Clasificación de imágenes La clasificación de imagen hace referencia a la tarea de extraer clases de información de una imagen ráster multibanda.

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. Con la extensión ArcGIS Spatial Analyst, hay un conjunto completo de herramientas Multivariante para realizar clasificaciones supervisadas y sin supervisión. El proceso de clasificación es un flujo de trabajo de varios pasos; por consiguiente, se ha desarrollado la barra de herramientas Clasificación de imagen para proporcionar un entorno integrado para realizar clasificaciones con las herramientas. La barra de herramientas no solo facilita el flujo de trabajo para realizar clasificaciones supervisadas y sin supervisión, sino que también contiene funciones adicionales para analizar los datos de entrada, crear muestras de capacitación y archivos de firma, y determinar la calidad de las muestras de capacitación y los archivos de firma. La manera recomendada de realizar la clasificación y el análisis multivariante es mediante la barra de herramientas Clasificación de imagen. El objetivo de la clasificación es asignarle una clase o categoría a cada celda de un área de estudio. Algunos ejemplos de una clase o categoría incluyen tipo de uso del suelo, ubicaciones preferidas por los osos y posible avalancha. Hay dos tipos de clasificación: supervisada y no supervisada. En una clasificación supervisada, tiene una muestra de las entidades. Por ejemplo, sabe que hay un bosque de coníferas en la región noroeste del área de estudio, entonces la identifica adjuntándola en el mapa con un polígono (o con varios polígonos). Se crea otro polígono que abarca un campo de trigo, otro para edificios urbanos y otro para agua. Sigue este proceso hasta que tenga las entidades suficientes para representar una clase, y se identifican todas las clases en los datos. Cada agrupación de entidades se considera una clase y el polígono que abarca la clase es una muestra de capacitación. Una vez que identificó las muestras de capacitación, las estadísticas multivariantes se calculan sobre ellas para establecer las relaciones dentro y entre las clases. Las estadísticas se almacenan en un archivo de firma. En una clasificación no supervisada, no conoce cuáles entidades están realmente en una ubicación específica, pero deseará agregar cada una de las ubicaciones en un número específico de grupos o clusters. Lo que determina a cuál clase o cluster se asignará cada ubicación depende de las estadísticas multivariantes que se calculan en las bandas de entrada. Cada cluster se separa estadísticamente de los otros clusters basándose en los valores para cada banda de cada celda dentro de los clusters. Las estadísticas que establecen la definición del cluster se almacenan en un archivo de firma.

Cada ubicación se puede visualizar como un punto en un espacio de atributos multidimensionales cuyos ejes corresponden a las variables representadas en cada banda de entrada. y realizar una clasificación en un entorno integrado. Una clase corresponde a una agrupación significativa de ubicaciones. Existen dos tipos de entrada para la clasificación: las bandas del ráster de entrada que se van a analizar y las clases o los clusters en donde ajustar las ubicaciones. Producir firmas para el análisis de clase y cluster. Las ubicaciones que corresponden a clases conocidas pueden formar clusters en el espacio de atributos si las clases se pueden separar. Con la barra de herramientas puede crear y analizar clases y clusters. Clasificación supervisada La clasificación supervisada utiliza firmas espectrales obtenidas de las muestras de capacitación para clasificar una imagen. Algunos ejemplos de clases incluyen bosques. puede crear fácilmente muestras de . crear y validar firmas. pendiente. Realizar la clasificación. editar las clases y los clusters. Dos ubicaciones pertenecen al mismo cluster o clase si sus atributos (vector de valores de banda) son similares. Con la ayuda de la barra de herramientas Clasificación de imagen. cuerpos hídricos. Una clase o un cluster es una agrupación de puntos en este espacio de atributos multidimensional. Evaluar y. Las ubicaciones que corresponden a clusters naturales en el espacio de atributos se pueden interpretar como clases de estratos de ocurrencia natural.Existen cuatro pasos para realizar una clasificación: Crear y analizar los datos de entrada. o distinguir. Un ráster multibanda y los rásteres individuales de banda única se pueden utilizar como entrada en un análisis estadístico multivariante. La barra de herramientas de clasificación de imagen de Spatial Analyst ayuda con el flujo de trabajo de varios pasos que se requiere para realizar una clasificación. Es decir. campos y áreas residenciales. Las clases derivadas de clusters incluyen la preferencia de venados o el potencial de erosión. un valor para cada variable o banda introducida en el análisis. de ser necesario. Cada ubicación se caracteriza por un conjunto o vector de valores. profundidad de la nieve y radiación solar pueden ser factores que influyan en una potencial avalancha. mientras que el tipo de suelo puede no tener efecto alguno. Las bandas del ráster de entrada que se utilizan en el análisis multivariante necesitan influir o ser una causa subyacente en la categorización de la clasificación. por los valores de atributo.

.capacitación para representar las clases que desea extraer. a continuación. La siguiente imagen de satélite sin procesar es una imagen de Landsat TM de cuatro bandas de la zona del norte de Cincinnati. Ohio. las herramientas de clasificación multivariante utilizarán para clasificar la imagen. Las cinco clases de uso del suelo se definieron usando la barra de herramientas de la imagen de satélite: Comercial/Industrial. Residencial. Tierra para cultivos. Ejemplo En el siguiente ejemplo. También puede crear con facilidad un archivo de firma a partir de las muestras de capacitación que. se utilizó la barra de herramientas Clasificación de imagen para clasificar una imagen de satélite Landsat TM. Bosque y Pastizal.

La calidad de las muestras de capacitación se analizó utilizando las herramientas de evaluación de muestras de capacitación. . se realizó una clasificación de probabilidad máxima desde la barra de herramientas. A continuación. como se muestra a continuación. se determinó que las muestras de capacitación eran representativas de la zona y estadísticamente separadas. la imagen clasificada se limpió para crear un mapa final del suelo. Utilizando la barra de herramientas Clasificación de imagen y el Administrador de muestras de capacitación. Por consiguiente.

Cada ubicación se puede visualizar como un punto en un espacio de atributos multidimensionales cuyos ejes corresponden a las variables en las bandas de entrada. Cada ubicación se caracteriza por un conjunto o vector de valores. o distinguir. y en este caso. si está creando un mapa de uso del suelo desde una imagen satelital. un valor para cada variable o banda de entrada. como el cluster hace referencia a algo significativo. agua y cosecha alta de trigo son todas clases. y mejor la clasificación subsiguiente. por los valores de atributo. Un agrupamiento de puntos en este espacio de atributos multidimensionales se denomina cluster. Cuantas más ubicaciones de muestra se pueden identificar como pertenecientes a una clase. Por ejemplo. Las clases conocidas pueden formar clusters en el espacio de atributos si las clases se pueden separar. también se lo puede considerar una clase. bosque. Dos ubicaciones pertenecen al mismo cluster si sus atributos (vector de valores de banda) son similares. las clases pueden ser urbana. campos y carreteras. Las . Las ubicaciones que corresponden a clusters naturales en el espacio de atributos se pueden interpretar como clases de estratos de ocurrencia natural. más homogéneos serán los valores de celda en una clase.¿Qué es una clase? Una clase corresponde a una agrupación significativa de ubicaciones. Por ejemplo. El objetivo es asignar cada ubicación en el área de estudio a una clase conocida. bosque. agua. y tiene ubicaciones de muestra en el sitio de estudio que son representativas de cada clase. conoce en qué clases desea dividir el sitio de estudio. Identificar clases para una clasificación supervisada En una clasificación supervisada.

aparece una composición de color de las tres primeras capas en el ráster como fondo y se utiliza como referencia para identificar las áreas que se agrupan al producir muestras de capacitación. el valor medio para el cluster y la matriz de varianza-covarianza. Estadísticamente. el número de iteraciones. Los cálculos resultantes identifican qué ubicación de celda pertenece a qué cluster. el número de celdas en la clase o cluster. Cuando se definen las muestras de capacitación. el nombre del archivo de firma de salida. puede identificar un ráster existente como referencia. Crear clusters en una clasificación no supervisada El primer paso en una clasificación no supervisada es crear clusters. Para cualquier clase o cluster. los valores de diagonal que se mueven desde la parte superior izquierda hacia la parte inferior derecha en la matriz de varianzacovarianza. los clusters son agrupaciones que ocurren naturalmente en los datos. Las muestras de capacitación se pueden identificar en una capa de polígono o en un ráster. El archivo incluye el medio para cada clase o cluster. son los valores de varianza para las variables que corresponden a las bandas del ráster de entrada identificadas por la intersección de fila/columna en la matriz para las bandas. La herramienta devuelve un archivo de firma que contiene estadísticas multivariantes para un subconjunto de las celdas para los clusters identificados. y la matriz de varianza-covarianza para la clase o el cluster.ubicaciones reales que identifican las ubicaciones de clases conocidas se denominan muestras de capacitación. El archivo de firma se puede visualizar con cualquier editor de texto. y el intervalo en el cual se pueden tomar puntos de muestra desde donde calcular los clusters (los últimos tres parámetros se analizan a continuación). Todos los otros valores en la matriz son valores de covarianza. Almacenar estadísticas de cluster o clase: el archivo de firma El archivo de firma es un archivo ASCII que almacena las estadísticas multivariantes para cada clase o cluster de interés. El archivo de firma es esencial en el clustering y la clasificación de las celdas restantes sin muestras. el número de clases. Cómo se determinan los clusters para una clasificación no supervisada . La herramienta Cluster ISO requiere bandas del ráster de entrada. En general. Esta información se almacena en un archivo de firma de ASCII. el tamaño mínimo de clase.

Se asigna el punto de muestra al cluster representado por el punto central medio más cercano. - - Cada celda de muestra se dibuja en el gráfico y la distancia desde el punto a cada punto central medio se determina en la línea de 45 grados. . El prefijo ISO del algoritmo de clustering de isodatos significa Organización automática iterativa. La siguiente discusión es conceptual para permitir una mejor comprensión del enfoque de clustering ISO. Es decir. el valor medio se deriva de los valores de atributos para las distintas bandas de entrada. Esta misma metodología trabaja por el total de bandas que se introducen. Se dibuja una línea de 45 grados y se divide en el número de clases que especifica. Todos los cálculos de cluster se llevan a cabo en los valores de celda en el espacio de atributos multivariantes y no se basan en características espaciales. Los valores de varianza y covarianza se calculan a partir de la variación dentro y entre bandas. o en un espacio dimensional n.El nombre del algoritmo utilizado para crear clusters en una clasificación no supervisada es Cluster ISO. Los clusters se calculan utilizando un subconjunto de celdas en el área de estudio. El punto central de cada uno de estos segmentos de línea es el valor medio inicial para las clases. El siguiente ejemplo utiliza un enfoque de clustering ISO o valor medio K. como método de realizar el clustering. Se realiza un gráfico vacío con el rango de valores en la primera banda que se graficó en el eje x y el rango de valores en la segunda banda que se graficó en el eje y. La distancia se calcula en el espacio de atributos utilizando el teorema de Pitágoras. Un ráster de dos bandas se utilizará para explicar la metodología teóricamente.

la distancia euclidiana en un espacio multivariante puede ser tan pequeño que varios clusters resultarán en un valor medio de cero. y se repite el paso anterior. - El procedimiento anterior itera. se calcula un nuevo punto central medio para cada cluster basado en los valores de las ubicaciones de celda asignados al cluster en la iteración anterior. El clustering es sensible al rango de valores en cada banda. - Se actualizan los valores medios. ya sea al realizar una clasificación supervisada o un clustering no supervisado. Cuando el rango de valor de una banda es pequeño en relación a las otras bandas. se repiten los dos pasos anteriores. Este rango de valores determina los valores en el eje x e y desde donde se calculan las distancias euclidianas entre los puntos medio y de muestra. Con el nuevo punto central medio para cada cluster. Antes de la próxima iteración. Si uno de los clusters tiene un valor medio de cero. El proceso de iteración para actualizar los valores medios sigue hasta alcanzar el número de iteraciones definido por el usuario o hasta que menos del 2 por ciento de las celdas cambian de un cluster a otro en relación a los valores medios nuevos en una iteración.- Se grafica el siguiente punto de muestra y se repite el procedimiento anterior para todos los puntos de muestra. el rango de valor para cada banda debe ser similar. Para que los atributos de cada banda se consideren iguales. la clasificación final y cualquier otra herramienta multivariante que .

Máxima verosimilitud Las celdas en una clase muy pocas veces son homogéneas. Para determinar si los clústeres se superponen. que corresponden a clústeres definidos por el clustering. La barra de herramientas Clasificación de imagen proporciona un entorno integrado de ayuda con el flujo de trabajo de varios pasos que se necesita para realizar una clasificación. Un buen cluster debe superponerse poco con los otros clústeres en el espacio multivariante. puede utilizar la herramienta Dendrograma y explorar el archivo de firma. Puede utilizar cualquier editor de texto para visualizar los resultados. utilizando una distancia multidimensional que separa las clases en un espacio de atributos. por ejemplo. La clasificación de ubicaciones en clases de ocurrencia natural que correspondan a clústeres también se conoce como estratificación. La herramienta necesita un archivo de firma de entrada. Esto es especialmente cierto con las muestras de capacitación que se toman para una clasificación supervisada. Sería ideal que todas las bandas se normalicen al mismo rango de valor. Una ubicación en una muestra de capacitación de un . una especificación de las estadísticas que se deben incluir. Las estadísticas que se incluyen en el archivo de firma ayudan a determinar si las clases o los clústeres son buenos en términos de divisibilidad en el espacio de atributos multidimensionales de las bandas de entrada. El objetivo de la clasificación es asignar cada celda en el área de estudio a una clase conocida (clasificación supervisada) o a un clúster (clasificación no supervisada). consulte ¿Qué es la clasificación de imagen?. El resultado de cada clasificación es un mapa que divide el área de estudio en clases conocidas. Si las maderas duras en la sombra. algunas características de formateo y el nombre del dendrograma de salida.depende de un archivo de firma fallará. o a clases de ocurrencia natural. que corresponden a muestras de capacitación. la clasificación se realiza a través de un archivo de firma que contiene las estadísticas multivariantes de cada clase o clúster. Para obtener más información sobre la barra de herramientas. Dendrograma Un dendrograma ordena las clases o los clústeres en un archivo de firma relacionados unos con otros. La herramienta Dendrograma crea un archivo ASCII que muestra gráficamente las relaciones de distancia entre las clases en el archivo de firma. En ambos casos. ambos tipos de árboles entrarán en la misma clasificación. tienen una característica de reflectancia similar a la de las coníferas a pleno sol.

mostrará algunas ubicaciones que los osos evitan. Si un valor de celda cae en la parte superpuesta de las clases del tipo vivienda y vegetación. Se necesitan algunas presuposiciones para que el clasificador de verosimilitud máxima funcione de forma exacta: Los datos para cada banda se deben distribuir normalmente.ecosistema en donde se espera encontrar osos. ante la falta de ponderación de los valores de atributos. el bosque y otros tipos de vegetación recibirán una probabilidad previa mayor que las viviendas. hay más posibilidades de que la ubicación incluya vegetación en vez de una vivienda. la ubicación deberá clasificarse según corresponda. la clase A representa maderas duras y la clase B representa maderas blandas. si clasifica una imagen satelital de Alaska. Es decir. Los valores de probabilidad reales para cada celda y clase se . Por ejemplo. Las probabilidades previas de las clases deben ser iguales. ¿Cómo clasifica una celda que se encuentra en la superposición de las dos clases? ¿Se debe clasificar como clase A o B? El clasificador de máxima verosimilitud calcula para cada clase la probabilidad de la celda que pertenece a esa clase según los valores de atributos. y resulta en el término "verosimilitud máxima". la probabilidad de que una ubicación de celda incluya una vivienda es mucho menor de que la celda incluya algún tipo de vegetación. Cada clase debe tener una distribución normal en un espacio de atributos multivariante. es decir. Si la probabilidad previa no es igual para cada clase del área de estudio. En el siguiente diagrama. La celda se asigna a la clase con la probabilidad más alta. Esta lógica de probabilidad y ponderación se basa en las reglas de decisión bayesiana. todas las clases serán iguales. por ello. puede ponderar las clases.

Para realizar una clasificación. Esta capacidad puede ser útil en la siguiente situación. por lo tanto. Esta herramienta requiere bandas de entrada de rásteres multibanda y rásteres individuales de banda única y el archivo de firma correspondiente. Cuando se elige igual. Cuando se elige una celda en muestras. Cuando se elige archivo. las probabilidades previas serán proporcionales al número de celdas en cada clase o clúster en el archivo de firma. y una probabilidad del 30 por ciento de pertenecer a la clase humedal. utilice la herramienta Clasificación de máxima verosimilitud. Finalmente. Se debe identificar una fracción de rechazo.determinan desde los medios y la matriz de covarianza de cada clase (almacenados en el archivo de firma). Se puede crear una confianza opcional. la herramienta Capas de probabilidad para cada clase da como resultado capas de probabilidad. verá que hay una celda en el ráster de salida de la clase bosque que recibe una probabilidad del 60 por ciento de pertenecer a la clase bosque. Producir muestras de capacitación desde ubicaciones conocidas de las clases deseadas. una banda para cada clúster o clase de entrada. Revisión de la clasificación multivariante Clasificación supervisada Los siguientes son los pasos para realizar una clasificación supervisada: Identificar las bandas de entrada. Después de ejecutar la herramienta. . Se debe identificar la manera en que se ponderan las clases o los clústeres. se debe especificar el nombre del ráster de salida. La fracción de rechazo identifica la porción de celdas que permanece sin clasificar por la menor posibilidad de asignación correcta.0. En vez de clasificar la ubicación de la celda como bosque. en la que una clase es bosque y otra es humedal. todas las clases se ponderarán con la misma probabilidad previa. Existen tres maneras de ponderar las clases o los clústeres: igual. Los valores en cada ubicación para cada banda almacenan la probabilidad de esa celda que pertenece a la clase o clúster basada en los atributos de las bandas de entrada originales. Imagine que clasifica una imagen. en el ráster de salida humedal. se activa el control de entrada del archivo a priori y las probabilidades previas se leen desde un archivo específico. celdas en muestras. El valor predeterminado es 0. Capas de probabilidad para cada clase En vez de tener una celda asignada a una clase basada en la probabilidad más alta en un ráster de salida. la puede clasificar como un bosque húmedo. o archivo. se clasificarán todas las celdas.

Clasificación no supervisada Los siguientes son los pasos para realizar una clasificación no supervisada: Identificar las bandas de entrada. Definir el número de clústeres que se deben crear. Ver y editar el archivo de firma de ser necesario. Ver y editar el archivo de firma de ser necesario. Desarrollar un archivo de firma.- Desarrollar un archivo de firma. Llevar a cabo la clasificación. . Llevar a cabo la clasificación.

Sign up to vote on this title
UsefulNot useful