CLASIFICACIÓN DIGITAL DE IMÁGENES POR SATÉLITE 3º ITT.SE Sistemas de Telemedida

Please download to get full document.

View again

All materials on our website are shared by users. If you have any questions about copyright issues, please report us to resolve them. We are always happy to assist you.
 4
 
  CLASIFICACIÓN DIGITAL DE IMÁGENES POR SATÉLITE 3º ITT.SE Sistemas de Telemedida
Share
Transcript
   CLASIFICACIÓN DIGITAL DE IMÁGENES POR SATÉLITE 3º ITT.SE  Sistemas de Telemedida  Álvaro Yébenes Gómez Álvaro Giner Sotos   2 ÍNDICE: 1. Introducción teórica a la clasificación digital. 1.1 – Fase de Entrenamiento. 1.1.1 – Método supervisado. 1.1.2 – Método no supervisado. 1.2 – Fase de Asignación. 1.2.1 – Clasificador de mínima distancia. 1.2.2 – Clasificador de paralelepípedos. 1.2.3 – Clasificador de máxima probabilidad. 1.2.4 – Otros criterios de clasificación. 2. Realización de la práctica. 2.1 – Introducción. 2.2 – Fase de entrenamiento: Programa STAD.EXE 2.3 – Fase de clasificación: algoritmo de mínima distancia. 2.4 – Conclusiones. Foto portada: satélite QuickSCAT de la NASA Fuente: http://www.allmetsat.com/es/   3 1.- INTRODUCCIÓN TEÓRICA A LA CLASIFICACIÓN DIGITAL La clasificación de una imagen digital consiste en categorizar una imagen multibanda. Se pasa de tener unos ND continuos medidos por los sensores a una escala nominal o categórica de manera que cada píxel pertenece a una categoría definida previamente. El ND de un píxel clasificado es, en definitiva, el identificador de la clase o categoría en la que se haya incluido. Estas clases pueden describir distintos tipos de cubiertas (variable nominal o categórica) o bien intervalos de una misma categoría de interés (variable ordinal). Un ejemplo del primer tipo sería una clasificación de distintos tipos de cubierta vegetal, en cambio uno del segundo tipo sería un intento de clasificar distintos niveles de daño producidos por un incendio. Los primeros intentos de clasificación digital se basaban exclusivamente en los ND de la imagen que son una traducción digital de un flujo energético recibido por un sensor para una determinada banda del espectro. Este tipo de clasificación tiene como inconveniente que no siempre permite separar cubiertas, ya que pueden existir distintas categorías temáticas que tengan un comportamiento espectral similar. En estos casos es conveniente. La clasificación digital de imágenes es , en cierta medida , parecida a la foto-interpretación. En este método, se identifica el patrón visual asociado a cada cubierta (categoría) de acuerdo a una serie de parámetros como son el tono, la textura, la forma, el contexto, la disposición, etc. y después se identifican sobre las fotografías las superficies correspondientes a estas categorías, mediante su semejanza con el patrón-tipo previamente identificado. Por último es necesaria una verificación de los resultados. En las técnicas digitales de clasificación de imágenes se dan estos mismos pasos. De esta forma se distingue entre las siguientes fases: 1. Definición digital de las categorías (fase de entrenamiento). 2. Agrupación de los píxeles de la imagen en una de las categorías previamente definidas (fase de asignación). 3. Comprobación y verificación de los resultados.   4 1.1 – Fase de entrenamiento. La clasificación digital comienza con la definición de las categorías que se pretenden distinguir en la imagen. Se trata de una clasificación basada en los valores numéricos. Por lo tanto se trata de obtener el rango de ND que identifica a cada categoría para todas las bandas que intervienen en la clasificación. Las distintas categorías no se definen solo por un ND sino por un conjunto de ND próximos entre sí. Existe una cierta dispersión en torno al ND medio de cada categoría. Por esto la fase de entrenamiento trata de definir con rigor cada una de las categorías que se pretenden distinguir teniendo en cuenta su dispersión en la zona de estudio. Esto se consigue seleccionando una muestra de píxeles en la imagen que representen adecuadamente a cada categoría. A partir de estos se determina el ND medio de cada clase y el rango en el que varían, para todas las bandas que intervienen en la clasificación. Las estimaciones posteriores se basan sobre la muestra seleccionada por lo cual conviene seleccionarla adecuadamente ya que los resultados de la clasificación están mucho más influidos por la definición previa de las categorías, que por el criterio por el cual éstas son diferenciadas en la imagen. Los métodos de clasificación se pueden distinguir en dos grupos: supervisado y no supervisado. El método supervisado parte de un conocimiento previo del terreno del cual se seleccionan las muestras para cada una de las diferentes categorías. En cambio, en el método no supervisado se buscan automáticamente grupos de valores espectrales homogéneos en la imagen para que después el usuario intente encontrar las correspondencias entre esos grupos seleccionados automáticamente y las categorías que le puedan ser de interés. A propósito de esto, es necesario distinguir entre los dos tipos de clases que pueden intervenir en la clasificación temática: informacionales y espectrales. Las clases informacionales se establecen por el usuario y forman la leyenda de trabajo que se intenta discriminar. Las segundas corresponden a grupos de valores espectrales homogéneos   5 (reflectividad similar) y se deducen de los ND de la imagen. Idealmente se debería producir una correspondencia perfecta entre una sola clase informacional, es decir , una sola clase de cobertura y una sola clase espectral pero esto es muy poco corriente y lo más normal es que se produzca una de las siguientes situaciones: I. Puede ocurrir que una categoría informacional este expresada en varias categorías espectrales. Por ejemplo, un bosque de pinos podría aparecer en dos clases espectrales: uno correspondiente a solana y otro a umbría. Para solucionar este problema hay que definir correctamente la dispersión espectral de cada clase perfeccionando el muestreo. II. Otro caso sería que dos o más clases informacionales compartan una sola clase espectral. Se podría solucionar fundiendo las dos categorías en una más general. Por ejemplo se podría elegir una clase denominada coníferas en lugar de distinguir entre distintos tipos de pinar, o urbana, frente a distintas densidades de edificación. En caso de no poder fundir las dos categorías en una sola debido a su heterogeneidad se podría analizar una imagen de otra fecha del año en la cual la confusión sea evitable. Fig. 1 Relaciones entre clases informacionales y espectrales: I una informacional-varias espectrales; II una espectral-varias informacionales; III mezcla de ambas; IV relación biunívoca entre ellas.
Related Search
We Need Your Support
Thank you for visiting our website and your interest in our free products and services. We are nonprofit website to share and download documents. To the running of this website, we need your help to support us.

Thanks to everyone for your continued support.

No, Thanks