Clasificación visual con fotos aéreas

Slides:



Advertisements
Presentaciones similares
RED NACIONAL DE TELEDETECCIÓN AMBIENTAL (RNTA)
Advertisements

DATA MINING MINERIA DE DATOS Gersom Costas.
Procesos básicos del pensamiento
II CONGRESO INTERNACIONAL DE PARAMO
Algoritmo de Regresión Logística
UNIDAD II LA IMÁGEN Objeto de la Unidad Al finalizar esta unidad el estudiante deberá estar en capacidad de: Entender las características de una fotografía.
Forma de organizar los contenidos programáticos
Proceso de percepción y Pensamiento visual
ILUMINACIÓN Un modelo de iluminación sirve para asignar un valor de iluminación a los puntos de la imagen. Se define una ecuación de iluminación. Lighting.
SEÑALIZACION M-ARIA Y DESEMPEÑO
Sistemas de Gestión de Calidad y Ambiente
MARIA JOSE MERA COLLANTES CARLOS ANTONIO QUEZADA
FUNDAMENTOS DE DATA MINING Y SUS APLICACIONES N. QUEIPO, S. PINTOS COPYRIGHT 2000 CLASIFICACIÓN NO SUPERVISADA.
RECONOCIMIETO DE PATRONES
Mapping the forest types and landcover of Puerto Rico. Comenzaremos a discutirlo el lunes.
Distribución de los datos
J. Trinidad Guillen Bonilla, H. Guillen Bonilla, A. Guillen Bonilla,
Desarrollo del FODA Se toma como base los temas generados por los talleres subsectoriales y se complementa con información de la encuesta y del trabajo.
Recuperaci ó n Basada en Contenido M. Andrea Rodríguez Tastets DIIC - Universidad de Concepción
Estudio Cobertura Forestal 2010 Ing. Alberto Méndez Rodríguez. FONDO NACIONAL DE FINANCIAMIENTO FORESTAL.
Introducción al diseño gráfico
1. GENERALIZACIÓN CARTOGRÁFICA Generalización: Una necesidad y una molestia Necesaria para: Mejorar la calidad visual Facilitar análisis a diferente.
Procesamiento Digital de Imágenes y Visión
Curso de Estadística Básica
Sesión 6: Campos de Markov
La imagen y sus características
Próximos tutoriales 4-2 y 4-4. Procesamiento de imágenes Páginas y del Manual de Idrisi.
Análisis de Conglomerados (Cluster Analysis)
CARTOGRAFIA.
Resoluciones de la imagen de satélite
Combinación de Clasificadores
Muestreo de comunidades
complejidad de un problema.
EXTRACCIÓN DE CARACTERISTICAS
Gerenciamiento Técnico de Proyectos
Sección B Control Estadístico de calidad
Próximo tutorial 4-2.
OBJETIVOS Definir el “índice de seguridad hospitalaria” y sus alcances. Describir los pasos para el cálculo del índice de seguridad hospitalario utilizando.
Grupo de controlExperimental. Si pudiésemos estudiar a TODOS los individuos de la población determinaríamos la existencia de un efecto verdadero... Pero…
Informática Médica: Procesamiento de imágenes
CARPLATE Reconocimiento del marco de la matrícula de un coche
Mapping the forest types and landcover of Puerto Rico. Lo discutiremos pronto. Lo consiguen en el portal del curso.
1 Image Segmentation Chapter 9 Dr. Mario Chacón DSP & Vision Lab.
Analisis de datos en imagenes hiperespectrales: intro 1 Analisis de datos hiperespectrales: otra revisión Hyperespectral image data analysis, D. Landgrebe,
Universidad Nacional del Nordeste Facultad de Humanidades CARRERA DE ESPECIALIZACION TECNOLOGIAS DE LA INFORMACION GEOGRAFICA (TIG) Resoluciones 511/10-CS.
Por Umberto Amato, Maria Francesca Carfora y Paolo Colandrea, publicado en ERCIM News, European Research Consortium for Informatics and Mathematics, Num.
Y11 MUSEO DE TIGRE ESTILO ARQUITECTÓNICO ¿A qué estilo pertenece? FOTOGRAFÍA EXTERIORES: 15 fotos. FOTOGRAFÍA INTERIORES: 15 fotos.
Universidad Nacional del Nordeste Facultad de Humanidades CARRERA DE ESPECIALIZACION TECNOLOGIAS DE LA INFORMACION GEOGRAFICA (TIG) Resoluciones 511/10-CS.
Operaciones y Representación gráfica de conjuntos
Próximo tutorial 4-1. Procesamiento de imágenes digitales.
Anuncios Examen parcial el lunes 15 de marzo Próximo tutorial 4-5.
Primer examen: martes 5 de marzo. Procesamiento de imágenes digitales para generar mapas temáticos Páginas del Manual de Idrisi.
Diferencia entre procesos aleatorios, y determinísticos.
DATA MINING KAROL PARDO MIGUEL VALCERO CORPORACION UNIVERSITARIA MINUTO DE DIOS.
Precisión de la clasificación
Mapping the forest types and landcover of Puerto Rico. Lo discutiremos pronto. Lo consiguen en el portal del curso.
Centro y mediana de un grafo
UNIVERSO Y MUESTRA.
Procesamiento de imágenes digitales
CLASIFICACIÓN SUPERVISADA
CISO 3155: Capítulo 91 Evaluando los promedios de dos grupos distintos Capítulo 9.
MUESTREO : Generalidades
Elementos del Paisaje en el Este de la Pcia. De Buenos Aires 1 Análisis e interpretación de una imagen satelital en forma visual Parte B del TP.
Procesamiento de imágenes digitales para generar mapas temáticos Páginas del Manual de Idrisi.
OPTIMIZACION DEL DESEMPEÑO DE ERROR
Procedimientos de multirespuesta por permutación (MRPP)
Características de imágenes digitales Ver 2.3 a 2.6 de Fundamentals2.3 a 2.6 de Fundamentals of Remote Sensing.
Procesamiento de imágenes digitales para generar mapas temáticos.
PROGRAMA DE INNOVACIÓN Y DESARROLLO TECNOLÓGICO PRODUCTIVO – CONVENIO : SENA-NEW STETIC Proyecto: Sistema de visión industrial para inspección.
Próximo tutorial 4-3.
Transcripción de la presentación:

Clasificación visual con fotos aéreas Fotointerpretación

Interpretación visual de imágenes Criterios Tono Textura Forma Tamaño Patrón Sombra Asociación

Tono Forma Tamaño Textura

Patrón Asociación Sombra

Procesamiento de imágenes digitales para generar mapas temáticos

Patrones de respuesta espectral

Patrones de respuesta espectral

¿Patrones de respuesta espectral o signaturas espectrales? Algunos objetos tienen un patrón de respuesta espectral bien particular (signatura espectral). Muchos objetos tienen patrones que solapan con los de otros objetos similares. El término “patrón de respuesta espectral” es considerado más apropiado que “signatura espectral” para denominar la manera particular como un objeto refleja la energía.

Clasificación supervisada Define los patrones de respuesta espectral de los objetos a clasificar, extrayendo estadísticas de grupos de píxeles considerados representativos de las clases a detectar. Se le llama supervisada porque dirigimos el procedimiento entrenando la clasificación con nuestros conocimientos sobre las clases.

Procedimiento Delimitar los lugares de entrenamiento. Extraer la información espectral sobre lugares de entrenamiento. 2. Cotejar la información de lugares de entrenamiento. 3. Extraer información temática (clasificar). 4. Evaluar la clasificación.

Lugares de entrenamiento Debe incluir áreas relativamente pequeñas. La suma de píxeles por clase debe ser no menor de 10 píxeles por cada banda espectral utilizada. Estos lugares deben estar regados por el área de estudio de tal manera que se incluya la mayor variabilidad posible.

Selección de lugares de entrenamiento

Evaluación gráfica de lugares de entrenamiento

Evaluación gráfica de lugares de entrenamiento

Extracción de información temática Algoritmos clasificadores

Clasificador paralelepípedo

Clasificador por distancia mínima a los promedios

Paralelepípedo y distancia mínima

Paralelepípedo

Máxima probabilidad