Upload
others
View
9
Download
0
Embed Size (px)
Citation preview
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