You are on page 1of 17

Análisis de Imágenes Orientado a Objetos (OBIA)

Práctica 1

INTRODUCCIÓN a eCOGNITION
Flor Álvarez Taboada
flor.alvarez@unileon.es

OBJETIVO GENERAL
Identificación y cartografiado de cubiertas del suelo en la zona de estudio: bosques, pastizales, zonas
impermeables, agua. Diferenciar los ríos de los lagos.
OBJETIVOS ESPECÍFICOS OBIA
1. Introducción al entorno eCognition 8
2. Creación de un proyecto
3. Carga de datos
4. Segmentación
5. Clasificación
6. Calidad de la clasificación
DATOS
IMAGEN CARACTERÍSTICAS
Dessau_n.tiff Sensor Landsat TM. 7 bandas.
ENTORNO eCognition

Vista de desarrollo de conjuntos de reglas (DEVELOP RULE SET VIEW)

Jerarquía de
Árbol de procesos clases

Vista de mapa
Información de objetos de la
imagen Vista de
entidades

OBIA Práctica 1. Introducción a eCognition 1


BARRAS DE HERRAMIENTAS

Ficheros

Vista

Layout

Imagen

Líneas, bordes

Capas
Zoom

Navegación entre niveles

Herramientas

CASO DE ESTUDIO

1. Entender la idea general del análisis


2. Elegir los datos
3. Desarrollar una estrategia
4. Traducir la estrategia a un conjunto de reglas
5. Revisar los resultados
6. (Refinar la estrategia y las reglas)
7. Exportar los resultados

OBIA Práctica 1. Introducción a eCognition 2


IDEA GENERAL
... debemos pensar en qué características generales y consistentes están contenidas:
- En los datos
- En la forma del objeto
- Si hay características basadas en el contexto

TRADUCIR LA ESTRATEGIA A UN CONJUNTO DE REGLAS

1. Importar los datos

Creación de un proyecto. Se añade la imagen y se comprueban sus características.


Asignación de alias para poder automatizar los procesos: blue= Azul, green= Verde, red= Rojo, nir= IR, mir =
MIR, term= TERM, fir = FIR.

OBIA Práctica 1. Introducción a eCognition 3


Cambiar las características de visualización (settings)

Diferentes combinaciones y diferentes pesos de las capas para una visualización más adecuada.

2. Segmentación.
Segmentación con multirresolución:
- Insertar proceso en el árbol de procesos (segmentación) (Append new)

- Insertar el algoritmo de segmentación como proceso dependiente (Insert child)


Algoritmo: multirresolución
Dominio: pixel
Nivel: New level
Pesos capas: todas el mismo peso (1), salvo la capa del azul y del IR térmico (0). De ese modo esas dos capas
no se emplearán en la segmentación.
Parámetro de escala: 10
Forma: 0.3; compacidad: 0.5

OBIA Práctica 1. Introducción a eCognition 4


Se ejecuta la segmentación (execute) y se visualiza.

Se puede dividir la ventana para observar el resultado de la segmentación en una parte y la


imagen original en otra (Window/ Split).
Los segmentos se pueden visualizar los objetos (valores medios) o sobre la imagen (pixels)
(opciones de visualización). Comprobar idoneidad de la segmentación.

OBIA Práctica 1. Introducción a eCognition 5


3. Clasificación: agua vs. terreno.
- Elegir entidades (features) que pueden ayudar a la clasificación de los dos grupos indicados: terreno,
agua.
Ejemplo:
Intensidad media del NIR (Layer values/ Mean).
Ratio del azul para la imagen (intensidad media de la capa del azul de todos los pixels que forman el
objeto/intensidad media de la capa del azul en la imagen). Ratio del NIR para la imagen.

La imagen siguiente muestra los resultados para el ratio del azul y el ratio del NIR. ¿Cuál sería más
adecuado para distinguir el agua de las siguientes clases?

Visualizar los valores mínimos y máximos para los objetos de la clase de interés.

- Crear una jerarquía de clases y describir cada clase (e.g. agua).

OBIA Práctica 1. Introducción a eCognition 6


- Definir la clase empleando funciones de pertenencia (membership functions) o umbrales.
Puntos críticos: selección de funciones y de umbrales. Ayuda: visualización de features.

- Realizar la clasificación
Insertar el algoritmo de clasificación en el Process tree y la clase que se va a asignar.

Ejecutar la clasificación.

OBIA Práctica 1. Introducción a eCognition 7


Comprobación del resultado:

Refinamiento del resultado: e.g. clasificación según máxima diferencia. Búsqueda de valor
umbral.

- Eliminación de los resultados de la clasificación actual (clase agua).


(se puede eliminar el nivel completo o sólo una clase)

- Creación de un nuevo umbral y una nueva función de condición. Se puede inactivar la expresión
anteriormente usada y crear una nueva (por si es necesario volver a emplearla).

OBIA Práctica 1. Introducción a eCognition 8


- Se ejecuta la clasificación y se revisa y compara el resultado. Identificación de omisiones y de falsos
positivos.

Ratio NIR Diferencia extrema

¿La clasificación realizada es supervisada/ no supervisada?


¿Es una clasificación paramétrica o no paramétrica?
¿Qué ventajas/inconvenientes tiene el empleo de umbrales para clasificar?

- Para clasificar todo el terreno restante como “Tierra”, es preciso insertar una nueva clase. Esta nueva
clase se define como “todo aquello que no es agua”.

OBIA Práctica 1. Introducción a eCognition 9


- Se ejecuta la clasificación para los no clasificados, y estos se asignan a la clase “tierra”.

4. Clasificación: bosques, pastizales, zonas impermeables, agua.

- Método: Clasificación supervisada empleando el método no paramétrico del vecino más próximo
(Nearest Neighbour) (NN).
- Aspectos críticos:
Selección de muestras para cada categoría
Elección del feature space, conjunto de entidades (características) entre las que el método
NN calcula la distancia entre los objetos de la imagen.
Umbral de pertenencia a una clase

- Proceso: borrar el resultado de la clasificación anterior (no es necesario borrar el proceso del árbol de
procesos). Borrar la descripción de la clase Agua (Edit/ Class Description/ Delete expression). Borrar
la clase Tierra. Añadir las clases bosques, pastizales y zonas impermeables.

OBIA Práctica 1. Introducción a eCognition 10


- Definición del feature space. Es único para todas las clases que empleen este algoritmo para su
clasificación (se define para el proyecto, no para cada clase). Selecciona las 6 bandas (valores
medios) (excluyendo la banda térmica). Aplica el NN estándar a las 4 clases.

- Comprueba que el feature space se ha transferido a cada una de las clases (Edit).

Se podría haber mantenido la clasificación anterior para el agua y clasificar con NN las otras 3 clases.

OBIA Práctica 1. Introducción a eCognition 11


- Selección objetos de la imagen como muestras (áreas de entrenamiento) para la clasificación.
o Abrir el editor de muestras (sample editor). Este muestra diagramas para las 6 entidades
seleccionadas (features). Permite visualizar la separabilidad entre la muestra elegida y las
otras categorías. Para seleccionar las muestras es necesario un doble click. Para eliminar la
selección: click. Para visualizar las muestras: Sample view.

o Identificación de muestras críticas. Comparación. Navegación entre muestras.

¿Número de muestras?
¿Número de entidades en el feature space? (Problema con correlaciones)
Posibilidad de dividir la ventana para seleccionar muestras sobre diferentes combinaciones
de bandas.

OBIA Práctica 1. Introducción a eCognition 12


o Posibilidad de fijar un valor mínimo de pertenencia (membership value) para que una muestra
pertenezca a una clase (classification/ advanced settings/ edit minimun membership value).
Como resultado se pueden obtener zonas sin clasificar.

- Posibilidad de combinar la clasificación por membership functions (agua) y la clasificación NN


(bosque, impermeable, pastizal)

OBIA Práctica 1. Introducción a eCognition 13


- Optimización de las entidades (Feature space) para la clasificación: permite determinar la
combinación de entidades que permite una mayor separabilidad entre las clases (muestras).

o Resultados de la optimización: NIR y MIR producen una mayor separabilidad entre las clases.
Se puede aplicar esta optimización al proyecto.

5. Calidad de la clasificación.
Además de realizar una validación a partir de un conjunto de muestras independientes, es posible obtener
otras medidas de la calidad de la clasificación (Tools/ accuracy assessment).
- Best classification results: valores bajos implican problemas durante la clasificación.
- Classification stability: muestra la diferencia éntrelos valores de la función de probabilidad para la
primera clasificación (actual) y la segunda clasificación (posible). Los valores bajos (en rojo) indican
una diferencia pequeña entre las clases, de modo que la clasificación no es muy estable; en ese caso
deberían de revisarse esas zonas.
- Image object information: proporciona información sobre los valores de la función de pertenencia
para cada objeto en cada clase.

OBIA Práctica 1. Introducción a eCognition 14


Classification stability

Best classification results

Conclusiones del análisis de calidad de la clasificación


¿Cómo se podría mejorar la clasificación?

6. Refinamiento de una de las clases: diferencias entre ríos y lagos en la clase agua
Los ríos y los lagos tienen como característica común que son masas de agua, de modo que heredan las
características de la clase agua. Las características de la clase padre pasan a las clases hijos.
Para diferenciar entre ríos y lagos es necesario encontrar características estables que los diferencien. Una de
los criterios posibles es la forma (shape index). Se calcula como la longitud del borde del objeto dividido por
4 veces la raíz cuadrada de su área.
Procedimiento:
- Unir (merge) los objetos contiguos clasificados como agua (Process tree).
- Crear las clases Rios y Lagos en la ventana Class Hierarchy (Inheritance o Groups). Arrastar las nuevas
clases a la clase padre (Agua).
- Definir las dos clases (Rios y Lagos). Rios se puede definir con una función de pertenencia empleando
la forma, y los lagos como la expresión inversa de similarity to river.

OBIA Práctica 1. Introducción a eCognition 15


Unión de segmentos (regiones)

Definición de la clase Ríos y de la clase Lagos

Árbol de procesos: Clasificación en ríos y lagos (sobre clase agua).

OBIA Práctica 1. Introducción a eCognition 16


Resultados de la diferenciación entre lagos y ríos.

Clasificación con jerarquía de clases agrupada.

OBIA Práctica 1. Introducción a eCognition 17