CURSO

Grupo

Fundamentos de Procesamiento Digital de Imgenes

PR
Grupo

Percepcin Remota y Aplicaciones Geogrficas

PR

Percepcin Remota y Aplicaciones Geogrficas

Clasificacin digital de imgenes, edicin y presentacin de resultados

UNIDAD 4

Clasificacin supervisada de imgenes

Tema 1

CIAF CIAF

BOGOT

, D. C.

Centro de Investigacin y Centro de Investigacin y Desarrolloen enInformacin Informacin Geogrfic a Desarrollo Geogrfica

Clasificacin supervisada de imgenes

1. En qu consiste la clasificacin digital supervisada?
La clasificacin supervisada requiere de cierto conocimiento previo del terreno y de los tipos de coberturas presentes en el rea de estudio, para lo que se realiza, en el mejor de los casos, una combinacin de trabajo de campo, de anlisis de fotografas areas, mapas e informes tcnicos, as como referencias profesionales y locales. Con base de este conocimiento se definen y se delimitan sobre la imagen las reas de entrenamiento o reas piloto. Las caractersticas espectrales de tales reas son utilizadas a fin de entrenar un algoritmo de clasificacin, el cual calcula los parmetros estadsticos de cada banda para cada sitio piloto y de esta forma proceder a evaluar cada ND de la imagen, compararlo y asignarlo a una respectiva clase (ver Figura 1). As entonces, la clasificacin supervisada intenta definir las clases temticas que no tengan claro significado espectral, razn por la que es considerada un mtodo artificial (Posada, 2008).

Figura 1: Esquema de Clasificacin digital supervisada

Fuente: Olaya, 2007

2. Cul es la metodologa para implementar una clasificacin digital supervisada?

El proceso se puede resumir en las siguientes etapas: anlisis visual y estadstico de la imagen y de sus bandas, elaboracin de la leyenda del mapa, seleccin y delimitacin de reas pilotos, generacin y evaluacin tanto de sus estadsticas como de sus reajustes, eleccin y aplicacin del algoritmo de clasificacin, reajustes y nueva clasificacin, y finalmente, la evaluacin de los resultados y su presentacin (Posada, 2008).

Instituto Geogrfico Agustn Codazzi.Todos los derechos comerciales reservados. Prohibida su reproduccin para fines no acadmicos o de investigacin.

2.1 Anlisis estadstico y visual de las bandas

La etapa inicial consiste en realizar una valoracin cualitativa y cuantitativa de la calidad de la imagen de modo multibanda (varias bandas), de su contraste y del comportamiento espectral de distintas cuberturas dentro las bandas espectrales; all se evala la separabilidad espectral de las bandas en relacin con las coberturas. Al final, se obtiene la primera apreciacin sobre el nmero de posibles clases temticas a discriminar, las bandas a utilizar, y los posibles procesos adicionales para derivar nuevas imgenes que podran ser tiles en la fase de clasificacin (Posada, 2008). Algunas de las ayudas mtricas o datos grficos tiles para el anlisis de las bandas son las estadsticas multibanda, la correlacin, la varianza y la covarianza, as como los grficos de dispersin entre bandas, etc. Igualmente, se seleccionan y se recortan las ventanas de trabajo ya que es ms eficiente realizar el procesamiento preliminar sobre las ventanas experimentales representativas y al final los procesos ptimos se extrapolan sobre la totalidad de la escena (Posada, 2008). En general, el anlisis se orienta a definir las cules bandas de una imagen multiespectral se utilizarn en el proceso de clasificacin. La idea se basa en elegir las bandas en las que se presente mayor contraste espectral entre las coberturas objeto del estudio. Intuitivamente, pareciera que cuando se utiliza un mayor nmero de bandas en un clasificador, el resultado de la clasificacin es mejor (Posada, 2008). En general, hay un nmero ptimo relativamente pequeo de bandas que se utilizan, pues al aumentarse el nmero de bandas, aumenta el tiempo computacional requerido dada la gran cantidad de clculos involucrados y tambin porque el contenido de la informacin puede estar contaminado por informacin insignificante en otras bandas. Este problema es particularmente crtico cuando se utiliza un nmero grande de bandas espectrales correlacionadas (Posada, 2008). En algunos casos se ha encontrado que la exactitud del clasificador comienza a decaer cuando se utilizan ms de cuatro o cinco bandas espectrales, de ah que sea beneficioso considerar un subconjunto de las bandas ms representativas. La decisin sobre cul de las bandas se debe utilizar se basa en un proceso llamado seleccin de rasgos o caractersticas. En este proceso se evalan muchos subconjuntos de bandas para as determinar qu combinacin es ms til para discriminar las categoras de intereses y el anlisis de la clasificacin se limitar a ese conjunto de bandas (Salvatierra, 2000 y citado por Posada, 2008).

2.2 Elaboracin de la leyenda.

Tomando en cuenta los objetivos del proyecto, el nivel de detalle requerido, la escala de trabajo y el tipo de imagen a utilizar, se revisan distintas sistemas de clasificacin y se establece una leyenda especfica (Posada, 2008).

2.3 Seleccin y delimitacin de las reas de entrenamiento

Es la fase ms importante del proceso. Requiere previo conocimiento de las caractersticas del rea, as como de las categoras que se pretende discriminar. Con base en las experiencias locales y profesionales, el trabajo de campo, uso de fotografas areas y otra informacin secundaria, se definen y se delimitan las reas de entrenamiento o reas piloto representativas de cada una de las categoras de inters (P osada, 2008). Esta actividad se basa en los criterios pictrico-morfolgicos de la imagen, tales como: tono o color, textura, tamao, forma, sitio, etc. (ver Figura 2). La seleccin errnea de muestras conducir a resultados errneos. A partir de estas muestras el algoritmo clasificador calcula los ND que definen cada una de las clases y asigna el resto de los pxeles de la imagen a una de esas categoras.

Instituto Geogrfico Agustn Codazzi.Todos los derechos comerciales reservados. Prohibida su reproduccin para fines no acadmicos o de investigacin.

Figura 2: Seleccin y estadsticas de las reas de entrenamiento

Fuente: elaboracin propia

La delimitacin se realiza mediante un cursor sobre la pantalla del computador. Se recomienda seleccionar varias muestras por categora fin de reflejar adecuadamente la variabilidad de la zona de estudio. Es importante contar con los datos de campo prximos a la fecha de adquisicin de la imagen para garantizar la consistencia entre la realidad y la imagen. Se recomienda evitar la delimitacin de muestras en los sitios de transicin entre las dos clases, ya que stas presentarn confusin espectral. Las reas no deben ser muy homogneas, obviando la variacin real de las coberturas temticas. El tamao de la muestra, en teora, puede ser de nueve pxeles. El nmero de pxeles recomendable es de 200 como mnimo, distribuidos sobre toda la imagen en varios campos pequeos y no en una muestra grande, para no subestimar la variabilidad de esa categora. Deben tenerse en cuenta las caractersticas propias de la imagen intentando abarcar las variaciones que se presentan para cada clase, su orientacin, pendiente, densidad, vigor, contenido de humedad y tipo del suelo (Posada, 2008).

Instituto Geogrfico Agustn Codazzi.Todos los derechos comerciales reservados. Prohibida su reproduccin para fines no acadmicos o de investigacin.

Otra alternativa es sealar los pxeles puros y a partir de stos crear regiones de manera automtica, lo que garantiza las areas de entrenamiento suficientemente homogneas, evitando incluir pxeles fronterizas a dos clases. Este mtodo se recomienda para reas urbanas y cuerpos de agua (Posada, 2008).

2.4 Evaluacin estadstica de las reas de entrenamiento

Las estadsticas evalan el grado de representatividad de las reas pilotos y dan una idea de la separabilidad espectral de las clases temticas, lo que al final garantiza una buena clasificacin. Existen mtodos grficos y numricos para evaluar las estadsticas. Un ejemplo de estadsticas bsicas se presenta en la Figura 2. Los ms utilizados son los diagramas de signaturas espectrales y los diagramas de dispersin espectral. Estos diagramas se basan en el anlisis de las medias aritmticas y desviaciones estndar, la primera indica el comportamiento espectral medio de los ND, mientras que la segunda indica el grado de heterogeneidad de la muestra. En un diagrama espectral se plasman las bandas que intervienen en una clasificacin en el eje X y las medias de ND de cada clase; con este grfico se evalan las tendencias espectrales de cada clase, resaltndose el compartimiento de las bandas espectrales en relacin con sus vecinas. Las lneas paralelas y cercanas indican una posible confusin espectral y las intersecciones entre las lneas, la buena separabilidad entre stas (Posada, 2008). Otra forma de representacin de los datos de un rea de entrenamiento es el grfico de dispersin espectral, en el que se plasman la media y la desviacin estndar por clase temtica y por banda (ver Figura 3). Este grfico es un diagrama de barras que recoge en el eje X el rango digital correspondiente a la media y +/-, una o dos desviaciones estndar y en el eje Y los ND. As, se visualiza de manera ms integrada la situacin de cada muestra en cuanto a la separabilidad por banda.

Figura 3: Grficas de dispersin de reas de entrenamiento en las bandas TM3, TM4 y TM5

Fuente: elaboracin propia

Se puede observar que algunas clases se diferencian en cuanto a su media, pero al final no se garantiza la separabilidad debido al traslape entre sus desviaciones estndar (Posada, 2008). Dentro los mtodos numricos de evaluacin estadstica se encuentran los criterios de divergencia trasformada y la distancia de Bhattacharya, los cuales calculan con base en medias, varianzas y matrices de varianza-covarianza, adems del grado de separabilidad entre las categoras. El mayor valor del criterio indica mayor separabilidad ente stas. En el caso de la divergen-

Instituto Geogrfico Agustn Codazzi.Todos los derechos comerciales reservados. Prohibida su reproduccin para fines no acadmicos o de investigacin.

cia transformada, la mxima separabilidad entre las bandas de una imagen se da cuando el valor es de 2000, en el caso del segundo criterio el valor es de 1414 (Posada, 2008). Al finalizar el anlisis se llega a la conclusin de si las muestras delimitadas son similares estadsticamente, lo que conllevara a una confusin entre ellas. Si por el contrario las estadsticas resultan ser diferentes, se indicara un alto grado de separabilidad. En el primer caso se toman decisiones sobre la necesidad de reajustar las parcelas de entrenamiento o de reajustar y generalizar la leyenda, de la complementacin de la informacin, del uso de las imgenes de otras fechas, de otras bandas o de reajustar el mtodo planteado para conseguir los resultados. Una vez se solucionan estas interrogantes se procede a seleccionar algoritmos de clasificacin y a la clasificacin propiamente dicha (Posada, 2008).

2.5 Eleccin y aplicacin del algoritmo de clasificacin

Con base en las reas de entrenamiento delimitadas con anterioridad se puede iniciar el proceso de clasificacin, que es automtico. El proceso consiste en la agrupacin de todos los pxeles de cada banda espectral en una de las clases predeterminadas en la etapa anterior. El resultado ser una nueva imagen en la que los ND estn categorizados en clases temticas y sta se considerar como un mapa digital de formato rster. No obstante, antes de correr la clasificacin se requiere elegir el criterio o algoritmo de asignacin. Los ms comunes son de mnima distancia, de paraleleppedos y de la mxima probabilidad o verosimilitud (Posada, 2008).

2.6 Algoritmo de mnima distancia

Es el ms sencillo de este tipo, agrupa los pxeles a una u otra clase, a partir de las distancias mnimas espectrales, calculadas a partir de los valores de ND de cada pxel en relacin con la media muestral. En la Figura 4 se expone el concepto de este algoritmo.
Figura 4: Principio del algoritmo de mnima distancia

Fuente: Kerle et al., 2004

Instituto Geogrfico Agustn Codazzi.Todos los derechos comerciales reservados. Prohibida su reproduccin para fines no acadmicos o de investigacin.

La imagen clasificada con este algoritmo no tendr pxeles sin clasificar, lo que puede conllevar a errores de comisin si las reas piloto no son muy bien determinadas. No toma en cuenta la dispersin de los ND alrededor de su media ni la correlacin existen entre las bandas. Se recomienda para imgenes con paisajes sencillos y homogneos (Posada, 2008).

2.7 Algoritmo de Paraleleppedos

Utilizando este algoritmo, los pxeles de las bandas espectrales se agrupan a una u otra clase con base en un rango determinado a partir de las medias muestrales y el rango de dispersin definido por la desviacin estndar de cada banda. La forma de asignacin es de paraleleppedos multidimensionales (Posada, 2008) (ver Figura 5).
Figura 5: Principio del algoritmo de paraleleppedos

Fuente: Kerle et al., 2004

El algoritmo de paraleleppedo tiene una inconveniencia debido a que se pueden presentar situaciones de difcil decisin, igualmente es posible que se presenten pxeles incluidos en los dominios de dos clases temticas y otros pueden quedarse fuera del rango, generndose as las reas sin clasificar (Posada, 2008).

2.8 Algoritmo de mxima probabilidad

La agrupacin de pxeles se realiza a partir de la funcin de probabilidad. Es un algoritmo ms complejo pero mucho ms utilizado, ya que garantiza mejores resultados en comparacin con los dos anteriores. El proceso consiste en la estimacin de la probabilidad de pertenencia de cada pxel a cada clase temtica a partir de la media, la desviacin estndar y las matrices de varianza-covarianza de las muestras, as como para todas las bandas que intervienen en la clasificacin. El pxel se asigna a una clase especfica si su probabilidad es mayor que las probabilidades de las otras categoras. Los lmites de las clases temticas se representan en forma de elipses, encargados de definir el nivel de probabilidad de cada rea (ver Figura 6). Al mayor traslape entre ellas, mayor riesgo de confusin espectral (Posada, 2008).

Instituto Geogrfico Agustn Codazzi.Todos los derechos comerciales reservados. Prohibida su reproduccin para fines no acadmicos o de investigacin.

Figura 6: Principio del algoritmo de mxima probabilidad

Fuente: Kerle et al., 2004

Instituto Geogrfico Agustn Codazzi.Todos los derechos comerciales reservados. Prohibida su reproduccin para fines no acadmicos o de investigacin.