Sesion 07 ClasificacióN
Upcoming SlideShare
Loading in...5
×
 

Sesion 07 ClasificacióN

on

  • 1,286 views

 

Statistics

Views

Total Views
1,286
Views on SlideShare
1,286
Embed Views
0

Actions

Likes
1
Downloads
16
Comments
1

0 Embeds 0

No embeds

Accessibility

Categories

Upload Details

Uploaded via as Microsoft PowerPoint

Usage Rights

© All Rights Reserved

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Processing…
  • Es un tema de muuucha importancia para mi
    Are you sure you want to
    Your message goes here
    Processing…
Post Comment
Edit your comment

Sesion 07 ClasificacióN Sesion 07 ClasificacióN Presentation Transcript

  • TELEDETECCIÓN APLICADA. NOCIONES BÁSICAS. Profesor: Elena Castillo López
  • Sesión VII CLASIFICACIÓN DIGITAL DE IMÁGENES
  • 1.- CLASIFICACIÓN DIGITAL 1.1.- INTRODUCCIÓN
    • La clasificación digital es un proceso de generalización temática que, mediante categorización, convierte la información cuantitativa de una imagen en información cualitativa.
    • Planteamiento del problema:
        • - Establecer si una celda pertenece a una determinada clase informacional de las que se recogen en la leyenda.
  • 1.- CLASIFICACIÓN DIGITAL 1.2.- ENTRENAMIENTO
    • Consiste en definir los parámetros de cada clase:
        • Vector de medias
        • Matriz de covarianzas.
    • Tipos de entrenamiento:
        • 1.- SUPERVISADO: el operador delimita una muestra de celdas a partir de la cual el sistema extraerá los parámetros de la clase que ocupa esas áreas.
        • 2.- NO SUPERVISADO: el sistema, a partir de unas instrucciones mínimas, busca agrupamientos naturales de valores en el espacio de características.
  • 1.- CLASIFICACIÓN DIGITAL 1.2.- ENTRENAMIENTO SUPERVISADO NO SUPERVISADO
  • 1.- CLASIFICACIÓN DIGITAL 1.3.- MÉTODO SUPERVISADO
    • Se definen en la escena los campos de entrenamiento ( training fields):
        • conjunto de parcelas suficientemente representativas de una determinada clase;
        • el resultado final de la clasificación depende fundamentalmente de la selección de los campos de entrenamiento.
  • 1.- CLASIFICACIÓN DIGITAL 1.3.- MÉTODO SUPERVISADO
    • REQUISITOS:
        • pureza de los píxeles: celdas que representan solamente a la cubierta que se pretende caracterizar sin contaminación de otras;
        • representatividad de la variabilidad de la clase: el conjunto de los campos de entrenamiento debe incluir la variación interna de la clase para dar cabida a distintas condiciones de una misma cubierta (por ejemplo, el estado fenológico de un determinado elemento, el tipo de suelo, el grado de humedad, la orientación de la ladera,…).
  • 1.- CLASIFICACIÓN DIGITAL 1.3.- MÉTODO SUPERVISADO
  • 1.- CLASIFICACIÓN DIGITAL 1.3.- MÉTODO SUPERVISADO
    • POSIBLES PROBLEMAS A EVITAR:
        • con un solo campo de entrenamiento por clase se corre el riesgo de particularizar excesivamente las características del elemento de manera que pueden atribuirse elementos a la misma clases sin llegar a distinguir que se tratan de diferentes cubiertas;
        • el número de campos de entrenamiento depende de la matriz de covarianzas de manera que se aconseja tomar entre 10 y 100 celdas por clase y banda de la imagen;
        • es preferible elegir un mayor número de campos de entrenamiento aunque sea de menor tamaño .
  • 1.- CLASIFICACIÓN DIGITAL 1.3.- MÉTODO SUPERVISADO Definición de campos de entrenamiento
  • 1.- CLASIFICACIÓN DIGITAL 1.4.- MÉTODO NO SUPERVISADO
    • Se busca la agrupación “natural” de los datos de la imagen en el espacio vectorial de características “clusters”, de acuerdo a alguna función de similaridad :
        • TRIPLE PROCESO:
          • se determinan las características de las celdas de entrenamiento;
          • se mide la similaridad o distancia estadística entre casos
          • se aplica algún criterio de agrupamiento de los casos similares o de escisión en clases diferentes.
  • Clasificación ISODATA Clasificación K-Means
  • 1.- CLASIFICACIÓN DIGITAL 1.5.- MÉTODOS MIXTOS
    • Combinación de los dos métodos:
        • se hace una clasificación inicial no supervisada cuyo resultado será supervisado posteriormente por el analista, agrupando “clusters” de igual significación temática y separando en nuevas clases las que mezclen dos categorías diferentes;
        • se hacen las dos clasificaciones (supervisada y no supervisada) y se sintetizan los resultados obtenidos de cada uno de ellas:
          • categorías que aparezcan en las dos;
          • categorías recogidas en la leyenda, pero no identificables en la clasificación no supervisada;
          • clases no supervisadas que aparecen sin estar en la leyenda.
  • 1.- CLASIFICACIÓN DIGITAL 1.6.- SEPARABILIDAD DE LAS CLASES
    • Discriminabilidad de las categorías:
        • sin las clases son muy diferentes el riesgo de error en la clasificación será bajo pero la leyenda será más pobre de lo que permitiría la riqueza espectral de la imagen;
        • si las clases son muy similares, la clasificación entrañará un elevado riesgo de confusión requeriría sustituir la leyenda por otra menos desagregada.
    • Antes de la fase de clasificación conviene estudiar la separabilidad de las clases. Métodos:
    • - gráficos;
    • - estadísticos.
  • 1.- CLASIFICACIÓN DIGITAL 1.6.- SEPARABILIDAD DE LAS CLASES
  • 1.- CLASIFICACIÓN DIGITAL 1.7.- CLASIFICADOR DE MÍNIMA DISTANCIA
    • El criterio más sencillo para asignar una celda a una categoría consiste en incluirlo en la espectralmente más cercana.
    • La función de similaridad utilizada es la distancia euclídea entre el vector de características de la celda y el centro de la clase:
    • La celda se asignará a la clase que presente una distancia menor d C .
    • Es un algoritmo de clasificación automática iterativo.
    • Está basado en la función de mínima distancia euclídea.
    • En cada ciclo de clasificación asignan las celdas a una clase provisional.
    • Durante el desarrollo del algoritmo se registran fugas de celdas de una clase a otra hasta que el proceso converge.
    1.- CLASIFICACIÓN DIGITAL 1.8.- CLASIFICADOR NO SUPERVISADO ISODATA
  •  
  • 1.- CLASIFICACIÓN DIGITAL 1.10.- MÉTODO SUPERVISADO PARALELEPIPEDO
    • La clasificación paralelepipédica o de hipercubos fija áreas de dominio para cada categoría:
        • una celda de nivel digital ND(k) en la banda k-ésima será atribuido a la clase C si se verifica:
          • siendo Rc un rango de dispersión concedido alrededor del valor medio;
          • cuanto mayor sea el rango mayor será el número de celdas incluidas en la categoría, pero se incrementará el riesgo de error de clasificación;
          • si el umbral es excesivamente pequeño, el riesgo de error se minimiza, pero también aumentarán las celdas sin clasificar.
    • La imagen de satélite requiere ser corregida geométricamente y es preciso proceder a georreferenciarla con el propósito de convertirlo en un producto cartográfico:
        • las correcciones geométricas son transformaciones puntuales mediante las cuales se cambian de posición las celdas originales sin alterar sus niveles digitales.
    2.- GEORREFERENCIACIÓN 2.1.- INTRODUCCIÓN
  • 2.- GEORREFERENCIACIÓN 2.1.- INTRODUCCIÓN
    • La corrección geométrica de la imagen es imprescindible para:
        • realizar cualquier análisis de información en el que sea preciso superponer información cartográfica auxiliar;
        • realizar estudios multitemporales.
  • 2.- GEORREFERENCIACIÓN 2.1.- INTRODUCCIÓN
    • Las formas de corregir la imagen son las siguientes:
        • - deformar la imagen original utilizando como referencia cartografía digital;
        • - corregir las anomalías sistemásticas mediante modelización matemática.
  • 2.- GEORREFERENCIACIÓN 2.2.- CORRECCIÓN POLINÓMICA
    • Son métodos basados en la búsqueda de una función que transforma las coordenadas de los puntos de control en coordenadas corregidas.
    • Posteriormente esas funciones son aplicadas al resto de las celdas de la imagen original.
    • Etapas:
        • - selección de los puntos de control;
        • - cálculo de los coeficientes de los polinomios de ajuste;
        • - transferencia de las celdas a sus nuevas posiciones;
        • - remuestreo.
    • El caso más sencillo es el del ajuste lineal, en el que las coordenadas corregidas (u,v) se encuentran en función de las coordenadas (x,y) de los puntos de control de la imagen sin corregir:
    • al ser 3 incognitas para cada una de las dos variables, su resolución, al menos requerirá un sistema de 3 ecuaciones; por lo que éste será el mínimo número de puntos a emplear en este ajuste.;
    2.- GEORREFERENCIACIÓN 2.2.- CORRECCIÓN POLINÓMICA
    • Si el ajuste se realiza mediante polinomios de segundo grado, las ecuaciones a plantear serán las siguientes:
    • para la resolución de los coeficientes se necesitará un sistema de 6 ecuaciones con 6 incógnitas para cada una de las variables. Por ello, el mínimo número de puntos de control a utilizar en un ajuste de segundo grado deberá ser de 6.
    2.- GEORREFERENCIACIÓN 2.2.- CORRECCIÓN POLINÓMICA
    • Un ajuste de tercer grado exigiría plantear el siguiente sistema:
    • para cuya resolución se requiere un mínimo de 10 puntos.
    2.- GEORREFERENCIACIÓN 2.2.- CORRECCIÓN POLINÓMICA
  • 2.- GEORREFERENCIACIÓN 2.2.- CORRECCIÓN POLINÓMICA
  • 2.- GEORREFERENCIACIÓN 2.2.- CORRECCIÓN POLINÓMICA Seleccionar puntos de control Distorsionar la imagen
  • 2.- GEORREFERENCIACIÓN 2.3.- MÉTODOS DE REMUESTREO
    • Los métodos de remuestreo tienen por objeto encontrar para cada posición un nivel digital que exprese el valor radiométrico más fiel al original.
    • Tipos de remuestreo:
        • Vecino más próximo;
        • Interpolación bilineal;
        • Convolución cúbica
        • TERMINOLOGÍA:
        • - imagen transformada : la resultante de la transformación geométrica mediante las funciones de ajuste;
        • - imagen corregida: la resultante del remuestreo de la
        • transformada.
  • 2.- GEORREFERENCIACIÓN 2.3.- MÉTODOS DE REMUESTREO
  • 2.- GEORREFERENCIACIÓN 2.3.- MÉTODOS DE REMUESTREO
    • Este procedimiento no altera los niveles digitales de la imagen original, sólo los traslada.
    • Puede introducir fracturas en el trazado de los rasgos lineales de la imagen (efecto escalera).
    • Es el único método utilizable en la corrección de imágenes con información cualitativa , como son las imágenes clasificadas.
    VECINO MÁS PRÓXIMO
  • 2.- GEORREFERENCIACIÓN 2.3.- MÉTODOS DE REMUESTREO INTERPOLACIÓN BILINEAL
    • La interpolación bilineal asigna a la celda corregida la media ponderada de los niveles digitales correspondientes a las cuatro posiciones más cercanas de la imagen transformada.
    • El peso asociado a cada nivel digital es proporcional a la proximidad entre ellos (1-  x, 1-  y) medida entre centros de celdas.
  • 2.- GEORREFERENCIACIÓN 2.3.- MÉTODOS DE REMUESTREO INTERPOLACIÓN BILINEAL
    • Este método produce resultados suavizados ya que las cuatro posiciones más próximas contribuyen al nivel digital final asignado al píxel.
    • Es un método apropiado cuando se trata de corregir imágenes con información cuantitativa.
    • La ponderación de los niveles digitales se produce de la siguiente forma:
  • 2.- GEORREFERENCIACIÓN 2.3.- MÉTODOS DE REMUESTREO CONVOLUCIÓN CÚBICA
    • La convolución cúbica es un interpolador que emplea polinomios de tercer orden.
    • Se involucran las dieciséis celdas más cercanas al punto considerado.
    • Los niveles digitales (ND) se interpolan linealmente en grupos de cuatro líneas de cuatro píxeles cada una para formar cuatro interpolantes.
    • Posteriormente se realiza otra interpolación lineal entre los cuatro valores obtenidos para asignar el resultante a la celda corregida.
  • 2.- GEORREFERENCIACIÓN 2.3.- MÉTODOS DE REMUESTREO CONVOLUCIÓN CÚBICA Cuatro interpolantes: Nivel digital final:
  • FIN