clasificacion de imagenes

1

Posgrado en Ciencias de la Tierra

UNAM 1

ClasificaciClasificacióón de imn de imáágenesgenes

2


UNAM

Imagen multiespectral

ImImáágenes multiespectralesgenes multiespectrales

IR IR mediomedio

IR IR cercanocercano

RojoRojo

VerdeVerde

AzulAzul

2

3


UNAM

InterpretaciInterpretacióón y Clasificacin y Clasificacióónn

� La finalidad del uso de datos de percepción

remota, consiste en clasificar los miles de

rasgos de una escena (generalmente presentada

como imagen) en categorías o clases

significativas.

� Agrupar clases espectrales en clases de

información.

4


UNAM

InterpretaciInterpretacióón y Clasificacin y Clasificacióónn

� La tarea de cualquier sistema de percepción

remota es simplemente detectar las señales de

radiación, determinar las características

espectrales, derivar las firmas apropiadas e

interrelacionarlas con las posiciones espaciales

de las clases que representan.

3

5


UNAM

Interpretación y Clasificación

�Como resultado, se espera un mapa temático

(uso del suelo, geología, climas, etc.).

6


UNAM


4

7


UNAM


8


UNAM

ClasClasificaciificacióónn de Imde Imáágenesgenes

5

9


UNAM


�� AsignarAsignar automautomááticamenteticamente todostodos los los pixelespixeles

de de unauna imagenimagen en en clasesclases de de coberturacobertura o o

temastemas ((clasesclases de de informaciinformacióónn))

�� Los valores digitales, determinados por el Los valores digitales, determinados por el

promedio de la promedio de la radianciaradiancia sobre cada sobre cada

intervalo espectral, son candidatos a ser intervalo espectral, son candidatos a ser

conjuntos de datos agrupados en espacios conjuntos de datos agrupados en espacios

de 2, 3 o de 2, 3 o NN dimensiones.dimensiones.

10


UNAM


�� Generalmente los datos multiespectrales son Generalmente los datos multiespectrales son

utilizados para el proputilizados para el propóósito de que la firma sito de que la firma

o patro patróón espectral para cada n espectral para cada pixelpixel sea sea

utilizado como base de la categorizaciutilizado como base de la categorizacióónn

�� Diferentes rasgos muestran diferentes Diferentes rasgos muestran diferentes

combinaciones de ncombinaciones de núúmeros digitales (meros digitales (DNsDNs) )

basados en la naturaleza de su reflectancia basados en la naturaleza de su reflectancia

en las diferentes partes del espectro en las diferentes partes del espectro

electromagnelectromagnééticotico

6

11


UNAM


�� Cualquier Cualquier pixelpixel individual o conjunto individual o conjunto

espacialmente agrupado de pixeles espacialmente agrupado de pixeles

representando algrepresentando algúún tipo de rasgo, clase o n tipo de rasgo, clase o

material, estmaterial, estáá caracterizado por un pequecaracterizado por un pequeñño o

rango de valores digitales en cada banda.rango de valores digitales en cada banda.

12


UNAM


7

13


UNAM


14


UNAM


�� Utilizar propiedades Utilizar propiedades radiomradioméétricastricas del del sensorsensor remotoremoto

�� Diferentes objetos tienen diferentes firmas espectralesDiferentes objetos tienen diferentes firmas espectrales

0

5

10

15

20

25

30

35

40

Band

1

Band

2

Band

3

Band

4

Band

5

Band

7

Vegetation

Soil

8

15


UNAM

�� En el mundo ideal, todos los pixeles de En el mundo ideal, todos los pixeles de

““VegetaciVegetacióónn”” deberdeberíían tener la misma an tener la misma

respuesta espectral.respuesta espectral.

�� De tal manera que se podrDe tal manera que se podríía decir que a decir que

cualquier cualquier pixelpixel en una imagen con esa firma en una imagen con esa firma

espectral serespectral seríía vegetacia vegetacióón.n.

�� De la misma manera se podrDe la misma manera se podríía hacer con a hacer con

suelos, etc. y terminar con un mapa de clases.suelos, etc. y terminar con un mapa de clases.

Estrategia Básica

16


UNAM

0

5

10

15

20

25

30

35

40

Band 1 Band 2 Band 3 Band 4 Band 5 Band 7

Veg 1

Veg 2

Veg 2

Veg 3

Veg 4

Veg 5

Veg 6

Veg 7

La realidad es diferente. Viendo a varios pixeles con

vegetación, se observarán diferencias en las firmas

espectrales. Lo mismo ocurre para otros tipos de pixeles.

Estrategia Básica

9

17


UNAM

Manejando la variabilidadManejando la variabilidad

�� Diferentes maneras de manejar la variabilidad Diferentes maneras de manejar la variabilidad

conducen a diferentes maneras de clasificar las conducen a diferentes maneras de clasificar las

imimáágenes.genes.

�� En principio, es necesario ver las firmas En principio, es necesario ver las firmas

espectrales de una manera diferenteespectrales de una manera diferente

18


UNAM

0

5

10

15

20

25

30

35

40

0 5 10 15 20

Band 3

Ban

d 4 Vegetation

Soil

0

5

10

15

20

25

30

35

40

Band

1

Band

2

Band

3

Band

4

Band

5

Band

7

Vegetation

Soil

Se debe de pensar la reflectancia

de los pixeles en un espacio

bidimensional. Cada pixel ocupa

un lugar en ese espacio

Un pixel de vegetación y uno

de suelo ocupan puntos

diferentes en el espacio 2D

10

19


UNAM


�� En una imagen multiespectral en lugar de dos En una imagen multiespectral en lugar de dos

dimensiones tenemos dimensiones tenemos nn dimensiones (6 en el dimensiones (6 en el

caso de caso de LansatLansat ETMETM

�� Cada Cada pixelpixel se puede representar como un se puede representar como un

punto en un espacio npunto en un espacio n--dimensionaldimensional

�� En los ejemplos, vemos 2 dimensiones pero el En los ejemplos, vemos 2 dimensiones pero el

principio aplica para cualquier espacio nprincipio aplica para cualquier espacio n--

dimensionaldimensional

20


UNAM

Band 3

Ban

d 4

Diagramas de dispersiDiagramas de dispersióón (n (featurefeature

spacespace))

�� RepresentaciRepresentacióón grn grááfica fica

de los pixeles en un de los pixeles en un

diagrama de diagrama de

dispersidispersióón de 2 n de 2

bandas.bandas.

�� Para el caso de una Para el caso de una

imagen Landsat imagen Landsat

habrhabráán 15 imn 15 imáágenes de genes de

espacio de rasgosespacio de rasgos

11

21


UNAM

Diagramas de dispersiDiagramas de dispersióón (n (featurefeature spacespace))

0

5

10

15

20

25

30

35

40

45

Band 1 Band 2 Band 3 Band 4 Band 5 Band 7

0

5

10

15

20

25

30

35

40

45

0 2 4 6 8 10 12 14 16 18 20

Band 3

Ban

d 4

Con la variabilidad, los

pixeles de vegetación

ocupan ahora una región no

un punto en el espacio n-

dimensional

Pixeles de suelo

ocupan una región

diferente en el

espacio n-

dimensional

22


UNAM

ClasificaciClasificacióónn

• Delinear bordes de clases en el espacio n-

dimensional y asignar nombres a esos grupos.

0

5

10

15

20

25

30

35

40

45

0 2 4 6 8 10 12 14 16 18 20

Band 3

Ban

d 4

12

23


UNAM

Clasificación: Separabilidad de clases

Banda 1

Banda 2

clase 1

clase 2

Buena separabilidad

24


UNAM


Banda 1

Banda 2

Clase 1

Clase 2

Posibilidad de error en la

clasificación

13

25


UNAM

Banda 1

Banda 2

Clase 1

Clase 2

La clasificación es imposible


26


UNAM

Banda 1

Banda 2 Clasificación lineal

Clasificación no-lineal


14

27


UNAM


Banda m

Firma 1

Firma 2

Firma 3

Bandas m and q

Estas 3 firmas se sobreponen en las bandas m y q

28


UNAM


Banda m

Firma 1

Firma 2

Firma 3

No se sobreponen en las bandas m y n

Bandas m and n

15


UNAM 29

Tipos de clasificacionesTipos de clasificaciones

30


UNAM


�� ClasificaciClasificacióón Supervisadan Supervisada: : El usuario especifica El usuario especifica

muestras nummuestras numééricas de los tipos de cobertura en ricas de los tipos de cobertura en

una escenauna escena

�� Campos de entrenamientoCampos de entrenamiento ((ááreas representativas reas representativas

de clases conocidasde clases conocidas) ) son utilizadas para son utilizadas para

compilar una clave de interpretacicompilar una clave de interpretacióón numn numéérica rica

que describan los atributos espectrales para cada que describan los atributos espectrales para cada

rasgorasgo..

16

31


UNAM

EnfoqueEnfoque supervisadosupervisado vsvs no no supervisadosupervisado

�� SupervisadaSupervisada –– El El analistaanalista ““supervisasupervisa”” la la

selecciseleccióónn espectralespectral queque representanrepresentan los los patronespatrones

o o rasgosrasgos de de coberturacobertura del del suelosuelo queque el el analistaanalista

puedepuede reconocerreconocer

DecisiDecisióónn a prioria priori

32


UNAM

ClasClasificaciificacióónn supervisadasupervisada

17

33


UNAM

EnfoqueEnfoque supervisadosupervisado vsvs no no supervisadosupervisado

�� No No supervisadasupervisada –– AlgoritmosAlgoritmos estadestadíísticossticos de de

ccúúmulosmulos ""clusteringclustering" se " se utilizanutilizan parapara

seleccionarseleccionar laslas clasesclases espectralesespectrales inherentesinherentes a a

los los datosdatos. Es un . Es un procesoproceso automautomááticotico

DecisiDecisióónn a a posterioriposteriori

34


UNAM

ClasificaciClasificacióónn no supervisadano supervisada

18

35


UNAM

SupervisadaSupervisada vs. Novs. No--supervisadasupervisada

Red

N

I

R

No-Supervisada: Decisión a posteriori a partir de la

información de las clases en la imagen a las clases

espectrales en el espacio de rasgos

Supervisada decisión a priori de clases espectrales en

el espacio de rasgos a clases de información en la

imagen

36


UNAM

Diagrama de dispersiDiagrama de dispersióón (Rojo X n (Rojo X vsvs NIR Y)NIR Y)

19

37


UNAM

SupervisadaSupervisada vs. Novs. No--supervisadasupervisada

Editar-evaluar firmas

Selección de

campos de

entrenamiento

Clasificar la

imagen

Evaluar la

clasificación

Identificar clases

Correr el algoritmo

de cluster

Evaluar la

clasificacion

Editar-evaluar

firmas espectrales

38


UNAM

ClasificaciClasificacióón no supervisadan no supervisada::

�� En la clasificaciEn la clasificacióón supervisada hay un n supervisada hay un

primer paso de entrenamiento seguido por primer paso de entrenamiento seguido por

la clasificacila clasificacióón.n.

�� En la clasificaciEn la clasificacióón no supervisada, los datos n no supervisada, los datos

de la imagen son agrupados primero en de la imagen son agrupados primero en

ccúúmulos (grupos espectrales naturales) mulos (grupos espectrales naturales)

presentes en la escenapresentes en la escena

20

39


UNAM

ClasificaciClasificacióón no supervisadan no supervisada

�� Generalmente se utiliza un procedimiento Generalmente se utiliza un procedimiento de ande anáálisis de clisis de cúúmulos mulos (cluster).(cluster).

�� Los centros de clases iniciales, son tomados Los centros de clases iniciales, son tomados aleatoriamente y posteriormente iterando, aleatoriamente y posteriormente iterando, se asignan y reasignan el resto de los se asignan y reasignan el resto de los pixeles a alguna clase.pixeles a alguna clase.

�� Esto es interpretado como el conjunto de Esto es interpretado como el conjunto de clases que estclases que estáán presentes en la escena.n presentes en la escena.

40


UNAM


�� En la clasificaciEn la clasificacióón no supervisada, los datos n no supervisada, los datos

espectrales imponen restricciones a la espectrales imponen restricciones a la

interpretaciinterpretacióón.n.

�� El analista determina la identidad de los El analista determina la identidad de los

ccúúmulos comparando los datos de la imagen mulos comparando los datos de la imagen

con los datos de referencia o conocimiento del con los datos de referencia o conocimiento del

terrenoterreno

21

41


UNAM


�� En lugar de definir campos de entrenamiento En lugar de definir campos de entrenamiento

se usan enfoques estadse usan enfoques estadíísticos para dividir el sticos para dividir el

espacio nespacio n--dimensional en cdimensional en cúúmulos con la mulos con la

mejor separacimejor separacióón.n.

�� Posteriormente, se asignan los nombres a esos Posteriormente, se asignan los nombres a esos

ccúúmulosmulos

42


UNAM


Imagen Digital

El analista pide a la computadora examinar la imagen y extraer un numero de cúmulos espectralmente diferenciables. Clusters espectralmente

distintos

Cluster 3

Cluster 5

Cluster 1

Cluster 6

Cluster 2

Cluster 4

22

43


UNAM

Clusters muestra salvados

Cluster 3

Cluster 5

Cluster 1

Cluster 6

Cluster 2

Cluster 4


Imagen de salida clasificada

Desconocido

Siguientepixel a ser clasificado

44


UNAM


??? Agua

??? Agua

??? Coníferas

??? Coníferas

??? Deciduio

??? Deciduo

El resultado de la clasificación no supervisada no es útil hasta que se le asignen nombres a la imagen de salida

El analista determina el tipo de clases de información para cada uno de los clusters

23

45


UNAM


Coníferas

Decíduo

Agua

Land Cover Map Leyenda

Agua

Agua

Coníferas

Coníferas

Decíduo

Decíduo

Etiquetas

Es un proceso de agrupación (reclasificación) los clusters en información significativa basado en una leyenda.

El resultado es un mapa generalizado de las clases existentes en la imagen

46


UNAM


�� ProsPros

�� Toma mToma mááxima ventaja de la variabilidad espectral xima ventaja de la variabilidad espectral en una imagenen una imagen

�� ConsCons

�� La La separabilidadseparabilidad del los clusters en el espacio del los clusters en el espacio espectral puede no coincidir con nuestra espectral puede no coincidir con nuestra percepcipercepcióón de las clases de importancia en el n de las clases de importancia en el paisajepaisaje

24

47


UNAM

ClasificadorClasificador ISODATAISODATA

�� ““Iterative SelfIterative Self--Organizing Data Analysis TechniqueOrganizing Data Analysis Technique””

�� ParParáámetros a proporcionar al algoritmo metros a proporcionar al algoritmo

incluyen:incluyen:

�� N N –– El nEl núúmero mero maximomaximo de clusters deseadosde clusters deseados

�� T T –– Un valor umbral de convergenciaUn valor umbral de convergencia

�� M M –– NNúúmero mmero mááximo de iteraciones a ser realizadasximo de iteraciones a ser realizadas

48


UNAM

ISODATA ISODATA ProcedimientoProcedimiento

�� N N clusters promedio son establecidosclusters promedio son establecidos

�� La imagen es clasificada utilizando un La imagen es clasificada utilizando un

clasificador de mclasificador de míínima distancia.nima distancia.

�� Un nuevo valor medio para cada cluster es Un nuevo valor medio para cada cluster es

calculadocalculado

25

49


UNAM

ClasificadorClasificador de de mmíínimanima distanciadistancia

Reflectancia Rojo

NIR

Reflectan

cia

Suelo 1Suelo 2

Suelo 3

Agua 1

Agua 2

Veg 1

Veg 2

Veg3

50


UNAM

ClasificadorClasificador de de mmíínimanima distanciadistancia

X

Y92, 153

180, 85

Xd = 180 -92

Yd = 85-153Distancia = 111.2

26

51


UNAM

ISODATA ISODATA ProcedimientoProcedimiento

�� La imagen es clasificada nuevamente La imagen es clasificada nuevamente

utilizando los nuevos valores medios de cada utilizando los nuevos valores medios de cada

clustercluster

�� Un nuevo conjunto de valores promedio para Un nuevo conjunto de valores promedio para

cada cluster es calculadocada cluster es calculado

�� La imagen es clasificada nuevamenteLa imagen es clasificada nuevamente……....

52


UNAM

ISODATA ISODATA

�� DespuDespuéés de cada iteracis de cada iteracióón el algoritmo calcula el n el algoritmo calcula el

porcentaje de pixeles que permanecen en el porcentaje de pixeles que permanecen en el

mismo cluster entre iteraciones.mismo cluster entre iteraciones.

�� Cuando este porcentaje excede el valor umbral de Cuando este porcentaje excede el valor umbral de

convergencia asignado (T), el programa finaliza o convergencia asignado (T), el programa finaliza o

bien cuandobien cuando……..

�� Si nunca se llega al valor de convergencia el Si nunca se llega al valor de convergencia el

programa continuarprograma continuaráá hasta que el nhasta que el núúmero de mero de

iteraciones asignado se cumpla y el programa iteraciones asignado se cumpla y el programa

terminatermina

27

53


UNAM

ISODATA Pros y ConsISODATA Pros y Cons

�� Es un procedimiento no Es un procedimiento no paramparaméétricotrico es decir es decir

los datos no necesitan estar normalmente los datos no necesitan estar normalmente

distribudistribuíídosdos

�� Encuentra clusters Encuentra clusters ““verdaderosverdaderos”” si se permite si se permite

un nun núúmero de iteraciones suficientemero de iteraciones suficiente

54


UNAM

ISODATA Pros y ConsISODATA Pros y Cons

�� Las firmas resultado del procedimiento se Las firmas resultado del procedimiento se

pueden incorporar a firmas espectrales pueden incorporar a firmas espectrales

definidas por procedimientos de entrenamiento definidas por procedimientos de entrenamiento

supervisadosupervisado

�� Es un algoritmo que consume mucho tiempoEs un algoritmo que consume mucho tiempo

28

55


UNAM


�� PuntoPunto crcrííticotico: : En donde colocar los En donde colocar los

centros de clase inicialescentros de clase iniciales

A lo largo de la diagonal principal A lo largo del eje principal

56


UNAM


�� Al finalizar, se obtiene con un mapa de Al finalizar, se obtiene con un mapa de

distribuciones de pixeles en los clusters o distribuciones de pixeles en los clusters o

clasesclases ¿¿CCóómo asignar los nombres a las clases?mo asignar los nombres a las clases?

�� Se requiere conocimiento de la zona clasificadaSe requiere conocimiento de la zona clasificada

�� Uso de informaciUso de informacióón auxiliarn auxiliar

29

57


UNAM


�� Otros algoritmosOtros algoritmos (K(K--means)means)

�� Asume que el nAsume que el núúmero de clusters es conocido mero de clusters es conocido a a prioripriori mientrasmientras queque el ISODATA el ISODATA permitepermitennúúmerosmeros diferentesdiferentes de clusters de clusters

�� Es no iterativoEs no iterativo

�� Identifica Identifica ááreas con textura reas con textura ““suavesuave””

�� Define los centros de clusters de acuerdo a la Define los centros de clusters de acuerdo a la primera ocurrencia en la imagen de las primera ocurrencia en la imagen de las ááreas reas ““suavessuaves””

58


UNAM


�� AglomeraciAglomeracióón jern jeráárquicarquica

�� Agrupa dos pixeles cercanos en el espacio Agrupa dos pixeles cercanos en el espacio

espectralespectral

�� Recalcula la posiciRecalcula la posicióón como la media de los dos y n como la media de los dos y

agrupaagrupa

�� Agrupa los siguientes dos pixeles o grupos Agrupa los siguientes dos pixeles o grupos

cercanos cercanos

�� Repite hasta que todos los pixeles son asignados a Repite hasta que todos los pixeles son asignados a

una claseuna clase

clasificacion de imagenes

Documents

Transcript of clasificacion de imagenes