You are on page 1of 4

Fase de Entrenamiento La clasificacin digital comienza con la definicin de las categoras que se pretenden distinguir en la imagen.

Se trata de una clasificacin basada en los valores numricos. Por lo tanto se trata de obtener el rango de ND que identifica a cada categora para todas las bandas que intervienen en la clasificacin. Las distintas categoras no se definen solo por un ND sino por un conjunto de ND prximos entre s. Existe una cierta dispersin en torno al ND medio de cada categora. Por esto la fase de entrenamiento trata de definir con rigor cada una de las categoras que se pretenden distinguir teniendo en cuenta su dispersin en la zona de estudio. Esto se consigue seleccionando una muestra de pxeles en la imagen que representen adecuadamente a cada categora. A partir de estos se determina el ND medio de cada clase y el rango en el que varan, para todas las bandas que intervienen en la clasificacin. Las estimaciones posteriores se basan sobre la muestra seleccionada por lo cual conviene seleccionarla adecuadamente ya que los resultados de la clasificacin estn mucho ms influidos por la definicin previa de las categoras, que por el criterio por el cual stas son diferenciadas en la imagen. Los mtodos de clasificacin se pueden distinguir en dos grupos: supervisado y no supervisado. El mtodo supervisado parte de un conocimiento previo del terreno del cual se seleccionan las muestras para cada una de las diferentes categoras. En cambio, en el mtodo no supervisado se buscan automticamente grupos de valores espectrales homogneos en la imagen para que despus el usuario intente encontrar las correspondencias entre esos grupos seleccionados automticamente y las categoras que le puedan ser de inters. Clasificacin supervisada

Este mtodo de entrenamiento requiere un cierto conocimiento de la zona de estudio que permite delimitar sobre la imagen unas zonas o reas representativas de las distintas categoras que se pretenden discriminar. Estas reas se conocen como training fields (reas de entrenamiento) ya que sirven para entrenar al ordenador para que pueda reconocer las distintas categoras. A partir de estas reas el ordenador calcula diversos parmetros estadsticos de los ND que definen cada clase, para luego clasificar el resto de pxeles en una categora determinada atendiendo a sus ND. Resulta adecuado seleccionar varias reas de entrenamiento por clase para reflejar correctamente su variabilidad en la zona de estudio.

Metodo no Supervisado Este mtodo de clasificacin trata de definir las clases espectrales presentes en la Imagen. No implica ningn conocimiento previo del rea de estudio por lo que la intervencin humana se centra en la interpretacin de los resultados. Este mtodo asume que los ND de la imagen se agrupan en una serie de conglomerados (o clusters) que se corresponden con grupos de pxeles con un 8 comportamiento espectral homogneo y que, por ello, deberan definir unas clases informacionales de inters. Por desgracia estas clases espectrales no pueden ser asimiladas siempre a las categoras temticas que el usuario pretende deducir por lo que es labor de ste interpretar el significado temtico de dichas categoras espectrales. En donde entran los mtodos grficos: en donde proporciona una primera informacin que permitir decidir si las categoras a introducir en el anlisis van a ser o no discriminables con facilidad a a priori. Los medotos estadsticos: estos mtodos consisten en cuantificar la posibilidad de discriminacin entre las distintas categoras. Fase de asignacin. En este momento vamos a exponer los principales algoritmos de clasificacin. Desde un punto de vista estadstico, todos los algoritmos definen un rea de dominio de cada clase en torno a su centro mediante un conjunto de funciones. Un determinado pxel ser asignado a una clase si sus ND se encuentran dentro de los lmites establecidos para dicha clase. Clasificador de mnima distancia. El criterio ms sencillo para clasificar un pxel en una categora es incluirlo en la ms cercana a l, es decir, en aquella que minimice la distancia entre ese pxel y el centroide de clase. Esta distancia no es una distancia geogrfica sino espectral consecuencia de comparar los ND de cada pxel con los del centro de las distintas categoras, para todas las bandas que intervienen en el anlisis. Clasificador de paraleleppedos. En este mtodo, el usuario fija un rea de dominio para cada categora teniendo en cuenta sus valores de centralidad y dispersin. Posteriormente cada pxel ser asignado a una clase si sus ND estn dentro del rea de dominio de esa clase, para todas las bandas

que intervienen en la clasificacin. El pxel x ser asignado a la clase A si sus ND en las distintas bandas (ND x,k) estn incluidos en el rea de dominio de esa clase. Clasificador de mxima probabilidad. Este mtodo considera que los ND de cada categora se ajustan a una distribucin normal. Esto nos permite describir esa categora por una funcin de probabilidad, a partir de su vector de medias y matriz de varianza-covarianza. As podemos calcular la probabilidad de que un determinado pxel pertenezca a una categora; el clculo se realiza para todas las categoras definidas y el pxel se clasifica en clase a la cual tenga ms probabilidad de pertenecer. Este clasificador es el ms complejo y, por lo tanto, el que mayor volumen de clculo requiere, pero es el ms robusto y fiable ya que se ajusta fielmente a la distribucin original de los datos.
Otros criterios de clasificacin. A continuacin se exponen brevemente otros clasificadores: Clasificador en rbol: suponen un anlisis exhaustivo de las respuestas espectrales de las clases y del conjunto de datos disponibles, consiste en ir haciendo preguntas a cada pxel cuya respuesta positiva o negativa conducir a otra pregunta y as sucesivamente hasta obtener la clase a la que pertenece. Se basa en los mismos principios que los sistemas expertos. Clasificador de contexto espacial: todos los mtodos estudiados hasta ahora utilizan, para clasificar un pixel, slo los valores de reflectividad recogidos en dicho pixel. Este hecho no es demasiado problemtico si el tamao de pixel es mayor que los elementos que los diferentes elementos fsicos que componen el paisaje. Sin embargo si el tamao del pixel es ms pequeo que las unidades de paisaje podra utilizarse la informacin de los pixels de alrededor para estimar la pertenencia a una clase o confirmar la estimacin. Puede resultar un mtodo til en combinacin con el de mxima probabilidad ya que permite incluir la informacin de los pixels circundantes para tomar una decisin en caso de que las probabilidades para dos clases sean similares o no exista una clase con probabilidades de pertenencia suficientemente altas. Se trata de incorporar otras fuentes de informacin distintas a las bandas para la clasificacin. Entre esta informacin estara la altitud, pendiente, litologa, etc. Clasificacin borrosa: los mtodos anteriormente expuestos consideran que un pxel solamente puede pertenecer a una determinada clase. Por ejemplo, en el clasificador de mxima probabilidad, un pxel es clasificado en la clase ms probable; da lo mismo que la pertenencia a esta clase sea mucho mayor.

Para trabajar con una red neuronal existen varias fases: Entrenamiento. Se le introducen a la red la respuesta espectral de pixeles cuya clase se conoce y se compara la salida con la realidad. A partir de esta comparacin se modifican los coeficientes de ponderacin de todas las neuronas para que se obtenga la respuesta adecuada (se trata de un procedimiento automtico) es decir un 1 en la clase correcta y ceros en las incorrectas Estabilizacin. Al principio del entrenamiento, los factores de ponderacin cambian muy deprisa, pero conforme este se desarrolla (y si las areas de entrenamiento se han seleccionado correctamente) se estabilizan (no se modifican aunque se vuelvan a introducir los pixels de entrenamiento). En este momento finaliza la fase de entrenamiento Clasificacin Se introducen las respuestas espectrales de los pixels cuya clase no se conoce y se adjudican a la clase que de una respuesta ms alta (que no va a ser necesariamente 1). Se trata en definitiva de un mtodo de clasificacin robusto que da buenos resultados cuando las respuestas espectrales de las clases no siguen una distribucin normal. La clave est en el conjunto de coeficientes de ponderacin que constituyen un conjunto de parmetros que deben ajustarse a unos datos de entrada y salida. Por tanto en cierto modo es equivalente a una regresin.