntos manualmente
Usar puntos para transferir las etiquetas a los
segmentos como ya vimos
31 / 49
# Unsupervised classification
i.group group=spot_all \
input=SPOT_20180621_ASM,SPOT_20180621_IDM,SPOT_20180621_NDVI,SPOT_201
i.cluster group=spot_all signaturefile=sig classes=10
i.maxlik group=spot_all signaturefile=sig output=uns_clas

# install extension
g.extension r.sample.category

# get n points per class
r.sample.category input=uns_clas \
output=uns_clas_points \
npoints=150

# Manually label points

32 / 49
Clasi cación con Machine learning
#!/bin/bash
#######################################################################
# Date: July, 2020
#######################################################################

#
#

# create mapset

33 / 49

db.select \
FROM train_segments
GROUP BY class"

#
# Classification with Machine Learning
#

# install extension
g.extension v.class.mlR

# run classification
v.class.mlR -nf \
segments_map=segs_stats \
Instalar la extensión
33 / 49
g.extension v.class.mlR

# run classification
v.class.mlR -nf \
segments_map=segs_stats \
training_map=train_segments \
train_class_column=class \
output_class_column=class_rf \
classified_map=classification \
raster_segments_map=segs_obia_subset_rank1 \
classifier=rf \
folds=5 partitions=10 tunelength=10 \
weighting_modes=smv \
weighting_metric=accuracy \
output_model_file=model \
variable_importance_file=var_imp.txt \
accuracy_file=accuracy.csv \
classification_results=all_results.csv \
model_details=classifier_runs.txt \
Ejecutar la clasi cación
33 / 49
weighting_metric=accuracy \
output_model_file=model \
variable_importance_file=var_imp.txt \
accuracy_file=accuracy.csv \
classification_results=all_results.csv \
model_details=classifier_runs.txt \
r_script_file=Rscript_mlR.R \
processes=4

# set color table that we created interactively
r.colors \
map=classification_rf \
rules=obia_urban

#
# Validation using a new set of data
#
Establecer paleta de colores
33 / 49
Resultado de la clasi cación supervisada con Machine Learning basada en objetos
34 / 49

El proceso de clasi cación usualmente conlleva una serie
de iteraciones que implican selección de variables más
importantes, búsqueda de más/mejores datos de
entrenamiento y validación
35 / 49
Validación
Se usan datos independientes para validar las
clasi caciones
Se construye una matriz de confusión que permite
visualizar los errores por clase en los elementos que
están fuera de la diagonal
Se estiman varias medidas relacionadas a la
precisión, ej.: overall accuracy y kappa
36 / 49
Validación
Distintas opciones:
1 Generar un nuevo set de puntos y etiquetarlos
2 Separar el set de puntos etiquetados en train y test
de antemano
37 / 49
Validación en GRASS GIS
r.kappa
Necesita mapas raster como input
Transformar los segmentos de validación a
formato raster usando la columna class como
fuente de valores para los pixeles
38 / 49
 Tarea
Generar un set de validación de al menos 50 segmentos y

ejecutar r.kappa
39 / 49
#!/bin/bash
#######################################################################
# Date: July, 2020
#######################################################################

#
#

# create mapset

40 / 49

# set color table that we created interactively
r.colors \
map=classification_rf \
rules=obia_urban

#
#

# convert labeled test segments to raster
v.to.rast map=testing \
use=attr \
attribute_column=class \
output=testing

# create confusion matrix and estimate precision measures
Una vez creado el vector de segmentos con etiquetas testing, convertirlo a formato raster
40 / 49
#

# convert labeled test segments to raster
v.to.rast map=testing \
use=attr \
output=testing

# create confusion matrix and estimate precision measures
r.kappa \
classification=classification_rf \
reference=testing

#
# Alternatively...
#
Ejecutar r.kappa
40 / 49
Alternativamente, podemos separar el set de puntos
etiquetados en train y test
Vamos a 
41 / 49
#!/bin/bash

####################################################
# Commands for the OBIA exercise within IG MSc Cours
# Author: Veronica Andreo based on Grippa et al 2017
# Date: July, 2020
####################################################

#
#
42 / 49
output=testing

# create confusion matrix and estimate precision mea
r.kappa \
reference=testing

#
# Alternatively...
#
Cargar librerías
42 / 49
r.kappa \
reference=testing

#
# Alternatively...
#

## Open RStudio from within GRASS terminal ##

# load libraries
Leer el vector desde GRASS
42 / 49
# Alternatively...
#

## Open RStudio from within GRASS terminal ##

# load libraries
library(rgrass7)
library(dplyr)

# load vector from GRASS
use sf()
Crear set de validación
42 / 49
p

# load libraries
library(rgrass7)
library(dplyr)

use_sf()
v <- readVECT("labeled_points")

# test dataset
test <- v %>%
group by(train class) %>%
Separar set de entrenamiento
42 / 49
library(dplyr)

use_sf()
v <- readVECT("labeled_points")

# test dataset
test <- v %>%
group_by(train_class) %>%
sample_frac(.3)

table(test$train_class)
Escribir los vectores a GRASS nuevamente
42 / 49
 Tarea
Ejecutar nuevamente la clasi cación usando sólo el vector

train
43 / 49
#!/bin/bash
#######################################################################
# Date: July, 2020
#######################################################################

#
#

# create mapset

44 / 49
#
# Run classification with the train subset
#

# repeat steps described above within GRASS

#
# Validation
#

# add column to test point map
v.db.addcolumn map=test \
column="pred_class integer"

# query the classified map
v.what.rast map=test \
Agregar columna al vector test
44 / 49

#
# Validation
#

# add column to test point map

column=pred_class \
raster=classification_rf

#
# Confusion matrix and evaluation metrics in R
Obtener las clases predichas para los segmentos de validación
44 / 49
Validación en R
#!/bin/bash

#######################################################################
# Date: July, 2020
#######################################################################

#
#

# create mapset

i i $HOME/ i d /SPOT 20 8062 PANSHARP if \
45 / 49
Validación en R

column=pred_class \

#
#

# read the test vector
test_complete <- readVECT("test")

# confusion matrix and evaluation stats
library(caret)
Leer el vector test que tiene la clase predicha
45 / 49
Validación en R
p _ g

column=pred_class \

#
#

# read the test vector
test_complete <- readVECT("test")

# confusion matrix and evaluation stats
library(caret)
rf_CM <- confusionMatrix(as.factor(test_complete$pred_class),
as factor(test complete$train class))
Cargar la librería caret y obtener la matriz de confusión
45 / 49
 Tarea
Explorar el módulo v.kcv
Cómo se podría haber utilizado para separar los puntos
etiquetados en training y test?
Cuál es la diferencia entre dicho módulo y la separación
que realizamos en R?
Dar una mirada a v.divide.training_validation
46 / 49
47 / 49
Gracias por su atención!!
48 / 49
Próxima presentación:
Series de tiempo en GRASS GIS
Presentation powered by
49 / 49

04 Exercise Obia

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

04 Exercise Obia

Cargado por

Copyright:

Formatos disponibles

Procesamiento y análisis de

Dra. Verónica Andreo

Descargar los datos SPOT desde el aula virtual y

Importar bandas multi-espectrales

Mostrar composición RGB

 Si hubiera valores nulos, se deben rellenar antes de comenzar 

Valores nulos en una banda

 Si hubiera valores nulos, se deben rellenar antes de comenzar 

 Si hubiera valores nulos, se deben rellenar antes de comenzar 

Establecer paleta grey para bandas de textura

# create pan-vis from RGB (if no pan available)

Ejecutar una segmentación con umbral pequeño

Se animan a probar con otros valores y en otras regiones?

Dar una mirada a r.info y g.region

Instalar las extensiones

Convertir el "mejor" resultado a vector

Dar una mirada a v.info

Instalar las extensiones

Cuántos segmentos de cada clase tenemos?

Ejecutar una clasi cación no supervisada con 10

Ejecutar la clasi cación

Establecer paleta de colores

Generar un set de validación de al menos 50 segmentos y

Ejecutar nuevamente la clasi cación usando sólo el vector

Dar una mirada a v.divide.training_validation

También podría gustarte