procesamiento digital de imagenes
Páginas: 7 (1701 palabras)
Publicado: 3 de marzo de 2015
26/04/2013
Clasificación Supervisada
Procesamiento Digital de Imagenes
El reconocimiento de patrones es la ciencia— y arte — de
encontrar patrones significativos en los datos que puedan
extraerse a través de la clasificación.
Mediante los mejoramientos espaciales y espectrales de las
imágenes, se puede realizar reconocimiento visual de
patrones; el cerebro humano clasificaautomáticamente
ciertas texturas y colores en categorías.
En un sistema computacional, el reconocimiento de patrones espectrales
puede ser más científico. Se derivan estadísticas de las características
espectrales de todos los píxeles en una imagen.
Luego, los píxeles se ordenan basados en criterios matemáticos
El objetivo es obtener una imagen temática a partir de las
bandas de información contenidas enuna imagen de satélite
Establecer una correspondencia biunívoca entre clases informacionales
(cubiertas) y clases espectrales (grupos de píxeles con características
espectrales homogéneas).
1
26/04/2013
Espectral
Basada
Espacial:
Basada
en los ND de la imagen.
en la estructura y contexto espacial.
Temporal:
Evolución
estacional de las características
espectrales yespaciales.
Información auxiliar:
MDE,
cartografía temática,…
Entrenamiento
Obtención del rango de ND en cada banda que caracteriza cada clase informacional.
Métodos:
a. Supervisado
a
b. No supervisado
Asignación
Adscripción de cada píxel de la imagen a una clase.
Métodos:
a. Mínima distancia
b P
b.
Paralelepípedos
l l í d
c. Máxima probabilidad
d. Clasificadores en árbol
e. Redesneuronales
Verificación de resultados
2
26/04/2013
Los píxeles son clasificados en función de la distancia euclidiana al centroide
de la clase.
Se refiere a distancia espectral no espacial.
El centroide de cada clase quedará definido por las medias aritméticas de
los valores de la muestra de esa clase en cada banda
Clasificador paralelepípedo
X
X
X
3
26/04/2013
Distancia de Mahalanobis Asume la normalidad de la distribución de los ND dentro de cada clase.
Está basado en el cálculo de probabilidades de que un píxel pertenezca a
una clase.
Cada
C d pixel
i l se asigna
i
a la
l clase
l
que maximiza
i i la
l ffunción
ió d
de probabilidad.
b bilid d
Tiene en cuenta la variabilidad de los ND entre clases al estar basado un
vector de medias y en la matriz devarianza-covarianza.
Es un método que requiere mayor tiempo
de proceso, pero ofrece buenos resultados.
Muy utilizado
4
26/04/2013
Árbol de Decisión
5
26/04/2013
Busca definir clases espectrales dentro de la imagen.
Asume q
que los ND de la imagen
g forman conglomerados
g
o clusters más o menos nítidos y que estos equivalen a
categorías temáticas.
No requiere conocimiento previo del terreno. Laacción
del analista se centra más en la interpretación que en la
consecución de resultados.
Parámetros en la definición de los clusters:
1. Variables que intervienen en el análisis (bandas).
2. Criterio
C i i d
de similitud
i ili d o di
distancia
i entre casos ((concepto d
de
distancia).
3. Criterio para agrupar los casos similares (ISODATA).
Puede requerir recodificaciones o eliminaciones delas
clases.
Metodo No-Supervisado
6
26/04/2013
El entrenamiento supervisado requiere información a priori (ya
conocida) sobre los datos, como:
¿Qué tipo de clases necesita extraer? ¿Tipo de suelo? ¿Uso de la tierra? ¿Vegetación?
¿Qué clases son las que probablemente están presentes en los datos? Es decir, ¿qué
tipos de cobertura terrestre, suelos o vegetación (u otra variable) estánrepresentados por los datos?
Conocimiento del terreno.
Áreas de entrenamiento:
Varias áreas por categoría (recoger variabilidad de la clase).
Es necesario seleccionar m+1 píxeles por categoría (m = nº de bandas).
Resulta conveniente llegar a 10m o 100m (dependiendo de la
complejidad
l jid d d
dell paisaje).
i j )
Análisis áreas de entrenamiento:
Cálculo de estadísticos...
Clasificación Supervisada
Procesamiento Digital de Imagenes
El reconocimiento de patrones es la ciencia— y arte — de
encontrar patrones significativos en los datos que puedan
extraerse a través de la clasificación.
Mediante los mejoramientos espaciales y espectrales de las
imágenes, se puede realizar reconocimiento visual de
patrones; el cerebro humano clasificaautomáticamente
ciertas texturas y colores en categorías.
En un sistema computacional, el reconocimiento de patrones espectrales
puede ser más científico. Se derivan estadísticas de las características
espectrales de todos los píxeles en una imagen.
Luego, los píxeles se ordenan basados en criterios matemáticos
El objetivo es obtener una imagen temática a partir de las
bandas de información contenidas enuna imagen de satélite
Establecer una correspondencia biunívoca entre clases informacionales
(cubiertas) y clases espectrales (grupos de píxeles con características
espectrales homogéneas).
1
26/04/2013
Espectral
Basada
Espacial:
Basada
en los ND de la imagen.
en la estructura y contexto espacial.
Temporal:
Evolución
estacional de las características
espectrales yespaciales.
Información auxiliar:
MDE,
cartografía temática,…
Entrenamiento
Obtención del rango de ND en cada banda que caracteriza cada clase informacional.
Métodos:
a. Supervisado
a
b. No supervisado
Asignación
Adscripción de cada píxel de la imagen a una clase.
Métodos:
a. Mínima distancia
b P
b.
Paralelepípedos
l l í d
c. Máxima probabilidad
d. Clasificadores en árbol
e. Redesneuronales
Verificación de resultados
2
26/04/2013
Los píxeles son clasificados en función de la distancia euclidiana al centroide
de la clase.
Se refiere a distancia espectral no espacial.
El centroide de cada clase quedará definido por las medias aritméticas de
los valores de la muestra de esa clase en cada banda
Clasificador paralelepípedo
X
X
X
3
26/04/2013
Distancia de Mahalanobis Asume la normalidad de la distribución de los ND dentro de cada clase.
Está basado en el cálculo de probabilidades de que un píxel pertenezca a
una clase.
Cada
C d pixel
i l se asigna
i
a la
l clase
l
que maximiza
i i la
l ffunción
ió d
de probabilidad.
b bilid d
Tiene en cuenta la variabilidad de los ND entre clases al estar basado un
vector de medias y en la matriz devarianza-covarianza.
Es un método que requiere mayor tiempo
de proceso, pero ofrece buenos resultados.
Muy utilizado
4
26/04/2013
Árbol de Decisión
5
26/04/2013
Busca definir clases espectrales dentro de la imagen.
Asume q
que los ND de la imagen
g forman conglomerados
g
o clusters más o menos nítidos y que estos equivalen a
categorías temáticas.
No requiere conocimiento previo del terreno. Laacción
del analista se centra más en la interpretación que en la
consecución de resultados.
Parámetros en la definición de los clusters:
1. Variables que intervienen en el análisis (bandas).
2. Criterio
C i i d
de similitud
i ili d o di
distancia
i entre casos ((concepto d
de
distancia).
3. Criterio para agrupar los casos similares (ISODATA).
Puede requerir recodificaciones o eliminaciones delas
clases.
Metodo No-Supervisado
6
26/04/2013
El entrenamiento supervisado requiere información a priori (ya
conocida) sobre los datos, como:
¿Qué tipo de clases necesita extraer? ¿Tipo de suelo? ¿Uso de la tierra? ¿Vegetación?
¿Qué clases son las que probablemente están presentes en los datos? Es decir, ¿qué
tipos de cobertura terrestre, suelos o vegetación (u otra variable) estánrepresentados por los datos?
Conocimiento del terreno.
Áreas de entrenamiento:
Varias áreas por categoría (recoger variabilidad de la clase).
Es necesario seleccionar m+1 píxeles por categoría (m = nº de bandas).
Resulta conveniente llegar a 10m o 100m (dependiendo de la
complejidad
l jid d d
dell paisaje).
i j )
Análisis áreas de entrenamiento:
Cálculo de estadísticos...
Leer documento completo
Regístrate para leer el documento completo.