Professional Documents
Culture Documents
Teledeteccin II
Breve descripcin
Objetos de naturaleza similar tienen propiedades espectrales similares. Eso significa que
la radiacin electromagntica reflejada por los objetos de la misma naturaleza es similar
en forma general y, por lo tanto, estos objetos tendrn firmas espectrales similares. Ya
que dichas firmas de los objetos observadas por los satlites son convertidas en
diferentes colores en las imgenes satelitales, los objetos del mismo tipo aparecern en
colores estrechamente relacionados. Esta propiedad ha sido empleada por aos para
interpretar fotos areas y las imgenes suministradas por los satlites de observacin
de la tierra. El intrprete coloca en la misma categora todos los objetos en una imagen
que parece tener el mismo o un color parecido. Ya que los colores en una imagen digital
son una simple transposicin convencional de valores numricos, es tambin posible
explotar el poder de clculo de una computadora para clasificar los pixeles por sus
valores numricos, lo que quiere decir por sus correspondientes propiedades
espectrales. Este es el principio bsico de la clasificacin de imgenes.
Pgina 1
CLAS-UMSS
Teledeteccin II
Cmo trabaja?
La clasificacin de imgenes analiza las propiedades numricas de varios rasgos de las
imgenes y organiza dichos datos en categoras. Los algoritmos comnmente emplean
dos fases de procesamiento: entrenamiento y prueba. En la fase inicial de
entrenamiento, las propiedades caractersticas de los rasgos tpicos de imagen son
aisladas y, basadas en estas propiedades, se crea una descripcin nica de cada
categora, es decir, clases de entrenamiento. En la subsecuente fase de prueba, estas
particiones de los rasgos son usados para clasificar la imagen.
El propsito de un proceso de clasificacin es categorizar todos los pixeles de una
imagen digital en una de algunas clases de cobertura de la tierra. Entonces, estos datos
categorizados pueden ser usados para producir mapas temticos de cobertura de la
tierra. Normalmente, datos multi-espectrales son empleados para realizar la
clasificacin y, de hecho, el patrn espectral presente dentro de los datos para cada pixel
es usado como la base numrica para la categorizacin. El objetivo de la clasificacin es
identificar y desplegar, con un nico nivel de color los rasgos que se tiene en la imagen
en trminos del tipo de cobertura de la tierra que estos rasgos sobre la superficie de la
tierra representan realmente.
Clasificacin supervisada
Con este mtodo identificamos ejemplos de las clases de informacin de inters en la
imagen (tipo de cobertura de la tierra). Estos son denominados sitios de
entrenamiento. El SIG es entonces usado para desarrollar una caracterizacin
estadstica de la reflectancia para cada clase de informacin. Este estado es llamado a
menudo como Anlisis de firmas espectrales y puede incluir una categorizacin tan
simple como extraer la media o el rango de reflectancia de cada banda o tan compleja
como un anlisis detallado de la media, varianza y co-varianzas sobre todas las bandas.
Una vez que la caracterizacin estadstica ha sido lograda para cada clase de
informacin, la imagen entonces es clasificada examinando la reflectancia de cada pixel
y tomando la decisin acerca a cual firma espectral ste se asemeja.
Pgina 2
CLAS-UMSS
Teledeteccin II
Clasificacin no supervisada
En este mtodo se examina un gran nmero de pixeles y los divide en un nmero de
clases basados en un agrupamiento natural presente en los valores de la imagen. A
diferencia de la clasificacin supervisada, ste mtodo no requiere datos de
entrenamiento especificada por el analista. La premisa bsica es que los valores dentro
de un tipo de cobertura debieran ser muy similares, es decir, tener similares niveles de
grises, mientras que datos en diferentes clases debieran estar comparativamente bien
separados, es decir, tener niveles de grises muy diferentes.
Rossiter, D.G. (2004). Statistical methods for accuracy assesment of classified thematic maps. Technical Note.
International Institute for Geo-information Science & Earth Observation (ITC), Enschede (NL).
Pgina 3
CLAS-UMSS
Teledeteccin II
Significado
Clculo
xi+
Matriz de confusin
Filas [1.r] son datos clasificados
Columnas [1.r] son datos de referencia (Verdad
Nmero de filas y columnas de X
Nmero de observaciones en la fila i, columna j, es decir, en la Como observado
clase de referencia j pero mapeada en la clase i
Suma de fila (mapeada) i
x+j
xij
o
o
P
pij
Matriz de proporciones
Proporciones de observaciones en fila i, columna j
pi+
X/n
p+j
Pgina 4
CLAS-UMSS
Teledeteccin II
Resultados de la clasificacin
De campo
Bosques
Arbustos
Cultivos
Urbano
Suelo desnudo
Agua
REL
440
20
10
20
0
0
0,90
40
220
10
0
0
20
0,76
0
0
210
20
10
0
0,88
0
0
10
240
10
0
0,92
30
40
50
100
230
0
0,51
10
10
10
10
0
240
0,86
10
20
60
40
10
10
ACC
0,83
0,71
0,58
0,56
0,88
0,89
En el ejemplo de arriba:
Explicacin:
Las filas corresponden a las clases del mapa de campo, es decir, de conjunto de prueba
(Ground truth).
Las columnas corresponden a clases resultantes de la clasificacin.
Los elementos diagonales de la matriz representan el nmero de pixeles correctamente
clasificados para cada clase, es decir, el nmero de pixeles del conjunto de prueba con el
nombre de cierta clase que obtuvo este mismo nombre de clase durante la clasificacin.
En el ejemplo de arriba, 440 pixeles de Bosques en el conjunto de prueba fueron
clasificados correctamente como Bosques en la imagen clasificada.
Los elementos fuera de la diagonal representan pixeles mal clasificados o errores de
clasificacin, es decir, el nmero de pixeles del conjunto de prueba que terminaron en
otra clase durante la clasificacin. En el ejemplo de arriba, 40 pixeles de Bosques en el
conjunto de prueba se clasificaron como Arbustos en la imagen clasificada.
Los elementos de las filas no diagonales representan pixeles del conjunto de prueba
(Ground truth) de una cierta clase que fueron excluidos de dicha clases durante la
clasificacin. Tal errores se conocen tambin como errores de omisin o exclusin. Por
ejemplo, 50 pixeles de Cultivos del conjunto de prueba fueron excluidos de la clase
Cultivos en la clasificacin y finalizaron en la clase de Suelo desnudo.
Los elementos de las columnas diagonales representan pixeles del conjunto de prueba
(Ground truth) de otras clases que fueron incluidos en una cierta clase de clasificacin.
Tales errores se conocen tambin como errores de comisin o inclusin. Por ejemplo, 100
pixeles de Urbano del conjunto de prueba fueron incluidos en la clase Suelo desnudo
por la clasificacin.
Los valores en la columna No clasificado representan pixeles del conjunto de prueba que
no encontraron clasificacin en la imagen clasificada.
Pgina 5
CLAS-UMSS
Teledeteccin II
Pgina 6
CLAS-UMSS
Teledeteccin II
En el caso particular del SIG ILWIS para obtener la matriz de confusin se deben seguir
los siguientes pasos: Crear un mapa raster que contenga informacin real de campo
(Ground Truth), tal mapa se denomina tambin conjunto de prueba (test set). Se
recomienda con nfasis que dicho mapa raster no contenga los mismos pixeles como el
mapa raster que constituye el conjunto de muestreo (sample set) usado en la fase de
entrenamiento. Adicionalmente, se requiere el mapa raster resultante de la clasificacin
de imagen. A continuacin se debe realizar una sobreposicin (cross) entre el mapa
conteniendo la informacin real de campo y el mapa clasificado para generar una tabla
de sobreposicin o cruce. Abra la tabla y seleccione la matriz de confusin.
En la ventana principal de un clic sobre el mapa de puntos, presione el botn derecho y
seleccione Rasterize/Point to Raster. En la ventana desplegada seleccione la
georeferencia B1 y asigne el valor de 5 al tamao del punto (Point Size), manteniendo
el nombre por defecto.
Del men principal seleccione Operations/Raster Opererations/Cross. Ingrese
FINAL como primer mapa y como segundo en el cruce el mapa Puntos. Mantenga
activada en ambos casos la opcin Ignore Undefs (Ignore indefinidos). Esto permitir
reportar slo los pixeles de sobreposicin espacial. Si desactivramos la opcin nuestra
tabla tendra muchos elementos indefinidos que imposibilitara el anlisis. Nombre la
tabla como Cruce. No se requiere un mapa de salida. De OK.
La tabla de cruce tiene varias opciones que permiten generar varios indicadores
estadsticos, entre ellos la Matriz de Confusin. Como esta tabla establece la cantidad de
pixeles que han sido sobrepuestos entre las clases que conforman ambos mapas, la
Pgina 7
CLAS-UMSS
Teledeteccin II
Del men de la tabla de cruce seleccione la opcin View y active la opcin Confusion
Matrix. En la pequea ventana seleccione como primera columna el Conjunto de
prueba (Ground truth), es decir, la columna correspondiente a Puntos, siendo la
segunda columna los valores correspondientes al mapa resultante de la clasificacin. La
frecuencia deber estar basada en la cantidad de pixeles (NPix).
Confiabilidad promedio
Precisin general
Qu clase tiene la ms alta precisin? De una explicacin por ello observando tambin
la vista creada por usted
Pgina 8
CLAS-UMSS
Teledeteccin II
Con el ILWIS navegue a la carpeta MC2. Abra la vista GB, sta corresponde a una
composicin a color de una imagen del cantn German Busch de la provincia Tiraque
(Shinahota) localizado en el trpico cochabambino. En base a esta informacin se realiz
una clasificacin para generar un mapa temtico de cobertura vegetal. Para ver los
resultados de la misma abra el mapa COB. Adicionalmente con la ayuda de un GPS y
mediante tracking se ha levantado polgonos del tipo de cobertura presente en el cantn.
Para ver dicho levantamiento adicione el mapa Campo empleado como Conjunto de
prueba (Ground Truth). Salve su vista denominandola Canton.
Obtenga la matriz de confusin para esta clasificacin y mediante ella evale la calidad
de la clasificacin. Reporte los valores y responda a las mismas preguntas planteadas en
el clculo de la anterior matriz.
Existe otro indicador para evaluar la calidad de una clasificacin. Este se denomina el
ndice Kappa. Inicialmente desarrollado en el campo de la psicologa, donde se
plantearon la pregunta de si dos clasificaciones del mismo grupo de sujetos coincida o
no, o en otras palabras, si dos personas realizaban el mismo diagnstico en general. Si
no suceda esto se sugera que uno o ambos de los psiclogos estaban errados, o que las
categoras de la clasificacin no podan ser distinguidas por los profesionales. El ndice
Kappa fue subsecuentemente adoptado por la teledeteccin como una medida til de la
precisin de la clasificacin. En la analoga obvia al diagnstico psicolgico donde dos
psiclogos son dos interpretadores de una imagen o dos clasificadores automticos.
Entonces, se extendi el caso donde un psicologo es el clasificador automatico (la
computadora) y el otro es el clasificador manual (un humano). En consecuencia el
clasificador manual considerado la referencia a la cual un clasificador automtico o
mapa se comparar.
La idea bsica detrs de kappa es que parte de la aparente precisin de la clasificacin
podra deberse a cierta probabilidad o chance. Esto es especialmente relevante cuando
algunas clases probablemente se encontrarn ms durante un muestreo de campo. Por
ejemplo, considere un mapa donde la clase A es mapeada sobre 90% del rea levantada
y la clase B sobre el 10%. Esto puede ser usado como una estimacin a priori de la
cobertura actual, en cuyo caso un muestreo de campo seleccionado aleatoriamente
Por Mauricio Auza Aramayo
Pgina 9
CLAS-UMSS
Teledeteccin II
. Escoja
Pgina 10
CLAS-UMSS
Teledeteccin II
Search Count: Este es el nmero de ventanas de bsqueda que sern empleados para
colectar los puntos aleatorios por prueba. Por ejemplo, si introduces 100, entonces un
mximo de 100 ventanas de bsqueda sern empleadas a travs de la imagen para la
colecta de puntos.
Number of points: Se refiere el nmero total de puntos aleatorios a ser generados.
Distribution parameters: cmo los puntos aleatorios sern seleccionados.
Mantenga por defecto el nmero de ventanas de bsqueda. Asigne 100 como puntos
aleatorios a ser generados, mantenga Random (Aleatorio) como mtodo y de OK. Deber
llenarse una tabla donde se generan varias columnas (Name, Coordenadas, Class,
Reference).
Del men seleccione Edit/Show Class Values. Debern mostrarse las clases de cada
punto correspondiente a un atributo especfico (Clase de cobertura).
Pgina 11
CLAS-UMSS
Teledeteccin II
Los puntos generados aleatoriamente debern ser cotejados en campo, es decir, deber
generarse un archivo ASCII o texto donde para cada punto generado por el sistema se
asigne su clase de cobertura real o verificada en campo (Ground Truth).
Los puntos verificados en campo pueden ser importados a la columna Reference. Para
ello de un clic sobre la columna correspondiente resaltndola, presione el botn derecho
y seleccione Import. En este caso no tenemos un archivo de campo porque los puntos
fueron generados aleatoriamente y los mismos no podrn ser verificados en campo. Para
ello emplearemos otro archivo donde ya se incorpor el Ground Truth. Cierre la ventana
salvando los cambios y tambin el visualizador.
Con el Windows Explorer descomprima el archivo Kappa localizado en la carpeta
Clasif. Nuevamente seleccione la opcin Accuracy Assessment. Cargue el archivo
Test.img. Usted ver que los puntos aleatorios que ya fueron generados con
anterioridad y ver la columna Reference llenada con los puntos verificados en campo.
Cargue la columna Class.
Pgina 12
CLAS-UMSS
Teledeteccin II
Cierre las ventanas del ERDAS correspondiente a los otras partes de la prctica. Abra
un visualizador y cargue el archivo COB.img localizado en la carpeta Cob. Este mapa
clasificado corresponde al Cantn German Busch. Del men del visualizador seleccione
Raster/Attributes. Podr visualizar el histograma tabular de cada clase de cobertura
presente. Notar que la clase con valor de Cero no corresponden a una clase de
cobertura. Puede cambiar los colores si desea para mejorar la visualizacin.
Pgina 13