Instituto Superior
Particular
CLASIFICACIÓN O
SEGMENTACIÓN
Autor:
Ing. Salomé G. Chacón Arcaya
Arequipa, Noviembre de 2008
1. Clasificación de una imagen
OBJETIVO:
Obtener una nueva imagen en la que cada
pixel quede definido por un ND (Diferencia
Normalizada) que es el identificador de la
clase a la clase a la que pertenece.
Definir las categorías o clases que pretenden
discriminarse.
Se trata de obtener el ND ( o, normalmente, el
rango de NDs) que identifiquen a cada
categoría.
2.1 Clasificación Supervisada
El operador delimita una muestra de celdas, a
partir de la cual el sistema extraerá los
parámetros de la clase que ocupa esas áreas.
Parte del conocimiento previo del terreno.
Se identifican sobre el mismo las muestras de
cada
clase.
1. Clasificación de una imagen
Conduce a mejorar la interpretación de
una imagen, mediante la clasificación
de cada pixel, de forma que sea
discriminable de otros, mediante su
asignación a una clase determinada.
2. Tipos de Clasificación
CLASIFICACIÓN SUPERVISADA:
Dicha clasificación emplea métodos
paramétricos o estadísticos.
Los cuales están basados en la
suposición de que la distribución de
frecuencias para cada clase es
gaussiana.
Utilizan para la asignación parámetros
estadístico
2.1 Clasificación Supervisada
Definición de las clases en que se quiere
segmentar la imagen: Definir la “leyenda”.
Elección de píxeles prototipo (training data o
fields) de cada una de las clases. Misión:
“Entrenar” al clasificador en el
reconocimiento de clases.
•Se necesitarán datos complementarios de
campo
•Se suele hacer directamente sobre el
ordenador
•Normas a cumplir (homogeneidad, no
1
 2.1 Clasificación Supervisada 2.1 Clasificación Supervisada
Método tradicional: Cálculo de estadísticas
elementales en cada clase.
Comprobación de que las clases están bien
elegidas
•Análisis de solapamiento

2.1 Clasificación Supervisada

Análisis de solapamiento
• Comprueba si las clases elegidas son
“adecuadamente” diferentes entre sí.
• Ayuda a elegir las bandas más adecuadas para
la clasificación.
• Método Gráfico:
¾ Representación del valor medio de los ND de
los pixeles asignados a cada clase, para cada
banda.
¾ Representación del valor medio mas/menos la
• Método estadísticos.
dispersión típica, para cada clase y banda.

2
 2. Tipos de Clasificación
CLASIFICACIÓN NO SUPERVISADA:
Dicha clasificación emplea métodos no
paramétricos.
Clasifican aprendiendo directamente de
los datos de entrenamiento.
Al no pedirse ninguna condición a la
distribución de frecuencias, permiten
añadir datos no teledetectados, como
DTM, etc.
2.2 Clasificación No Supervisada
Se trata de un algoritmo de clasificación para
agrupar pixeles con características
espectrales parecidas.
No implica conocimiento del área de estudio.
La intervención humana se centra en la
interpretación, no en la clasificación. Es
decir, la identificación de las clases por el
analista es posterior a la clasificación
realizada por el ordenador.
2.2 Clasificación No Supervisada
•Se calcula el valor medio de todos los
puntos de cada clase incluido el centro. Sean
estos nuevos puntos 1b,2b.
•Se vuelve al paso 2 y se reasignan los
puntos en las clases.
•Este proceso se repite, recalculando el
centro y clasificando hasta que no se varíe la
posición de los centros o los puntos
asignados a cada clase.
2.2 Clasificación No Supervisada
El sistema, a partir de unas instrucciones
mínimas, busca agrupamientos naturales de
valores en el espacio de características.
No se conoce el terreno.
Se eligen sobre la imagen grupos
homogéneos que son posteriormente
identificados por el usuario con las clases de
interés.
2.2 Clasificación No Supervisada
Utiliza una clasificación interactiva hasta que
se alcanza el resultado deseado:
•Se eligen arbitrariamente los centros de las
clases en el espacio formado por las N
bandas a clasificar. Sean p. ej. 1a, 2a (en caso
de
•SeN=2).
calcula la distancia euclidiana entre todos
los puntos de la imagen y los centros
elegidos. Se asignan a la clase (cluster) a
cuyo centro estén más cercanos.
3
 3. Fases del proceso de
4. Fase de asignación
Clasificación
Fase de entrenamiento: Definición digital de Objetivo: Adjudicar a cada pixel de la imagen
las a una
categorías. Se recogen una serie de de las clases previamente seleccionadas.
características • La asignación se hace en función del ND
de las clases a establecer para que el para cada banda que interviene en el proceso.
clasificador •El resultado es una nueva imagen cuyo ND
Fase de asignación:
las utilice Distribución
posteriormente de los
para hacer la indique a qué clase pertenece el pixel.
pixeles de la imagen en las categorías
clasificación
elegidas. Se asigna
de todos los pixeles.a
cada categoría unas determinadas
superficies, en
Fase de de
función verificación.
la semejanza con el patrón
definido.

5. Fase de verificación
Tipos de errores en la asignación:
•Omisión: Aún perteneciendo a una clase
determinada el pixel no ha sido asignado a
ella
•Comisión: El pixel es asignado a una
determinada clase no perteneciendo a ella.

4
 5. Fase de verificación 5. Fase de verificación
La medida de la fiabilidad de una clasificación Métodos de muestreo para verificación de
se hace: resultados:
•Mediante la comparación del resultado con •Aleatorio simple
otras fuentes (mapas de usos del suelo, etc.). •Aleatorio estratificado
•Mediante la verificación sobre una muestra •Sistemático
elegida elegida de pixeles de la imagen. •Sistemático no alineado
•El éxito de la fase depende de cómo se elija •Por conglomerados
la muestra.

Métodos de muestreo para verificación de

resultados: 5. Fase de verificación
Una vez elegido el método y tamaño de la
muestra y localizados los puntos, se compara
la clase real a la que pertenecen (fotografía
aérea, estudios de campo) con la que tienen
en la clasificación (ND asignado en la
clasificación).