Procesamiento de imágenes digitales para generar mapas temáticos.

Slides:



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

DATA MINING MINERIA DE DATOS Gersom Costas.
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.
Filtros y Detectores de Borde
FRANCISCO JAVIER RODRÍGUEZ
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
Conceptos Introductorios de Estadística
PROCESO DE MEDICIÓN.
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.
GESTION DE TRANSPORTES
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
Procesamiento Digital de Imágenes y Visión
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.
CARTOGRAFIA.
Características de imágenes digitales
Resoluciones de la imagen de satélite
Combinación de Clasificadores
Autoevaluación Sensores Elegir la respuesta correcta 1.
José Ángel González Fraga, Erika. M. Ramos Michel, Facultad de Telemática, Universidad de Colima V TALLER DE PROCESAMIENTO.
Redes Competitivas.
Gerenciamiento Técnico de Proyectos
EXPERIMENTACIÓN NUMÉRICA
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…
CARPLATE Reconocimiento del marco de la matrícula de un coche
Tema 3: Filtros.
¿QUÉ ES LA ESTADÍSTICA? La estadística es una disciplina que diseña los procedimientos para la obtención de los datos, como asimismo proporciona las herramientas.
Mapping the forest types and landcover of Puerto Rico. Lo discutiremos pronto. Lo consiguen en el portal del curso.
Analisis de datos en imagenes hiperespectrales: intro 1 Analisis de datos hiperespectrales: otra revisión Hyperespectral image data analysis, D. Landgrebe,
Aprendizaje No Supervisado y Redes de Kohonen
UNIDAD 1.- EVALUACIÓN DE DATOS ANALITICOS
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.
Universidad Nacional del Nordeste Facultad de Humanidades CARRERA DE ESPECIALIZACION TECNOLOGIAS DE LA INFORMACION GEOGRAFICA (TIG) Resoluciones 511/10-CS.
Control Interno La estructura de control interno de una entidad consiste en las políticas y procedimientos establecidos para proporcionar una seguridad.
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.
Clasificación visual con fotos aéreas
Primer examen: martes 5 de marzo. Procesamiento de imágenes digitales para generar mapas temáticos Páginas del Manual de Idrisi.
Reconocimiento de caras usando Histogramas de Gradientes Orientados
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
FI Sánchez Pérez Ricardo Diseño electrónico Presenta: Sánchez Pérez Ricardo “APLICACIONES DE LA VISION POR COMPUTADORA “
Procesamiento de imágenes digitales
CLASIFICACIÓN SUPERVISADA
Números fraccionarios
MUESTREO : Generalidades
Calidad de las Mediciones; Repetibilidad y Reproducibilidad
Estadística descriptiva
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.
VIDEO CONFEREN CIA DEFINICIÓN ELEMENTOS QUE EL PROFESOR DEBE CONTEMPLAR CONTEMPLAR MODALIDA DES SISTEMAS EN EL CAMPO EDUCATIVO A QUIEN BENEFICIA BENEFICIA.
Estadística descriptiva
PROGRAMA DE INNOVACIÓN Y DESARROLLO TECNOLÓGICO PRODUCTIVO – CONVENIO : SENA-NEW STETIC Proyecto: Sistema de visión industrial para inspección.
Transcripción de la presentación:

Procesamiento de imágenes digitales para generar mapas temáticos

Patrones de respuesta espectral

Respuestas espectrales de datos de AISA (128 bandas): Guánica

arena manglar mar

Patrones de respuesta espectral

¿Patrones de respuesta espectral o signaturas espectrales? Algunos objetos tienen un patrón de respuesta espectral bien particular (signatura o firma espectral). Muchos objetos tienen patrones que solapan con los de otros objetos similares. Algunos objetos presentan más de un patrón o variaciones de respuesta espectral. Por lo tanto, 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 1.Delimitar los lugares de entrenamiento. 2.Extraer la información espectral sobre lugares de entrenamiento. 3. Cotejar la información de lugares de entrenamiento. 4. Extraer información temática (clasificar). 5. 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

Extracción de información temática Algoritmos clasificadores

Clasificador paralelepípedo X X X

Clasificador por distancia mínima a los promedios

Máxima probabilidad