“Introducción a la Geoinformación” UNIVERSIDAD NACIONAL DE LA PLATA Facultad de Ciencias Agrarias y Forestales Curso: “Introducción a la Geoinformación” UNIDAD 6: TRATAMIENTO DIGITAL DE IMÁGENES: EXTRACCIÓN DE INFORMACIÓN. CLASIFICACIÓN. Objetivo: Que el alumno aprenda el significado de clasificar una imagen satelital y cuales son las diferentes técnicas disponibles en la actualidad para realizarla. 13 de setiembre de 2016

Modalidad: Clase teórica y practica Contenido: Clasificación digital en imágenes multibanda. Fundamentos de la clasificación digital basada en patrones multiespectrales. Fase de entrenamiento. Clasificación supervisada y no supervisada. Métodos mixtos. Análisis de las estadísticas de entrenamiento. Base de la clasificación no supervisada: análisis de agrupamientos o 'clustering'. Asignación de categorías. Clasificador de mínima distancia. Clasificador de paralelepípedos. Clasificador de máxima probabilidad. Clasificadores en árbol. Clasificador basado en redes neuronales. Clasificación orientada a objetos: Nuevos conceptos Clasificadores a nivel sub-pixel. Análisis lineal de mezclas espectrales. Clasificador basado en conjuntos difusos o borrosos. Evaluación del error en la clasificación: Matriz de confusión y coeficiente Kappa. Su interpretación. Técnicas de análisis multitemporal. Requisitos previos. Técnicas para la detección de cambios. Series multitemporales. Modalidad: Clase teórica y practica

Fundamento de la Clasificación

Fases de la Clasificación Definición digital de las categorías (Fase de entrenamiento) Distribución de los pixeles de la imagen en una de esas categorías (Fase de asignación) Comprobación y verificación de los resultados

Clasificación Método supervisado: se conoce el terreno No supervisado: búsqueda automática de grupos de valores homogéneos

Problemas en la definición de Clases Clases informacionales: constituyen la leyenda y son establecidas por el usuario. (Supervisado) Clases espectrales: grupos de valores espectrales homogéneos dentro de la imagen, se deducen a partir de los ND de la imagen, para las bandas consideradas y para una fecha concreta. (No supervisado) Situación ideal: correspondencia biunívoca

En Casos de Problemas Modificar la Leyenda Recurrir a criterios no espectrales (Textura, contexto) Utilizar información auxiliar (DEM, Limites de propiedad) Información multitemporal

Entrenamiento supervisado

Muestras a partir de pixeles

Características de las áreas de entrenamiento Bien identificadas Localización Actualización Suficientemente homogéneas Autocorrelación espacial (pixeles contiguos) Que cubran todas las clases

Método No supervisado Es un proceso de 3 pasos: Selección de las bandas (originales o transformadas) que intervienen en el análisis Selección de un criterio para medir la similitud entre pixeles Selección de un criterio para agrupar los casos similares

Para delimitar los grupos: Dos criterios: Uno que mida la similitud entre pixeles, el mas usado es la distancia euclidiana Otro que marque las condiciones del proceso, el mas usado es el ISODATA (Iterative Self-Organizing Data Analysis Technique )

Distribución inicial de los centros de 5 clases hipotéticas (definidas por el usuario) usando ±1s desviación standard. En la primer iteración, cada pixel es comparado con la media de cada cluster y es asignado a la clase con menor distancia euclidiana. En la segunda iteración, una nueva media es calculada para cada cluster basada en los nuevos pixeles incorporados. Se vuelven a asignar todos los pixeles de la imagen a los cluster con el centro mas cercano. El proceso continua hasta que no se produzcan mas cambios o se haya alcanzado el numero máximo de iteraciones fijado por el usuario

Independiente del método de clasificación

Diagramas de Firmas espectrales Muestra la media de cada clase

Muestra la dispersión espectral Superposición de clases Muestra la dispersión espectral

Clasificar es asignar cada pixel de la imagen a una clase determinada Clasificación No supervisada: Sin usar información de campo. Decide la computadora Clasificación Supervisada: Usando verdad de campo Decide el analista

Fase de Asignación: asignar cada pixel de la imagen a una clase

Asigna el pixel a la clase mas cercana espectralmente (compara el ND del pixel con el valor central de cada clase)

Cuando la clasificación incluye un pixel de otra clase no ajustándose a la realidad

El usuario fija un área para cada clase, considerando su media y dispersión. Un pixel se asigna a una clase si su ND esta en dicha área.

(Maximum Likelihood)

Multiresolution segmentation Clasificación Orientada a Objetos Feature extraction Sin conocimiento Conocimiento Semantic Network Multiresolution segmentation Classification Evaluación del Error -Datos: Original y bandas derivadas -Datos Auxiliares Imagen Segmentada Imagen Clasificada

Segments with different size 1) Segmentación Levels 1 and 2 Segments with different size 2 2 1 1 5459 Objects Pixel Level 22380 Objects 1.884.221 pixel (1471x1251)

2) Clasificación: Se asignan los objetos a alguna de las clases determinadas (No los pixeles individuales) Pueden usarse dos algoritmos: - Nearest neighbor Le doy muestras de las clases que quiero Samples objects, las muestras son también objetos - Membership function Con reglas de clasificación. Cuando una clase se separa de las otras con pocas reglas. Una regla es una condición que tiene que cumplir el Objeto para ser clasificado en esa clase. Por ejemplo que en una banda determinada los valores de pixeles deben estar comprendidos entre dos valores bien definidos

Determinación de la exactitud Evaluación del Error Determinación de la exactitud Se cuantifica el error producido en la clasificación el que determina la calidad del trabajo y su aplicabilidad operativa. Esta utilidad permite comparar la clasificación con datos de campo independientes de los utilizados en la fase de entrenamiento que se asumen como verdaderos a fin de determinar la exactitud del proceso de clasificación.

Matriz de confusión

El Coeficiente Kappa expresa la reducción proporcional del error generado por un proceso de clasificación comparado con el error de una clasificación completamente al azar. Por ej. Un valor de 0.82 implica que un proceso de clasificación evita el 82% de los errores que una clasificación completamente al azar genera.

N = Z2 (p) (q) E2 Cuantos puntos de referencia son necesarios? Z2 = 2 p = % de precisión esperado q = 100 - p E2 = Error permitido Ej: queremos evaluar la clasificación con un 85% de precisión Con un error del 5% N = 2 2 (85) (15) = 204 puntos 5 2 Con 10% de error necesitamos 51 puntos

Selección de Áreas de Entrenamiento Datos de Campo: Selección de Áreas de Entrenamiento Considerar si el área de estudio es Homogénea o No. Por ejemplo: Clase: Bosque Un Área representativa es suficiente Debo estratificar según condiciones ambientales. Área representativa de la clase para cada una de las condiciones

Cuantas areas de entrenamiento? Regla general: Si tengo N Bandas Necesito > 10 N pixeles para cada clase Ejemplo: Landsat: 6 Bandas (Sin usar la banda termica) 5 clases a clasificar 50 pixeles para cada clase 250 pixeles para toda el area

Pasos generales seguidos para extraer información desde una imagen digital Identificación de las clases de interés Adquirir los datos satelitales adecuados Adquirir los datos de campo necesarios Procesamiento de la imagen para extraer la información - Correcciones geométricas y radiométricas - Elección de la lógica y algoritmos de clasificación No supervisada: Ej: ISODATA Supervisada: Ej: Paralelepípedo Maximum likelihood 5) Evaluación de la clasificación: Evaluación de la Precisión (Accuracy ssessment) 6) Distribución o uso del mapa resultante