Clasificación Digital de imágenes: Métodos

1Clasificacin DigitalMtodos

Noviembre de 2007

Muchos de los materiales utilizados en esta presentacin han sido elaborados y facilitados por el Dr. Hctor del Valle

Fundamentos de la clasificacinLa clasificacin multiespectral es el proceso de ordenar los pxeles de una imagen en un nmero finito y definido de clases en base a caractersticas comunes

Mas espec ficamente, es el reconocimiento de patrones espectrales, que categoriza los nmeros digitales (ND) de los pxeles de una imagen continua (cuantitativa), en un nmero determinado de clases

El resultado es una capa temtica (cualitativa), que representa categoras (clases) especficas, basado en propiedades espectrales, datos auxiliares, trabajo de campo, etc.

Fases de la clasificacin

Entrenamiento (definir numricamente las categoras):

SupervisadoNo supervisado

Asignacin (categorizar los pxeles de la imagen)Verificacin de resultados

EntrenamientoTipo de la leyenda:

Jerrquicas (Anderson, LCCS, USGS; Corine)No jerrquicas

Propiedades de la leyenda:Clases mutuamente excluyentesClases ExhaustivasA tener en cuenta: evitar mezcla de criterios, ajustarse a los datos disponibles

v Un esquema de clasificacin define la leyendav Hay distintos esquemas de clasificacin disponibles:

v Los esquemas de clasificacin pueden ser jerrquicos y no jerrquicos

v Otros atributos que pueden ser mapeados incluyen: estructura de la vegetacin, disturbios de la cobertura terrestre, edad de la vegetacin (primarias y secundarias), distribucin de taxa, uso de la tierra, etc.

http://www.africover.org/LCCS.htmFAO Land Cover Classification System

http://landcover.usgs.gov/classes.aspNational Land Cover Data

http://landcover.usgs.gov/pdf/anderson.pdf

Anderson

URLClasificacin

2Entrenamiento supervisado

Pastizal

Agua reasforestales

Cultivos de riego

Sealar reas caractersticasen la imagen

Apoyo de radiometrade campo

Fuente: Chuvieco(1996)

Caractersticas de las reasde entrenamiento

Bien identificados:LocalizacinActualizacin

Suficientemente homogneos:Ruido de la escenaAuto-correlacin espacial

Que cubran todas las clases

Cmo obtener estadsticas de entrenamiento?

Muestreando pxeles:Se asume mxima variabilidadPueden seleccionarse p xeles aislados o pxeles en el interior de polgonosMtodos estandarizados

Segmentando la imagen en manchas:Se asume coherencia espacialMs ajustado a cartografa convencional

A partir de p xeles

Digitalizar polgonos:Tamao: autocorrelacinEfecto de bordeForma: Figuras geomtricas regulares Trazado irregular

Semillado:Distancia espectralDistancia espacial


A partir de manchas: Segmentacin de imgenes

Clasificacin sobre manchas:Criterio espectral (dispersin)Criterio espacial (contigidad)


Anlisis de estadsticas

Medidas de centralidad y dispersinGrficos de valores promedioGrficos de separabilidadMedidas estadsticas de separabilidad

Distancia normalizadaDivergencia

3Valores estadsticos

Banda

Urbano

Pastizal

Matorral

Pinar-Encinar

Suelo

Cultivo

Agua

ETM X DT X DT X DT X DT X DT X DT X DT 1 10,45 2,20 5,57 0,77 5,31 1,95 1,35 0,61 13,16 5,03 4,49 0,83 2,82 0,41 2 11,12 1,93 7,51 0,68 6,29 2,32 2,49 0,79 15,74 5,66 5,39 1,08 3,21 0,29 3 15,65 2,66 9,44 1,12 9,52 3,94 3,32 0,83 22,76 7,64 5,84 1,28 3,29 0,38 4 19,33 2,5428,80 3,85 16,80 4,02 17,53 3,86 25,71 4,77 30,84 3,28 1,60 0,19 5 21,88 2,5926,50 1,26 22,62 6,67 9,39 1,75 34,34 8,71 14,87 2,11 2,95 0,18 7 17,04 2,7015,54 1,54 15,18 4,73 5,42 0,94 26,76 8,15 7,75 1,15 2,65 0,27


Grficos de signaturas

0

5

10

15

20

25

30

35

40

1 2 3 4 5 7

urbano

pastizal

matorral

pinar-enc

suelo

cultivo

agua


Separabilidadgrfica

0

5

10

15

20

urbano pastizal matorral pinar-enc suelo cultivo agua

Banda 1

Banda 5

Banda 4

0

5

10

15

20

25

30

35

40


05

10

15

2025

30

35

40

4550



Separabilidad grfica

Banda 3 Banda 4


Elipses de dispersin

Banda 3

Foresta

Banda 4

Pastizal

Cultivo

Matorral

Urbano

Suelo

Agua


Separabilidad estadstica

Distancia normalizada:

Divergencia:DivAB = 0,5 Tr [(VA - VB) (VB-1 - VA-1)] + 0,5 Tr

[(VA-1 + VB-1) (MA - MB)(MA - MB)T]

Divergencia transformada:DTAB = c (1 - exp (-DivAB /8))

Bs

ND

+A

BA

BA, s

ND - = dn

4Ejemplo de separabilidad

Urbano Pastizal Matorral Pinar-Enc Agua Suelo Pastizal 2.000 Matorral 1.998 1.999 Pinar-Encinar 2.000 2.000 2.000 Agua 2.000 2.000 2.000 2.000 Suelo 1.942 2.000 1.999 2.000 2.000 Cultivo 2.000 2.000 2.000 1.993 2.000 2.000


Inters de las medidas de separabilidad

Determinar las clases problemticasRevisar el proceso de entrenamientoRevisar las bandas seleccionadas

Seleccionar las bandas con mayor poder discriminante

Evaluacin rea de entrenamiento

Las muestras de entrenamiento que han sido creadas pueden sen modificadas, renombradas, eliminadas, y fusionadas, segn sea necesario luego de haber sido evaluadas

Criterios de asignacin

Mnima distanciaParaleleppedosMxima probabilidadrboles de decisinRedes neuronales

Asignacin: Mnima distancia

R

IRCa

c

b

?


La regla de decisin de la mnima distancia calcula la distancia espectral entre el valor del p xel candidato y el valor media de cada firma, en cada banda.El clculo de la distancia se hace a travs de la ecuacin de la distancia euclidiana.

Asignacin: Mnima distancia

Ventajas:Rpido de ejecutarTodos los pxeles son clasificados

Inconvenientes:No considera varianzaProclive a errores de comisin

5Asignacin: Paraleleppedos

R

IRC a

c

b

?

?


En la regla de decisi n del paraleleppedo los niveles digitales del pxel candidato se comparan con los lmites superior e inferior de la firma. Estos lmites pueden ser: los valores mnimo y mximo de los ND para cada banda; la media de cada banda +/- n desviaciones estndar, u otros lmites definidos por el usuario en base a las distintas tcnicas de evaluacin de firmas espectrales.Considera reglas de no-clasificacin y de superposici n.

Asignacin: Paraleleppedos

Criterio de inclusin: si Inf < ND < Sup

Problemas:Pxeles en dos gruposPxeles sin clasificar

Ventajas:RpidoConsidera dispersin

Asignacin: Mxima probabilidad

R

IRC a

c

b

? La regla de decisi n de la mxima verosimilitud o mxima probabilidad est basada en la probabilidad que un pxel pertenezca a una clase en particular.La ecuacin bsica asume que estas probabilidades son iguales para todas las clases y que las bandas de entrada tiene distribuciones normales.La modificaci n Bayesiana permite asignar factores de peso para clases particulares, basado en conocimientos a priori.

Asignacin: Mxima probabilidad

Criterio bayesiano:p (x/A) p (x/B)

Problemas:Lento de c lculo

Ventajas:Considera dispersinPueden introducirse lmites

Clasificacin No-Supervisada

Clasificacin No-SupervisadaEs un proceso automatizado que le permite al usuario especificar algunos parmetros que se utilizan para revelar patrones estadsticos inherentes a los datos Estos patrones son conglomerados de pxeles con caracter sticas espectrales similares que ordenan los pxeles en categoras

Clasificacin No-Supervisada

La clasificacin no supervisada es un proceso iterativo que utiliza la distancia espectral para asignar pxeles a un n mero definido de categoras o clasesEn cada iteracin, las estadsticas se re-calculan, y las agrupaciones van cambiando, hasta que se cumplan ciertas condiciones definidas por el usuario

6Imagen Digital

El analista pide a la mquina que revise la imagen y extraiga un nmero de clusters espectralmente distintos

Clusters Espectralmente Distintos

Cluster 3

Cluster 5

Cluster 1

Cluster 6

Cluster 2

Cluster 4

Clusters Guardados

Cluster 3

Cluster 5

Cluster 1

Cluster 6

Cluster 2

Cluster 4

Imagen de salida clasificada

Desconocido

Pxel a ser Clasificado

El resultado de la Clasificacin no supervisada no es todava informacin hasta que

el analista determina la cobertura del suelo para cada uno de los clusters

??? Agua

??? Agua

??? Confera

??? Confera

??? Algarrobo

??? Algarrobo

???

???

???

???

???

???

Conif .

Algarr.

Agua

Mapa de cobertura Leyenda

Agua

Agua

Conferas

Conferas

Algarrobos

Algarrobos

Etiquetas

Es un simple proceso de reagrupar (recodificar) los clusters en clases de informacin significativa (leyenda).

El resultado es esencialmente idntico al de la clasificacin supervisada:

Ventajas:Saca la mxima ventaja de la variabilidad espectral de la imagen

Desventajas:Los clusters ms separables en el espacio espectral pueden no concordar con nuestra percepcin de las clases importantes en la escena

Clasificacin No Supervisada Otros criterios de asignacin

Clasificadores en rbolIncorporar el contexto espacial:

AntesDuranteDespus

Clasificadores borrososClasificacin orientada a objetosRedes neuronales

7Clasificacin en rbol

Establecer reglasde decisin:

Si rx > 0.3 y ry < 0.2 y altitud < 900 m

- Complejo de entrenar+ Independiente del tipo de variables

< 10%

Agua

Regado

MDE

Caducifolios

< 40% > 40%

> 30% Urbano Cereal(muy probable) (probable)

< 30% Urbano Cereal(probable) (muy probable)

ROJO

SWIR

IRC

> 10%

Verde

> 30% < 30%

< 800m > 800m


Suavizacin de resultados





original 3 x 3 7 x 7

Imagen de Rapel , Chile, 1998Fuente: Chuvieco(1996)

Productos de la clasificacin

Archivo:Correccin geomtricaTabla de colorInformacin auxiliar (leyenda, escala grfica, vectores, rtulos, etc.)

Inventario:Superficie ocupada por cada categora.Pureza de reas de entrenamiento

8Correccin geomtrica


Generacin tabla de color


Ejemplo de tabla de color

Clase Red Green Blue ColorAgua 0 0 255AzulRegado 0 255 0Verde claroSuelo 255 255 0AmarilloHerbceas 255 180 0NaranjaMatorral 150 75 0MarrnConferas 0 125 0Verde oscuroUrbano 255 0 0RojoResidencial 255 0 255Magenta




Vectorizacin


Leyenda temtica


9Inclusin de elementos cartogrficosCarreteraRo

Arganda

Velilla

Rivas- UrbJa

ram

a

N-III


Resultado final


Inventario de la clasificacin


Validacin de resultados

vNecesidades:

Comprobar cumplimiento de objetivos

Probar la validez de una metodologa

v Inconvenientes:

Muestreo adicional: costo y tiempo

Dificultad de obtener una estimacin NO

sesgada

Consideraciones

vDisear el muestreo: cuntas?, dnde?

vRecolectar datos de referencia

v Comparar datos realidad y resultados (test

estadsticos y matr iz de confusin)

v Analizar los errores encontrados

10

Mtodos

v Comparar estadsticas

v Verificacin sobre las reas de

entrenamiento:

estimacin sesgada (muestras

dependientes)

v Indicar reas de verificacin y tipos de

muestreo

Fuentes de errorv Limitaciones del sensor

Leyenda, escala, resolucin

vMtodos de anlisis:

Tipo de interpretacin

v Estructura del rea de estudio:

Pxeles de borde (+resolucin espacial de las imgenes)

Mezcla de coberturas

v Proceso de verificacin

Criterios de toma de datos, sensores terrestres...

Pxelesde borde

Presencia de p xeles mixtos

Tipos de muestreo

Obtencin de la informacin

v En campo:

Costosa precisa

Calibrar bien el instrumental

homogeneizar criterios

Geo-referenciacin

v Fotografa area - cartografa:

Actualizacin - interpretacin

Matriz de confusin

Referencia

Clase 1 Clase 2 Clase 3 Clase n Total Exactitud Usuario

Error Comisin

Clase 1 X11 X1+ X 11/X1+ 1-X11/X 1+ Clase 2 X 22 X2+ X 22/X2+ 1-X22/X 2+

Clase 3 X33 X3+ X 33/X3+ 1-X33/X 3+ Clase n X nn Xn+ X nn/Xn+ 1-Xnn/X n+ Total X+1 X +2 X+3 X +n S Xi j

Exactitud Productor

X11/X+1 X22/X +2 X33/X+3 X nn/X+n

Cla

sifi

caci

n

Error Omisin

1-X11/X+1 1-X 22/X+2 1-X33/X+3 1-X nn/X+n

Bien clasificados

Errores de comisin

Errores de omisin

11

Medidas de fiabilidad

v Fiabilidad global:

v Fiabilidad por categor as:Usuario: Error comisin:

Productor: Error omisin:

ijnjni

iini

xx

F,1,1

,1==

=

SSS

=

i

iiip X

XF

+

=,

+

=i

iiiu X

XF ,

F = F z*ESnpqES =

i

iiiio X

XXE

+

+ -=,

+

+ -=i

iiiic X

XXE ,

Medidas de fiabilidad

vGrado de acuerdo (Kappa):

v Significacin:

iinii

iiniiiini

XXnXXXn

++=

++==

S-S-S

=,

2,,1k

22

12

21

kk ss

kk

+

-=z

ANALISIS CATEGORICO MULTIVARIANTE

INDICE KAPPA K

K = 0 -> es ajuste al azar

K = 1 -> ajuste plano entre realidad y mapa

Clasificación Digital de imágenes: Métodos

Documents

Transcript of Clasificación Digital de imágenes: Métodos