Diapositiva 1

1
EJERCICIO 4-3 CLASIFICACIÓN SUPERVISADA
2
Los tipos de uso de suelo detectados en
ejercicios posteriores (urbano, bosque y agua)
tuvieron un patrón de respuesta espectral único.
Las coberturas de suelo, entonces pueden ser
identificadas y diferenciadas una de otras
mediante sus patrones únicos de respuesta
espectral. Esta es la lógica que sigue la
clasificación. Muchos tipos de mapas, incluyendo
los de cubierta de suelo, suelos y mapas
batimétricos, pueden ser desarrollados por la
clasificación de imágenes de percepción remota.
Hay dos métodos de clasificación de imágenes (1)
supervisada y (2) no supervisada. Con la
clasificación supervisada, el usuario desarrolla
las firmas espectrales de categorías conocidas,
tales como zonas urbanas y bosques, y luego el
software asigna cada píxel en la imagen al tipo
de cubierta al cual la firma es más similar. Con
la clasificación no supervisada, el software
agrupa píxeles en categorías de tales firmas, y
luego el usuario identifica qué tipos de cubierta
representan esas categorías.
3

• Los pasos de la clasificación supervisada pueden
  resumirse como sigue
• Localizar ejemplos representativos de cada tipo
  de cubierta que puede ser identificado en la
  imagen (llamados Sitios de Entrenamiento).
• Digitalizar polígonos alrededor de cada sitio de
  entrenamiento, asignándole un identificador único
  a cada tipo de cobertura.
• Analizar los píxeles dentro de los sitios de
  entrenamiento y crear firmas espectrales para
  cada uno de los tipos de cubierta.
• Clasificar toda la imagen considerando cada
  píxel, uno por uno, comparando su firma
  particular con cada una de las firmas conocidas.
  Las llamadas clasificaciones duras resultan de
  asignar cada píxel al tipo de cubierta que tiene
  la firma más similar. Por otro lado, las
  clasificaciones suaves evalúan el grado de
  afiliación del píxel en todas las clases bajo
  consideración, incluyendo clases no conocidas y
  no especificadas. La decisión acerca de que tan
  similar son las firmas una de otra son hechas a
  través de análisis estadístico. Hay varias
  técnicas estadísticas que pueden ser usadas,
  llamadas frecuentemente clasificadores.

4
DESARROLLO DE SITIOS DE ENTRENAMIENTO Los sitios
de entrenamiento creados en este ejercicio están
basados en un uso de suelo conocido, que fue
ratificado durante una visita de campo. Cada tipo
de uso de suelo conocido es asignado a un único
identificador, donde uno o más sitios pueden ser
identificados para cada uno de ellos. El orden
sugerido para crear la leyenda lógica de
categorías es Agua poco profunda. Agua
profunda. Agricultura. Urbano. Bosque
caducifolio. Bosque de coníferas.
Desplegar la imagen llamada H87TM4 usando la
paleta de escala de gris y con autoescala en
Intervalos Iguales. Usar la herramienta de
digitalización en pantalla de Idrisi para
digitalizar polígonos alrededor de los sitios de
entrenamiento.
5
(No Transcript)
6
3
4
3
6
3
4
1
2
5
1
6
5
5
2
6
7
Una regla general de descripción es que el número
de píxeles en cada sitio de entrenamiento no
deberá ser menor que diez veces el número de
bandas. De esta manera, en este ejerció, si se
usan siete bandas en la clasificación, entonces
se deberá asegurar de tener no menos de 70
píxeles por cada sitio de entrenamiento.
DESARROLLO DE FIRMAS
Correr MAKESIG del menú IMAGE PROCESSING/SIGNATURE
DEVELOPMENT, escoger Vector como el tipo de
archivo de sitio de entrenamiento y entrar
TRAININGSITES como el archivo que define los
sitios de entrenamiento. Estos archivos
contienen información estadística respecto de los
valores de reflectancia de los píxeles dentro de
los sitios de entrenamiento para cada clase.
8
Cuando MAKESIG ha finalizado, abrir el Explorador
de Archivos de Idrisi y clic en el tipo de
archivo de firma (sigsgf) y checar que firmas
existen para cada una de los seis tipos de
cobertura.
9
Para comparar esas firmas, se puede crear una
gráfica de ellas. Correr SIGCOMP del menú IMAGE
PROCESSING/SIGNATURE DEVELOPMENT. Escoger usar un
grupo de archivos de firma y seleccionar
TRAININGSITES. Desplegar sus valores medios. Se
puede ver que la banda 4 es la que diferencia
mejor la cubierta vegetal.
10
Otra forma de evaluar firmas es corriendo SCATTER
del menú IMAGE PROCESSING/SIGNATURE DEVELOPMENT e
indicar H87TM3 (la banda en rojo) como el eje Y y
H87TM4 (banda en infrarrojo cercano) como el eje
X. Dar a la salida el nombre de SCATTER y retener
el contador logarítmico dado por default. Elegir
crear un gráfico de firma y entrar el nombre del
grupo de archivos de firma TRAINIGSITES.
Presionar OK.
11
Los valores en la imagen SCATTER representan
densidades (logaritmos de frecuencia) de píxeles.
Por ejemplo, los colores más fuertes indican
muchos píxeles con la misma combinación de
valores de reflectancia en las dos bandas y
colores claros indican pocos píxeles con la misma
combinación de reflectancia. El sobreponer las
cajas de las firmas, muestra áreas donde
diferentes firmas tienen valores similares
(cuando es muy marcada, esto puede ser un
indicador errores en la definición de sitios de
entrenamiento pero también porque verdaderamente
tienen reflectancias en común en ciertos
patrones).
12
CLASIFICACIÓN El último paso en el proceso de
clasificación es identificar y asignar las
firmas. Cada píxel en el área de estudio tiene un
valor en cada una de las siete bandas de las
imágenes (H87TM1-7). El píxel es entonces
asignado al tipo de uso de suelo que tiene la
firma más parecida. Hay diferentes técnicas
estadísticas que pueden ser usadas para evaluar
que tan similar son las firmas una de otras. Las
técnicas estadísticas son llamadas Clasificadores.
El primer clasificador que se usará es el
Clasificador de Mínima Distancia a la Media. Éste
calcula la distancia de los valores de
reflectancia del píxel respecto a la media de
cada archivo de firma, y luego asigna dicho píxel
a la categoría con la media más cercana. Hay dos
opciones para calcular la distancia en este
clasificador. La primera calcula la distancia
Euclidiana o sin procesar de los valores de
reflectancia del píxel hacia la media de cada
categoría espectral.
13
MinDist
14
MinDist-mindistnormal
Utilizar el clasificador mindist de distancia
mínima a la media, pero esta vez con el segundo
tipo de cálculo de distancia la distancia
normalizada. En este caso, el clasificador evalúa
las desviaciones estándar de los valores de
reflectancia respecto de la media (creando
contornos de desviaciones estándar). Éste
entonces asigna un determinado píxel a la
categoría más cercana en términos de desviaciones
estándar.
15
Máxima Probabilidad (MaxLike)
El siguiente clasificador es el de Máxima
Probabilidad., desarrollada con base en las
estadísticas Bayesianas
Este clasificador evalúa la probabilidad que un
cierto píxel pertenezca a una categoría y
entonces clasificarlo a la categoría con la más
alta probabilidad de pertenencia.
en la figura siguiente, el píxel 2 deberá ser
asignado a la categoría u porque está a dos
desviaciones estándar de la media de u,
mientras que está a tres desviaciones estándar
de la media de s.
16
PIPED-pipedminmax
Clasificador Paralelepípedo. Este clasificador
crea cajas usando los valores de mínima y
máxima reflectancia o unidades de desviación
estándar dentro de los sitios de entrenamiento
como se ve en el gráfico. Si cierto píxel cae
dentro de una de las cajas de firmas, entonces
el píxel es asignado a esa categoría. Éste es el
más simple y rápido de los clasificadores. Sin
embargo, es sensible a clasificaciones
incorrectas. Debido a la correlación de
información en las bandas espectrales, los
píxeles tienden a agruparse dentro de nubes.
En este caso, el píxel 1 será clasificado como
del grupo d, mientras que en realidad debería
ser clasificado como c. Además, las cajas
frecuentemente se traslapan y los píxeles que
caen dentro de este traslape son asignados a la
última firma, de acuerdo al orden en que fueron
ingresados.
El clasificador paralelepípedo, cuando se usa con
los valores mínimos y máximos, es extremadamente
sensible a valores alejado en las firmas. Para
remediar esto, Idrisi ofrece una segunda opción
para este clasificador que usa los marcadores de
desviación estándar (en lugar de los valores sin
procesar) para construir los paralelepípedos.
17
PIPED-PIPEDZ
Seleccionar PIPED escogiendo la opción de Z-score
y retener el valor dado por default de 1.96
unidades.
18
FISHER
El último módulo de clasificación supervisada que
se examina en este ejercicio es el llamado
FISHER. Este clasificador se basa en el análisis
de discriminación lineal. Correr FISHER e
insertar el grupo de archivos TRAININGSITES