2021-I Taller 6

Post procesamiento de la
clasificación de imágenes obtenida

Valeria Madariaga Cuello

CURSO SENSORES REMOTOS
 Introducción.
La clasificación de imágenes satelitales puede dar lugar a una serie de errores que pueden ser
corregidos luego de la clasificación y esto se puede hacer por medio de distintas herramientas y
además se puede evaluar qué tan acertada fue la clasificación hecha.

Objetivo.
Post-procesar y evaluar cuantitativamente los resultados obtenidos de la clasificación de imágenes
utilizando el Coeficiente de Kappa de Cohen.

Metodología.
Para la realización de este taller se debió como mi primer paso, realizar un sondeo alrededor de
las distintas clasificaciones obtenidas en el taller anterior (taller 5) para escoger aquella con la que
se observó un mejor resultado, siendo esa la clasificación supervisada correspondiente al
algoritmo “Máxima probabilidad”.

Post procesamiento con QGIS.

Para realizar el post procesamiento de la clasificación realizada en el taller anterior, se cargó el

archivo correspondiente:

En esta imagen se pueden

apreciar algunos errores
derivados de la clasificación
que se le realizó a la imagen
satelital como por ejemplo
falta de diferenciación entre
lo que es río de lo que es
centro poblado, de lo que es
centro poblado y lo que es
nube e incluso bosque y río.

Ilustración 1 Clasificación de la imagen satelital sin post procesar

También se debe cargar la

imagen sin clasificar para poder realizar las correcciones de una manera más acertada.
 Como siguiente paso, se hizo uso del SCP → Post-processing → Edit raster:

Aquí se seleccionó la imagen

clasificada que se quería
modificar o editar, se eligió
la opción “editar valores
usando polígono ROI” la cual
permite cambiar la
clasificación que tiene la
imagen para un polígono
que se dibuje por el valor (o
categoría) que se elija que
en este caso se definió como
constante para cada
polígono que se vaya a
dibujar.
Ilustración 2 Parámetros de la herramienta Edit raster

Aquí se puede notar

una zona a corregir,
donde se deben
cambiar zonas que no
son río por la
clasificación que
realmente les
corresponde.

Ilustración 3 Errores en la clasificación

Aquí se puede observar la misma zona de la

imagen luego de realizar la corrección por medio
de la edición del ráster.

Se puede ver un cambio bastante notorio ya que

luego de la corrección se pudieron eliminar la
mayoría de las zonas que fueron erróneamente
clasificadas como río.

Ilustración 4 Imagen clasificada post procesada

 Otra herramienta de corrección que se encuentra en el SCP → Post processing es “Filtrado de la
clasificación”:

En los parámetros se
puede elegir el tamaño
del umbral que
corresponde al tamaño
máximo del grupo de
pixeles que se van a
reemplazar o reclasificar
según la clasificación
circundante al grupo y
con conexión de pixeles
se puede elegir si los
pixeles diagonales se
toman o no como parte
del grupo.

Ilustración 5 Parámetros de la herramienta filtrado de la clasificación

Se observa que se eliminan o

reclasifican pequeños grupos
de pixeles según la
clasificación del grupo de
pixeles más cercano.

Ilustración 6 Contraste de imagen sin corregir y corregida por filtrado de la clasificación

 Otra herramienta del SCP → Pot processing es “classification erotion”:

Para esta herramienta se realza

una especie de erosión o
eliminación de pixeles ubicados
en los bordes de un grupo
clasificado en una clase
determinada, para este caso la
clase 1 (Río) entonces se define
la clase que se va a erosionar y se
puede elegir de que tamaño de
pixeles será ese borde y de nuevo
si se toman conexiones
diagonales o no.

Ilustración 7 Parámetros de la herramienta clasification erotion

Se observa que se
eliminaron los grupos de
pixeles clasificados como
río y se reclasificó según
la clase circundante, esto
no es muy útil para
aplicarse a toda la
imagen ya que se
observa en la parte
inferior que ya no se
observa el río real.

Ilustración 8 Contraste zona sin post procesamiento y zona post procesada con classification erotion
 Otra herramienta análoga y contraria a la anterior es “classification dilation”:

Esta funciona como la anterior

solo que, en vez de eliminar
pixeles de una clase en el borde
de un grupo de ellos, aumenta
dicho borde según el tamaño
indicado de pixeles del borde y
según si se conectan diagonales
o no, para este ejercicio de
eligió la clase 6 (centros
poblados).

Ilustración 9 Parámetros de la herramienta classification dilation

Observamos que se aumenta

la cantidad de pixeles que
corresponden a centro
poblado alrededor de los
grupos de pixeles que se
habían clasificado como tal.
Como en la herramienta
anterior, no se considera que
sea una buena corrección si
se aplica a toda la imagen ya
que funciona bien para zonas
específicas y para otras no. Ilustración 10 Contraste imagen sin post procesar y post procesada con classification erotion
 Evaluación de la precisión de la clasificación con QGIS.

Para este ítem se debió cargar la imagen clasificada y elaborar una capa que contenga las clases
correspondientes a la imagen. Se hizo uso del SCP → Post Processing → Accuracy:

En esta herramienta se evalúa la

precisión de la clasificación
mediante el resultado de esta y
la referencia o capa que se
entrenó eligiendo un campo que
para este ejercicio se tomó
como C_ID.

Ilustración 11 Parámetros de la herramienta Accuracy

Luego de ejecutar la herramienta, se obtuvo un archivo CSV en el cual se pudo establecer que:

Ilustración 12 Resultado de la herramienta Accuracy

La herramienta Cross classification no pudo ser ejecutada correctamente debió a un error

persistente

Ilustración 13 Error de python

Como último paso se evaluó para las clasificaciones del taller 5, por medio de “Accuracy”
obteniendo:

Ilustración 14 Evaluación de la precisión Clustering

Ilustración 15 Evaluación de precisión Clustering PCA

Ilustración 16 Evaluación de precisión Supervisada PCA

Conclusión.
Luego de realizar los distintos ejercicios de evaluar la clasificación de las imágenes, se puede
concluir que:

➔ La clasificación realizada en general fue mala ya que la precisión no supera el 50% para
ninguna de ellas.
➔ La clasificación evaluada con mayor precisión fue la hecha a partir de las bandas originales
de la imagen Landsad 8 supervisada por algoritmo de máxima probabilidad.
➔ Las correcciones que se pueden realizar a través de QGIS son muy útiles, pero algunas
funcionan mejor para cierto tipo de imágenes que para otras.
➔ Para la zona de estudio, el mejor método de corrección fue el que permitía editar el ráster
por polígonos.