Los tópicos que se presentan en esta clase son:
Sumario
de las clases.
La clasificación es un proceso de extracción de información en imágenes para reconocer patrones y objetos homogéneos. Los Clasificadores "pixel a pixel" utilizan sólo la información espectral de cada pixel aisladamente, para encontrar regiones homogéneas.
El resultado final de un proceso de clasificación es una imagen digital que constituye un mapa de "pixels" clasificados, representados por símbolos gráficos o colores.
Las técnicas de clasificación multiespectral "pixel a pixel" más comunes son: máxima verosimilitud (MAXVER), distancia mínima y el método del paralelepípedo.
MAXVER considera la ponderación de las distancias entre las medias de los niveles digitales de las clases, utilizando parámetros estadísticos. Para que la clasificación por máxima verosimilitud sea suficientemente precisa, es necesario un número razonablemente elevado de "pixels", para cada conjunto de entrenamiento. Los conjuntos de entrenamiento definen el diagrama de dispersión de las clases y las respectivas distribuciones de probabilidad, considerando la distribución de probabilidad normal para cada clase de entrenamiento.
Antes de presentar los procedimientos para realizar una clasificación, a
continuación se describe la secuencia lógica de operaciones a ser seguida:
Þ Clasificación por Pixel:
- # Iniciar - Programas - Spring - Spring( ) #spring
(
)
SPRING
* Activar el banco de datos Curso
* Activar el proyecto Brasilia
* Visualizar una composición en color RGB con las bandas TM4, TM5 y TM3 o una
sola banda.
- [Imagen][Clasificación...]
Þ Creando archivo de contexto:
Clasificación
- (Crear...)
Creación de Contexto
- {Nombre: contx1}
- (Tipo de Análisis <=> Pixel)
- (Bandas | TM3, TM4 y TM5) - seleccionar las bandas
- (Ejecutar)
Þ Realizando el entrenamiento de la clasificación:
Clasificación
- (Contextos | contx1) - seleccionar el archivo de contexto
- (Entrenamiento...)
Entrenamiento
- {Nombre: vegetacao}
* Seleccionar un color
- (Crear)
- (Tipo <=> Adquisición)
Þ Adquiriendo muestras rectangulares:
Entrenamiento
- (Contorno <=> Rectangular)
* Seleccionar una muestra sobre la imagen como si fuera a efectuar un zoom.
- (Adquirir)
Þ Adquiriendo muestras poligonales:
Entrenamiento
- (Contorno <=> Poligonal)
* Digitalizar el contorno de la muestra sobre la imagen, encerrando la línea
con el botón del medio. Automáticamente el primer punto se une con el último.
- (Adquirir)
* Adquirir muestras suficientes para el tema
* Repetir para otros temas: urbano1, urbano2, agua
Þ Visualización de temas y muestras:
Entrenamiento
- (Temas | vegetação)
- (Visualizar)
- (Muestras | 1)
- (Visualizar)
Þ Alterando el tipo de muestras:
- (Muestras | 2)
- (Tipo <=> Test)
- (Alterar)
- (Guardar)
- (Cerrar)
Þ Clasificando la imagen:
Clasificación
- (Clasificación...)
Clasificación de Imágenes
- {Nombre: tmc}
- (Crear)
- (Clasificador <=> Maxver)
- (Umbral de Aceptación: 99%)
- (Analizar Muestras...)
Análisis de Muestras
- Analizar las muestras de adquisición y de test para cada tema
- En el caso que existan muestras que presenten una alta confusión, retornar al
entrenamiento para edición
Clasificación de Imágenes
- (Clasificar)
- Visualizar la imagen clasificada
Þ Eliminando los ruidos de clasificación - Postclasificación:
Clasificación
- (Postclasificación...)
Postclasificación
- (Imágenes Clasificadas | tmc)
- (Peso <=> 2)
- (Umbral <=> 5)
- (Ejecutar)
* Visualizar la imagen
resultante.
* Probar otros pesos y umbrales
Þ Mapeando temas de la imagen clasificada para clases del banco de datos:
Clasificación
- (Mapeo...)
Mapeo para Clases
- (Categoría | Uso_Terra)
- (Imágenes Clasificadas | tmc)
- (Temas | vegetacao)
- (Clases | Mata)
* Repetir para todos los temas. Para cada tema debe haber una clase temática
asociada
- (Ejecutar)
* Visualizar el plano temático tmc-temática
En este proceso, se divide la imagen en regiones que deben corresponder a las áreas de interés del usuario. Se entiende por región, un conjunto de "pixels" contiguos, que se dispersan bidireccionalmente y que presentan uniformidad.
La segmentación puede ser implementada a través de algoritmos de crecimiento de regiones, de detección de bordes o de detección de cuencas.
Crecimiento de regiones
Es una técnica de agrupamiento de datos, en la cual pueden ser unidas solamente las regiones adyacentes, espacialmente. Inicialmente, este proceso de segmentación rotula cada "pixel" como una región distinta. Luego se calcula un criterio de similitud para cada par de regiones adyacentes espacialmente. El criterio de similitud se basa en una prueba de hipótesis estadística que calcula la media entre las regiones. Seguidamente se divide la imagen en un conjunto de subimágenes y se realiza la unión de estas, según un umbral de agregación definido.
Detección de cuencas
La segmentación por detección de cuencas es realizada sobre una imagen resultante de la extracción de bordes. La extracción de bordes es realizada a través de un filtro de Sobel. Este algoritmo considera los gradientes de nivel de gris de la imagen original, para generar una imagen gradiente o imagen de intensidad de borde.
El algoritmo calcula un umbral para la persecución de bordes. Cuando dicho algoritmo encuentra un "pixel" con valor superior al umbral establecido, se inicia el proceso de persecución del borde. Se observa la vecindad para identificar el próximo "pixel" de mayor valor de nivel digital y sigue en esta dirección hasta que se encuentre otro borde o la frontera de la imagen. De este proceso se genera una imagen binaria donde los valores de 1 se refieren a los bordes y 0, a las regiones de no bordes.
La imagen binaria es rotulada de modo que las porciones de la imagen con valores 0 componen las regiones limitadas por los valores 1 de la imagen, constituyendo la imagen rotulada.
El procedimiento de segmentación por detección de cuencas presupone una representación topográfica para la imagen, o sea, para una imagen gradiente dada, el valor de nivel digital de cada "pixel" equivale a un valor de elevación en aquel punto. La imagen equivaldría a una superficie topográfica con rasgos de relieve o una región con cuencas de diferentes profundidades.
El resultado en ambos casos es una imagen rotulada (cada región presenta un rótulo que representa un valor de nivel digital) que debe ser clasificada por clasificadores de regiones.
El usuario debe seguir los siguientes pasos para generar una clasificación a partir de una imagen segmentada.
Þ Realizando una Segmentación:
- # Iniciar - Programas - Spring - Spring( ) #spring
(
)
SPRING
* Activar el banco de datos Curso
* Activar el proyecto Brasilia
- [Imagen][Segmentación...]
Segmentación
- (Bandas | TM3_Amostra, TM4_Amostra, TM5_Amostra
- (Método <=> Crecimiento de regiones)
- (Similitud <=> 8)
- (Área (pixels) <=> 10)
- {Imagen Segmentada: seg-8-10}
- (Suavización de Arcos <=> Sí)
- (Ejecutar)
- Visualizar la imagen
rotulada seg-8-10, sobrepuesta a una imagen
- Probar con otros umbrales de similitud y de área, si el resultado no es
satisfactorio
Los clasificadores por regiones utilizan, además de la información espectral de cada "pixel", la información espacial que envuelve la relación entre los "pixels" y sus vecinos. Estos clasificadores procuran simular el comportamiento de un fotointerprete, al reconocer áreas homogéneas de imágenes, basados en las propiedades espectrales y espaciales de imágenes. La información de bordes es utilizada inicialmente para separar regiones y las propiedades espaciales y espectrales para unir áreas con la misma textura.
El clasificador Isoseg es el algoritmo disponible en el SPRING para clasificar regiones de una imagen segmentada. Es un algoritmo de agrupamiento de datos no supervisado, aplicado sobre el conjunto de regiones, que por su vez son caracterizadas por sus atributos estadísticos de media y matriz de covariancia y también por el área.
Þ Clasificación por Regiones:
- # Iniciar - Programas - Spring - Spring( ) #spring
(
)
SPRING
* Activar el banco de datos Curso
* Activar el proyecto Brasilia
* Visualizar la imagen TM3_Amostra
- [Imagen][Clasificación...]
Þ Creando un archivo de Contexto:
Clasificación
- (Crear...)
Creación de Contexto
- {Nombre: clasreg}
- (Tipo de Análisis <=> Región)
- (Bandas | TM3_Amostra, TM4_Amostra, TM5_Amostra) - seleccionar las
bandas.
- (Imágenes Segmentadas | seg-8-10)
- (Crear)
Þ Extrayendo regiones:
Clasificación
- (Extracción de Regiones)
Þ Clasificando por método no supervisado:
Clasificación
- (Clasificación...)
Clasificación por Regiones
- {Nombre: tm345sub-isoseg}
- (Crear)
- (Clasificador <=> Isoseg)
- (Umbral de Aceptación <=> 99%)
- (Clasificar)
* Visualizar la imagen clasificada
Þ Clasificando por método supervisado
Clasificación
- (Entrenamiento...)
Entrenamiento
- {Nombre: vegetacao}
- Seleccionar color
- (Crear)
- (Tipo <=> Adquisición)
* Seleccionar una región con vegetación sobre la imagen
- (Adquirir)
* Adquirir muestras
suficientes para el tema
* Repetir para los otros temas
Þ Clasificando:
Clasificación
- (Clasificación...)
Clasificación por Regiones
- {Nombre: tmsub-bata}
- (Crear)
- (Clasificador <=> Batacharya)
- (Umbral de Aceptación <=> 99%)
- (Clasificar)
* Visualizar la imagen clasificada y una composición en color
Þ Mapeando temas de la imagen clasificada para clases del banco de datos:
Clasificación
- (Mapeo...)
Mapeo para Clases
- (Categoría | Uso_Terra)
- (Imágenes Clasificadas | tmc)
- (Temas | vegetacao)
- (Clases | Mata)
* Repetir para todos los temas. Para cada tema debe haber una clase temática
asociada
- (Ejecutar)
* Visualizar el plano temático tmsub-bata-temática
Vea a seguir como realizar un Mosaico de imágenes.
Þ Realizando un Mosaico:
- # Iniciar - Programas - Spring - Spring( ) #spring
(
)
SPRING
- Activar el banco de datos Curso
- Activar el proyecto Brasilia
Þ Creando un plano de información para el mosaico:
SPRING
- [Editar][Plano de Información...] o el botón
Planos de Información
- (Categorías | Imagem_TM)
- {Nombre: tm5-mosaico}
* Definir un área del proyecto igual al del proyecto actual
- {Resolución - X(m): 30}, {Y(m): 30}
- (Crear)
- (Cerrar)
Þ Mosaicando imágenes:
SPRING
* Activar el plano tm5-mosaico
- [Imagen][Mosaico...]
Mosaico
- (Proyectos | Brasilia)
- (Categorías | Imagem_TM)
- (Planos de Información de Origen | TM5_Amostra)
- (Ejecutar)
* Mosaicando con la segunda imagen
- (Proyectos | Brasilia)
- (Categorías | Imagem_TM)
- (Planos de Información | TM5_Parte2)
- (Mosaico)
- (Ejecutar)
* Mosaicando con la tercera imagen
- (Proyectos | Brasilia)
- (Categorías | Imagem_TM)
- (Planos de Información | TM5_Parte3)
- (Mosaico)
- (Ejecutar)
- (Cerrar)
* Visualizar la imagen tm5-mosaico
* Repetir el procedimiento anterior utilizando un proyecto definido por el usuario.
Consulte también:
Acerca de la Clasificación en el SPRING
Acerca de la Percepción Remota