Qué Es La Clasificación de Imágenes y para Qué Sirve

¿Qué es la clasificación de imágenes y para qué sirve?
Es una rama de la teledetección, existe diversas características de clasificación de imágenes

satelitales, las más importantes son la supervisada y no supervisada.
Es el proceso mediante el cual los píxeles de una imagen satelital multiespectral son etiquetados
según la categoría a la que pertenecen. A partir de esta imagen puede generarse una cartografía
temática y el inventario estadístico de la superficie involucrada en cada categoría (Chuvieco,
2008).
Clasificación manual
Método supervisado
Según Chuvieco (2008) “mediante la clasificación supervisada se consigue una cartografía e

inventario de las categorías de estudio. Las clasificaciones deben contar con las siguientes
características: puntual, reproducibles por otros que no sea sensible a pequeños cambios en las
condiciones de entrada, es decir que cubra todo el territorio de estudio” (p.389).
La clasificación supervisada requiere una combinación de estudios de campo, conocimiento previo

del terreno y tipos de cobertura, análisis de fotografías aéreas, mapas e informes técnicos
(Hernandez, 2019). En este método se necesita la colaboración constante del investigador que
realiza la clasificación de la imagen satelital, luego de definir el área de entrenamiento y de
conocer la naturaleza de la superficie terrestre (Olaya, 2014).
En las clasificaciones supervisadas, el interprete está en constante interacción con el sistema de

análisis de imágenes digitales; ya que maneja, manipula, gestiona y decide sobre la información de
la escena, que sirve de entrenamiento para el sistema; esta información es conocida por el
nombre de muestras de entrenamiento y deben ser representativas de las clases que deberán ser
mapeadas (Novo 1992). Según Lillesand et al. (2004), la clasificación supervisada se resume en tres
pasos básicos:
1. Fase de entrenamiento: Consiste en proporcionar al sistema un conjunto de píxeles

representativos de cada clase de uso del suelo, en la imagen a ser clasificada.
2. Fase de clasificación: Los píxeles seleccionados en esa fase, son categorizados dentro de una
clase de uso del suelo, de acuerdo con parámetros estadísticos.
3. Fase de presentación de los datos: En esta fase se cuantifica y resume la forma como serán
presentados los resultados de la clasificación.
Método no supervisado
Esta clasificación no demanda de la entrada de áreas de entrenamiento que indiquen al

ordenador, se identifica por el desconocimiento de las categorías, es por ello que los criterios de
clasificación se basan en técnicas de semejanza entre pixeles. Según Pascual D (2010) el método
de clasificación no supervisada es el “proceso que permite la diferenciación de pixeles en clases o
categorías de uso y cobertura de la tierra a través del algoritmo genérico de agrupamiento”
(p.148).
En el caso de las clasificaciones no supervisadas, el interprete tiene poco control sobre la

separación entre las clases, pues no tiene conocimiento previo de la escena de la imagen y
después de esto él no precisa preocuparse con la homogeneidad de las muestras (Novo 1992). La
clasificación no supervisada, es aquella que no utiliza datos de entrenamiento como base para la
clasificación, haciendo que los algoritmos examinen los píxeles desconocidos en la imagen,
asociándolos para determinadas clases, basándose en los agrupamientos naturales presentes en
los valores numéricos de la imagen. La premisa básica es que valores dentro de un determinado
tipo de cobertura deben estar próximos en un mismo espacio de medida, considerando que datos
en diferentes clases deben estar comparativamente bien separados (Lillesand et al. 2004).
MÉTODOS DE CLASIFICACIÓN BASADOS EN PÍXELES
En la clasificación píxel a píxel, el algoritmo clasificador procura asociar un determinado píxel de la

imagen a una de las clases contenidas en el paquete de entrenamiento, en ese sentido, se
considera al píxel como una entidad aislada e independiente de los píxeles que componen el resto
de la escena (Moreira 2005).
Se abordaran los siguientes algoritmos: • Máxima Probabilidad, algoritmo de clasificación

supervisada basada en píxeles. • Isodata, algoritmo de clasificación no supervisada basada en
píxeles.
ALGORITMO DE MÁXIMA PROBABILIDAD
Según Chuvieco (2007), en el interior de cada clase de uso y cobertura del suelo los niveles
digitales (ND) se ajustan a una distribución normal, esto permite describir esa clase por una
función de probabilidad, a partir de su vector de medias y matriz de varianza-covarianza. El cálculo
se realiza para todos los píxeles que intervienen en la clasificación, asignando un píxel a aquella
categoría que maximice la función de probabilidad.
Este algoritmo, es el más complejo y el que demanda mayor volumen de cálculo; sin embargo, es
el más empleado en teledetección, por su robustez y por ajustarse con más rigor a la disposición
original de los datos. Para comprender mejor su funcionamiento basta poner un sencillo ejemplo
ideado por Swain y Davis (1978).
Supóngase que se cuenta con un par de dados normales A y B (caras numeradas de 1 a 6) y otro
par aumentado A’ y B’ (numerados de 3 a 8).
En la Tabla II.15, se observan las posibles combinaciones de la suma de los dados normales y
aumentados.
Tabla II.15. Posibles combinaciones en los dados normales y aumentados.

EL ALGORITMO ISODATA
Según Ardizone (1998), ISODATA son las iniciales de las palabras: Iterative Self – Organizing Data
Analysis Technique (Técnica Iterativa Auto organizada de Análisis de Datos). Está técnica es
iterativa porque, como se verá consiste en la repetición de un mismo proceso varias veces y auto
organizada, porque requiere la mínima intervención por parte del usuario en la formación de
agrupaciones o conglomerados (grupos de píxeles que poseen comportamientos espectrales
semejantes y por tanto deberían definir clases temáticas de interés). A continuación se describe la
técnica en su esencia: Se define una medida de distancia entre dos píxeles X e Y en el espacio
espectral. Aunque pueden emplearse varios tipos de distancia, generalmente se utiliza la distancia
euclidiana. Definida en la siguiente ecuación.
Habiéndose elegido un determinado número de clases (c) en dicho espacio:
1. Se selecciona c puntos en el espacio espectral. mi (i=1,2,3,…..,c) Los cuales sirven como

candidatos a centros de cada clase (puntos de arranque)
2. Se localiza el píxel X que desee clasificarse y se asigna al centro más próximo.
3. Como resultado de la agrupación producida en el paso 2, surgen nuevos centros de clases m´i (i
= 1, 2, 3,….., c).
4. Si mi = m´i para todo i, se termina el proceso. De otra manera, se regresa al paso 2 usando como
centro de las clases de los vectores mi.
El proceso continúa hasta que se alcance un número máximo de iteraciones o hasta que se cumpla
una condición adicional que varía según el programa utilizado. En ocasiones, la condición exige
que la suma de los cuadrados de las desviaciones a la media de cada agrupamiento (SSE), sea
menor que un valor dado, (ver la Ec.II.22.).
Otra forma de establecer la condición adicional, consiste en fijar el porcentaje máximo de píxeles
cuya asignación no ha cambiado desde la iteración anterior. Si se superara este valor antes de
alcanzarse el número máximo de iteraciones, el proceso finaliza. Durante la ejecución del mismo,
pueden desaparecer clases que posean muy pocos píxeles o unirse otras cuyos centros estén muy
próximos. En la Figura II.28, se puede observar el algoritmo explicado gráficamente.
MÉTODOS DE CLASIFICACIÓN BASADOS EN OBJETOS
Los métodos de clasificación, basados en objetos utilizan como criterio de decisión el nivel digital
de cada píxel y su relación espacial con sus píxeles vecinos dentro de la imagen; estos
clasificadores procuran simular el comportamiento de un fotointérprete, para reconocer áreas
homogéneas en la imagen (Moreira 2005); esta clasificación es dividida en las siguientes fases: • La
segmentación de imágenes y extracción de regiones. • Aplicación de algoritmos: Dentro de esto se
abordaran los siguientes: Bhattacharya, algoritmo de clasificación supervisada orientado a objetos
e Isoseg, algoritmo de clasificación no supervisada orientado a objetos.
EL ALGORITMO DE BHATTACHARYA
La medida de la distancia de Bhattacharya es usada en el clasificador por regiones, para medir la

separabilidad estadística entre un par de clases espectrales, o sea, mide la distancia media entre
las distribuciones de probabilidades de clases espectrales (INPE 2004). El clasificador de
Bhattacharya es un algoritmo de clasificación supervisada, que requiere la selección de áreas de
entrenamiento, pudiendo utilizar las regiones separadas durante el proceso de segmentación o
polígonos representativos de las regiones a ser clasificadas. Este utiliza las muestras de
entrenamiento para estimar la función densidad de probabilidad de las clases apuntadas en el
entrenamiento; en seguida evalúa en cada región, la distancia de Bhattacharya entre las clases,
conforme a la [Ec. II.25] (Moreira 2005).
A continuación se da un ejemplo para entender cómo funciona esta distancia. En la siguiente

figura, se puede observar la explicación gráfica de la Distancia de Bhattacharya.
En la Figura II.33, se puede observar un ejemplo de 3 clases, Bosque, Nubes y una clase
desconocida, que se desea averiguar a cual unir; con sus 3 bandas y sus respectivos Niveles
Digitales.

Qué Es La Clasificación de Imágenes y para Qué Sirve

Cargado por

Copyright:

Formatos disponibles

Qué Es La Clasificación de Imágenes y para Qué Sirve

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

Qué Es La Clasificación de Imágenes y para Qué Sirve

Cargado por

Copyright:

Formatos disponibles

¿Qué es la clasificación de imágenes y para qué sirve?

Es una rama de la teledetección, existe diversas características de clasificación de imágenes

Según Chuvieco (2008) “mediante la clasificación supervisada se consigue una cartografía e

La clasificación supervisada requiere una combinación de estudios de campo, conocimiento previo

En las clasificaciones supervisadas, el interprete está en constante interacción con el sistema de

1. Fase de entrenamiento: Consiste en proporcionar al sistema un conjunto de píxeles

Esta clasificación no demanda de la entrada de áreas de entrenamiento que indiquen al

En el caso de las clasificaciones no supervisadas, el interprete tiene poco control sobre la

MÉTODOS DE CLASIFICACIÓN BASADOS EN PÍXELES

En la clasificación píxel a píxel, el algoritmo clasificador procura asociar un determinado píxel de la

Se abordaran los siguientes algoritmos: • Máxima Probabilidad, algoritmo de clasificación

ALGORITMO DE MÁXIMA PROBABILIDAD

Tabla II.15. Posibles combinaciones en los dados normales y aumentados.

Habiéndose elegido un determinado número de clases (c) en dicho espacio:

1. Se selecciona c puntos en el espacio espectral. mi (i=1,2,3,…..,c) Los cuales sirven como

2. Se localiza el píxel X que desee clasificarse y se asigna al centro más próximo.

La medida de la distancia de Bhattacharya es usada en el clasificador por regiones, para medir la

A continuación se da un ejemplo para entender cómo funciona esta distancia. En la siguiente

También podría gustarte

Pfad - The Proxy pFad of © 2024 Garber Painting. All rights reserved.