Clasificacion Internacional de Productos y Servicios (Clasificacion de Niza)
clasificacion de imagenes
-
Upload
comentoncomenta -
Category
Documents
-
view
20 -
download
2
description
Transcript of clasificacion de imagenes
1
Posgrado en Ciencias de la Tierra
UNAM 1
ClasificaciClasificacióón de imn de imáágenesgenes
2
Posgrado en Ciencias de la Tierra
UNAM
Imagen multiespectral
ImImáágenes multiespectralesgenes multiespectrales
IR IR mediomedio
IR IR cercanocercano
RojoRojo
VerdeVerde
AzulAzul
2
3
Posgrado en Ciencias de la Tierra
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
Posgrado en Ciencias de la Tierra
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
Posgrado en Ciencias de la Tierra
UNAM
Interpretación y Clasificación
�Como resultado, se espera un mapa temático
(uso del suelo, geología, climas, etc.).
6
Posgrado en Ciencias de la Tierra
UNAM
Interpretación y Clasificación
4
7
Posgrado en Ciencias de la Tierra
UNAM
Interpretación y Clasificación
8
Posgrado en Ciencias de la Tierra
UNAM
ClasClasificaciificacióónn de Imde Imáágenesgenes
5
9
Posgrado en Ciencias de la Tierra
UNAM
ClasClasificaciificacióónn de Imde Imáágenesgenes
�� 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
Posgrado en Ciencias de la Tierra
UNAM
ClasClasificaciificacióónn de Imde Imáágenesgenes
�� 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
Posgrado en Ciencias de la Tierra
UNAM
ClasClasificaciificacióónn de Imde Imáágenesgenes
�� 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
Posgrado en Ciencias de la Tierra
UNAM
ClasClasificaciificacióónn de Imde Imáágenesgenes
7
13
Posgrado en Ciencias de la Tierra
UNAM
ClasClasificaciificacióónn de Imde Imáágenesgenes
14
Posgrado en Ciencias de la Tierra
UNAM
ClasClasificaciificacióónn de Imde Imáágenesgenes
�� 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
Posgrado en Ciencias de la Tierra
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
Posgrado en Ciencias de la Tierra
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
Posgrado en Ciencias de la Tierra
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
Posgrado en Ciencias de la Tierra
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
Posgrado en Ciencias de la Tierra
UNAM
ClasClasificaciificacióónn de Imde Imáágenesgenes
�� 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
Posgrado en Ciencias de la Tierra
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
Posgrado en Ciencias de la Tierra
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
Posgrado en Ciencias de la Tierra
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
Posgrado en Ciencias de la Tierra
UNAM
Clasificación: Separabilidad de clases
Banda 1
Banda 2
clase 1
clase 2
Buena separabilidad
24
Posgrado en Ciencias de la Tierra
UNAM
ClasificaciClasificacióónn
Banda 1
Banda 2
Clase 1
Clase 2
Posibilidad de error en la
clasificación
13
25
Posgrado en Ciencias de la Tierra
UNAM
Banda 1
Banda 2
Clase 1
Clase 2
La clasificación es imposible
ClasificaciClasificacióónn
26
Posgrado en Ciencias de la Tierra
UNAM
Banda 1
Banda 2 Clasificación lineal
Clasificación no-lineal
ClasificaciClasificacióónn
14
27
Posgrado en Ciencias de la Tierra
UNAM
ClasificaciClasificacióónn
Banda m
Firma 1
Firma 2
Firma 3
Bandas m and q
Estas 3 firmas se sobreponen en las bandas m y q
28
Posgrado en Ciencias de la Tierra
UNAM
ClasificaciClasificacióónn
Banda m
Firma 1
Firma 2
Firma 3
No se sobreponen en las bandas m y n
Bandas m and n
15
Posgrado en Ciencias de la Tierra
UNAM 29
Tipos de clasificacionesTipos de clasificaciones
30
Posgrado en Ciencias de la Tierra
UNAM
ClasClasificaciificacióónn de Imde Imáágenesgenes
�� 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
Posgrado en Ciencias de la Tierra
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
Posgrado en Ciencias de la Tierra
UNAM
ClasClasificaciificacióónn supervisadasupervisada
17
33
Posgrado en Ciencias de la Tierra
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
Posgrado en Ciencias de la Tierra
UNAM
ClasificaciClasificacióónn no supervisadano supervisada
18
35
Posgrado en Ciencias de la Tierra
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
Posgrado en Ciencias de la Tierra
UNAM
Diagrama de dispersiDiagrama de dispersióón (Rojo X n (Rojo X vsvs NIR Y)NIR Y)
19
37
Posgrado en Ciencias de la Tierra
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
Posgrado en Ciencias de la Tierra
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
Posgrado en Ciencias de la Tierra
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
Posgrado en Ciencias de la Tierra
UNAM
ClasificaciClasificacióón no supervisadan no supervisada
�� 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
Posgrado en Ciencias de la Tierra
UNAM
ClasificaciClasificacióón no supervisadan no supervisada
�� 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
Posgrado en Ciencias de la Tierra
UNAM
ClasificaciClasificacióón no supervisadan no supervisada
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
Posgrado en Ciencias de la Tierra
UNAM
Clusters muestra salvados
Cluster 3
Cluster 5
Cluster 1
Cluster 6
Cluster 2
Cluster 4
ClasificaciClasificacióón no supervisadan no supervisada
Imagen de salida clasificada
Desconocido
Siguientepixel a ser clasificado
44
Posgrado en Ciencias de la Tierra
UNAM
ClasificaciClasificacióón no supervisadan no supervisada
??? 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
Posgrado en Ciencias de la Tierra
UNAM
ClasificaciClasificacióón no supervisadan no supervisada
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
Posgrado en Ciencias de la Tierra
UNAM
ClasificaciClasificacióón no supervisadan no supervisada
�� 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
Posgrado en Ciencias de la Tierra
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
Posgrado en Ciencias de la Tierra
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
Posgrado en Ciencias de la Tierra
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
Posgrado en Ciencias de la Tierra
UNAM
ClasificadorClasificador de de mmíínimanima distanciadistancia
X
Y92, 153
180, 85
Xd = 180 -92
Yd = 85-153Distancia = 111.2
26
51
Posgrado en Ciencias de la Tierra
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
Posgrado en Ciencias de la Tierra
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
Posgrado en Ciencias de la Tierra
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
Posgrado en Ciencias de la Tierra
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
Posgrado en Ciencias de la Tierra
UNAM
ClasificaciClasificacióón no supervisadan no supervisada
�� 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
Posgrado en Ciencias de la Tierra
UNAM
ClasificaciClasificacióón no supervisadan no supervisada
�� 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
Posgrado en Ciencias de la Tierra
UNAM
ClasificaciClasificacióón no supervisadan no supervisada
�� 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
Posgrado en Ciencias de la Tierra
UNAM
ClasificaciClasificacióón no supervisadan no supervisada
�� 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