CLASIFICACION DE IMÁGENES DIGITALES

CLASIFICACION DE IMÁGENES DIGITALES

Clasificación: proceso por el cual se crean mapas temáticos a partir de imágenes de satélites

INTRODUCCION

§ Tipo de la leyenda:

è Jerárquicas (Anderson, USGS; Corine).

è No jerárquicas.

§ Propiedades de la leyenda:

è Clases mutuamente excluyentes.

è Clases Exhaustivas.

è A tener en cuenta: evitar mezcla de criterios, ajustarse a los

datos disponibles.

CATEGORIAS

Fases de la clasificación

§ Entrenamiento (definir numéricamente las categorías):

è Supervisado.

è No supervisado.

§ Asignación (categorizar los píxeles de la imagen).

§ Verificación de resultados.

FASE DE ENTRENAMIENTO

Métodos de clasificación:

•Supervisado

•No supervisado

Entrenamiento supervisado

FASE DE ENTRENAMIENTO

Método Supervisado

Características de los áreas de entrenamiento

§ Bien identificados:

è Localización.

è Actualización.

§ Suficientemente homogéneos:

è Ruido de la escena.

è Auto-correlación espacial.

§ Que cubran todas las clases.

FASE DE ENTRENAMIENTO

Cómo obtener estadísticas de entrenamiento

§ Muestreando píxeles:

è Se asume máxima variabilidad.

è Pueden seleccionarse píxeles aislados o píxeles

en el interior de polígonos.

è Métodos más estándar.

§ Segmentando la imagen en manchas:

è Se asume coherencia espacial.

A

B

C

Superficies homogéneas

A

B

C

D

Superficies heterogéneas

Superficies variables

A

B

C

FASE DE ENTRENAMIENTO

FASE DE ENTRENAMIENTO

Método Mixto

•Análisis supervisado para al no supervisado

•Combinación del supervisado y no supervisado

Análisis de estadísticas

§ Medidas de centralidad y dispersión.

§ Gráficos de valores promedio.

§ Gráficos de separabilidad.

§ Medidas estadísticas de separabilidad

è Distancia normalizada

è Divergencia

SEPARABILIDAD

Valores estadísticos

Gráficos de signaturas

Bandas

ND

METODOS GRAFICOS

Gráfico de dispersión espectral

Histograma de frecuencias de los ND

Separabilidad estadística

METODOS ESTADISTICOS

Ejemplo de separabilidad

§ Determinar las clases problemáticas.

è Revisar el proceso de entrenamiento.

è Revisar las bandas seleccionadas.

§ Seleccionar las bandas con mayor poder discriminante.

Interés de las medidas de separabilidad

FASE DE ASIGNACION

Criterios de asignación

§ Mínima distancia.

§ Paralelepípedos.

§ Máxima probabilidad.

§ ISODATA.

§ Árboles de decisión.

§ Redes neuronales.

Atribuir a cada celdilla a las categorías.Atribuir a cada celdilla a las categorías.

Asignación: mínima distancia o vecino más próximo

Asignación: mínima distancia o vecino más próximo

§ Ventajas:

è Rápido de ejecutar.

è Todos los píxeles son clasificados

§ Inconvenientes:

è No considera varianza.

è Proclive a errores de comisión.

Asignación: mínima distancia o vecino más próximo

Asignación: paralelepípedos o hipercubos

§ Criterio de inclusión: si Inf < ND < Sup

§ Problemas:

è Píxeles en dos grupos

è Píxeles sin clasificar.

§ Ventajas:

è Rápido

è Considera dispersión.

Asignación: paralelepípedos o hipercubos

Asignación: máxima probabilidad

Asignación: máxima probabilidad

§ Criterio bayesiano:

p (x/A)≥≥ p (x/B)

§ Problemas:

è Lento de cálculo.

§ Ventajas:

è Considera dispersión.

è Pueden introducirse límites.

Otros criterios de asignación

§ Clasificadores en árbol.

§ Incorporar el contexto espacial:

è Antes.

è Durante.

è Después.

§ Clasificadores borrosos.

§ Redes neuronales artificiales.

Datos:

Bandas,ND

Selección de la banda i

ND<V

?Clase w1

Seleccionar banda j

V1<ND<V2

?Clase w2

Seleccionar bandas k y l

NDk<V1

NDl>V2

?

Clase w3

Si

Si

Si

Clasificación en árbol

Fundamento del método