Clasificación de Imágenes Raster en Arcgis

CLASIFICACIÓN DE
IMÁGENES RASTER
EN ARCGIS
NOMBRES:
CANELAS MORENO JULIO CESAR
QUINTANA S. DENNIS R-
ROCHA LIMA JOSE
SEJAS GONZALES ALEX CESAR
INTRODUCCIÓN
• La clasificación de imagen hace
referencia a la tarea de extraer clases
de información de una imagen ráster.
El ráster resultante de la clasificación
de imagen se puede utilizar para crear
mapas temáticos. Dependiendo de la
interacción entre el analista y el equipo
durante la clasificación, existen dos
tipos de clasificación: supervisada y no
supervisada.
Clasificación supervisada
• La clasificación supervisada utiliza firmas espectrales
obtenidas de las muestras de capacitación para
clasificar una imagen. Con la ayuda de la barra de
herramientas Clasificación de imagen, puede crear
fácilmente muestras de capacitación para representar
las clases que desea extraer. También puede crear con
facilidad un archivo de firma a partir de las muestras de
capacitación que, a continuación, las herramientas de
clasificación multivariante utilizarán para clasificar la
imagen
Clasificación no supervisada
La clasificación sin supervisión busca clases espectrales (o clústeres)
en una imagen multibanda sin la intervención del analista. La barra de
herramientas Clasificación de imagen ayuda a realizar la clasificación
sin supervisión proporcionando acceso a las herramientas para crear
clústeres, capacidad para analizar la calidad de los clústeres y acceso a
las herramientas de clasificación
PROCESOS DE CLASIFICACIÓN
• Clasificación no
supervisada Para la
clasificación en
diversos grupos, se
ha utilizado la
herramienta: Spatial
Analyst Tools →
Multivariate → Iso
Cluster Unsupervised
Classification del
“ArcToolbox”.
CREACIÓN DE MAPAS
TEMÁTICOS
Para crear los mapas temáticos, se ha utilizado la opción “Layout View”, en
el cual, primeramente se configura la página de impresión de acuerdo a la
escala espacial, luego podemos insertar el norte magnético, escala gráfica,
la leyenda, las coordenadas “grid”, y demás detalles como los textos.
CLASIFICACION NO
SUPERVISADA
Clasificación no supervisada. Como ya hemos mencionado,
el método no supervisado crea agrupamientos espectrales o
clusters y el analista debe intentar asociar una clase
temática a cada uno de dichos grupos. Se han propuesto
numerosos algoritmos para crear estos clusters. Como
ejemplo nosotros nos referiremos al conocido como
ISODATA (Iterative Self-Organizing Data Analysis Technique).
Este método crea agrupamientos espectrales o clusters y el analista debe intentar asociar una clase
temática a cada uno de dichos grupos. Se han propuesto numerosos algoritmos para crear estos
clusters. Como ejemplo nosotros nos referiremos al conocido como ISODATA (Iterative
SelfOrganizing Data Analysis Technique), que se trata de un método iterativo que requiere
relativamente poca intervención humana, siendo usual que el analista deba especificar:  Número
máximo de clusters que el algoritmo debe identificar (p.ej 10, 20 o más según el caso)  Máximo
porcentaje de pixeles cuyos valores se permite permanezcan incambiados entre iteraciones. Cuando
se alcanza dicho número el algoritmo se detiene.
La forma de la nube de puntos responde a la ya mencionada baja correlación entre dichas bandas. Para definir
la región en el espacio de dispersión utilizaremos la media, µk yla desviación standard sk de las bandas
consideradas. Consideremos un caso hipotético de 5 vectores. Los 5 vectores se distribuirán desde la ubicación
µ3-s3, µ4-s4 hasta µ3+ s3, µ4+ s4 y constituyen los centros de los clusters iniciales. Se crea así el
paralelepípedo de la Fig. 77(a) que no cubre completamente la nube de puntos del diagrama de dispersión. En
la primera iteración cada pixel de la base de datos se compara con la media de cada cluster y se asigna a aquél
cuya distancia euclidiana al pixel es menor. Luego de esta primera iteración se calcula una nueva media para
cada cluster. El proceso iterativo se repite nuevamente para cada pixel tomando ahora como referencia las
medias de los nuevos clusters. El proceso se continúa hasta que se cumple alguna de las condicionantes
planteadas al comienzo: se alcanza el umbral de cambios estipulado o se alcanza el máximo número de
iteraciones establecido

Clasificación de Imágenes Raster en Arcgis

Cargado por

Copyright:

Formatos disponibles

Clasificación de Imágenes Raster en Arcgis

Cargado por

Información del documento

Descripción 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

Clasificación de Imágenes Raster en Arcgis

Cargado por

Copyright:

Formatos disponibles

CLASIFICACIÓN DE

También podría gustarte

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