CLAS-UMSS

Teledeteccin II

Evaluacin de la clasificacin de imgenes

EVALUACIN DE LA CLASIFICACION DE IMGENES

Por Mauricio Auza Aramayo
CLAS-UMSS
auza@clas.umss.edu.bo

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.

Desde la rbita de un satlite solamente vemos la parte superior y externa de un

objeto. Por ejemplo, los satlites slo ven el techo de una casa. Por lo cual, los mismos
son capaces por lo menos de clasificar los edificios por el material de sus techos,
mientras que el intrprete estar ms interesado en las funciones de los edificios
(residencial, comercial, industrial, etc). Esta limitacin es especialmente molestosa
cuando se quiere identificar elementos del paisaje hechos por el hombre. El anlisis de
las firmas espectrales prueba ser mucho ms relevante cuando se analiza los terrenos,
cultivos, vegetacin natural, etc. Es muy importante tomar en cuenta este principio
cuando se conforma las categoras de un esquema de clasificacin. Estas categoras
debieran siempre estar basados en los tipos de cobertura de la tierra antes que en el uso
de la tierra. Por ejemplo, un parqueo y un techo asfaltado corresponden a usos de la
tierra muy diferentes, pero sus firmas espectrales estn tan relacionadas que
probablemente ambas sern clasificadas en la misma categora de cobertura de la tierra.

La clasificacin incluye un amplio rango de enfoques de decisin terica para la

identificacin de imgenes. Todos los algoritmos de clasificacin se basan en el supuesto
que las imgenes en cuestin describen uno o ms rasgos y cada uno de estos rasgos
pertenecen a una de algunas clases distintivas y exclusivas. Las clases pueden ser
especificadas a priori por un analista (como en una clasificacin supervisada) o
automticamente agrupada (como en una clasificacin no supervisada) dentro de un
conjunto de clases prototipo, donde el analista simplemente especifica el nmero de
categoras deseadas.

Por Mauricio Auza Aramayo

Pgina 1

CLAS-UMSS

Teledeteccin II

Evaluacin de la clasificacin de imgenes

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.

Por Mauricio Auza Aramayo

Pgina 2

CLAS-UMSS

Teledeteccin II

Evaluacin de la clasificacin de imgenes

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.

Evaluacin de calidad de la clasificacin

En las pruebas binomiales se trata los errores de forma igualitaria, y por lo tanto puede
solo estimar la precisin del mapa como un todo. Para investigar los errores asociados
con las clases individuales las pruebas multinomiales deben ser empleadas. Estas
pruebas responden a dos preguntas: 1) Cul es la frecuencia del error? y 2) Cul es la
naturaleza del error?, es decir, Qu clases no son mapeadas correctamente?. Las
pruebas multinomiales se basan en la denominada Matriz de Confusin. Esta es un tabla
con columnas representando las clases de referencia (Observadas), y las filas las clases
clasificadas. Cada celda en la matriz contiene el nmero de observaciones en la clase
mapeada de su fila que fueron de hecho observada en la clase de su columna. De este
modo, las diagonales representan en empalme entre el mapa y el terreno (como en las
pruebas binomiales) y las no diagonales representan diferentes fallas en la clasificacin.
La tabla 2 muestra la notacin bsica de las matrices de confusin, y la tabla 2 muestra
las estadsticas simples que se calculan a partir de esta.1
La terminologa tradicional para errores es de algn modo confusa pero bien
establecida. Se expresa desde el punto de vista del usuario o la persona que elabora el
mapa. Observando a travs de la filas (Clases mapeadas), un error de comisin se dice se
presenta cuando el usuario incorrectamente mapea esta clase en un sitio de referencia
(ground truth) donde ste no existe. Eso significa, que el usuario cometi el error de
sobre mapear una clase. Esto lleva a una baja precisin del usuario Ci. Por el contrario,
observando las columnas (clases encontradas en el campo), un error de omisin se dice
se presenta cuando el usuario fall en la identificacin correcta de ste sitio de
referencia en su clase verdadera. Eso significa que el usuario omiti mapear el sitio en
la clase correcta.

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).

Por Mauricio Auza Aramayo

Pgina 3

CLAS-UMSS

Teledeteccin II

Evaluacin de la clasificacin de imgenes

Tabla 1. Notacin de la matriz de confusin

Smbolo
X

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

Suma de columna (referencia) j

Nmero total de observaciones

xij

o
o

P
pij

Matriz de proporciones
Proporciones de observaciones en fila i, columna j

pi+

Proporciones de datos mapeados en fila (clase) i

X/n

p+j

proporciones de datos de referencia en columna (clase) j

o

Tabla 2. Estadsticas calculadas a partir de la matriz de confusin

Por Mauricio Auza Aramayo

Pgina 4

CLAS-UMSS

Teledeteccin II

Evaluacin de la clasificacin de imgenes

Interpretacin de una matriz de confusin

Considere el siguiente ejemplo de una matriz de confusin2:

Resultados de la clasificacin
De campo

Bosques Arbustos Cultivos Urbano Suelo desnudo Agua No clasificado

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

Precisin promedio = 74,25%

Confiabilidad promedio = 80,38%
Precisin general = 73,15%

En el ejemplo de arriba:

No clasificado representa pixeles indefinidos,

ACC representa la precisin de la fila
REL representa la confiabilidad de la columna

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.

Extrado del Help del ILWIS

Por Mauricio Auza Aramayo

Pgina 5

CLAS-UMSS

Teledeteccin II

Evaluacin de la clasificacin de imgenes

Precisin: los valores en la columna precisin (ACC) representan la precisin de la

clasificacin, es decir, la fraccin de pixeles del conjunto de prueba correctamente
clasificados. Para cada clase de los pixeles de prueba (filas), el nmero de pixeles
correctamente clasificados se dividen por el nmero total de pixeles en esa clase, por
ejemplo, para la clase Bosques, la precisin es 440/530 = 0.83, lo que quiere decir que
aproximadamente 83% de los pixeles Bosques del conjunto de prueba tambin
aparecen como pixeles Bosques en la imagen clasificada.
Confiabilidad: los valores en la fila confiabilidad (REL) representan la confiabilidad de
las clases in la imagen clasificada, es decir, la fraccin de pixeles del conjunto de prueba
correctamente clasificados de una cierta clase en la imagen clasificada. Para cada clase
en la imagen clasificada (columnas), el nmero de pixeles correctamente clasificados se
divide por el nmero total de pixeles que fueron clasificados como esta clase. Por
ejemplo, para la clase Bosques, la confiabilidad es 440/490=0.90, significando que
probablemente 90% de los pixeles Bosques en la imagen clasificada son correctos
comparados a los pixeles del conjunto de prueba.
La precisin promedio es calculada como la suma de los valores de precisin en la
columna precisin (ACC) dividida por el nmero de clases en el conjunto de prueba.
La confiabilidad promedio es calculada como la suma de los valores de confiabilidad en
la columna confiabilidad (REL) dividida por el nmero de clases en el conjunto de
prueba.
La precisin general se calcula como la suma de todos los pixeles correctamente
clasificados (elementos diagonales) divididos por el total de nmero de pixeles de
prueba.
Del ejemplo de arriba, se puede concluir que las clases Cultivos y Urbano del conjunto
de prueba fueron difciles de clasificar como mucho de tales pixeles fueron excluidos las
clases Cultivos y Urbano, de esta forma las reas de estas clases en la imagen
clasificada son probablemente subestimadas. Por otro lado, la clase Suelo desnudo en
la imagen no es muy confiable ya que muchos pixeles del conjunto de prueba de otras
clases se incluyeron en la clase Suelo desnudo en la imagen clasificada, de esta forma el
rea de la clase Suelo desnudo esta probablemente sobreestimada en la imagen
clasificada.
Abra el ILWIS y navegue a la carpeta MC1. Despliegue el mapa CC, la cual es una
composicin a color de parte de la cordillera del Tunari. En base a las bandas de esta
imagen Landsat se ha realizado una clasificacin cuyo resultado es el mapa
denominado FINAL. Adicione dicho mapa mediante el cono
con una
transparencia de 40%. De acuerdo a lo que observa y a las clases identificadas asigne
una calificacin individual en una escala de 1 a 100% al mapa FINAL.
En este caso particular emplearemos como conjunto de prueba (Ground Truth) un
grupo de puntos levantados en campo mediante un GPS. Adicione el mapa Puntos
para visualizar su ubicacin respecto a la imagen clasificada. Salve la vista como
Clasif.
Abra el histograma del mapa de puntos. Seleccione del men View/Statistics Pane,
donde podr observar la cantidad total de puntos a ser empleados en el anlisis.

Por Mauricio Auza Aramayo

Pgina 6

CLAS-UMSS

Teledeteccin II

Evaluacin de la clasificacin de imgenes

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

Por Mauricio Auza Aramayo

Pgina 7

CLAS-UMSS

Teledeteccin II

Evaluacin de la clasificacin de imgenes

posibilidad del clculo de valores de coincidencia entre ambas se posibilita y permite

evaluar la clasificacin con datos del terreno

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).

Se desplegar la correspondiente matriz de confusin con sus correspondientes

valores.

En base a los resultados llene la siguiente tabla:

Precisin promedio

Confiabilidad promedio

Precisin general

Qu clase tiene la ms alta precisin? De una explicacin por ello observando tambin
la vista creada por usted

Qu clase tiene la ms alta confiabilidad?...................................................................

Qu recomendara para mejorar los resultantes de la clasificacin?.
.......................................................................................................................................................................................
................................................................................................................................................................................
Por Mauricio Auza Aramayo

Pgina 8

CLAS-UMSS

Teledeteccin II

Evaluacin de la clasificacin de imgenes

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

Evaluacin de la clasificacin de imgenes

tendra un 90% de chance de ser de hecho la clase A. La probabilidad conjunta es

entonces 0.81 de que este punto sea correctamente mapeado como clase A, simplemente
por chance.
La forma usual de Kappa es donde todos los errores son igualmente importantes. Se
definen ciertos coeficientes intermedios (Ver notacin en tabla 1 y 2):

El primer coeficiente 1 es la precisin general Ao. El segundo 2 es la precisin general

esperada si hubiera un acuerdo entre los datos de referencia y los mapeados.
Estos coeficientes son posteriormente combinados para calcular kappa de la siguiente
forma:

Abra el ERDAS. Del men principal seleccione Viewer (Visualizador)

. Escoja

Classic Viewer. Seleccione el cono de abrir

y navegue a la carpeta Clasif. Cargue el
archivo Final.img. Se abrir el mapa clasificado utilizado en el primer ejercicio del
ILWIS. Seleccione el cono
(Inquire cursor), marque varios puntos de la imagen y
en la ventana se desplegar sus coordenadas, el nmero de clase (Pixel value) y el
atributo correspondiente. Cierre la ventana Inquire Cursor.

Por Mauricio Auza Aramayo

Pgina 10

CLAS-UMSS

Teledeteccin II

Evaluacin de la clasificacin de imgenes

Del men principal seleccione Classifier (Clasificador)

. Seleccione la pestaa
Accuracy Assessment (Evaluacin de la precisin) Se abrir una ventana desde donde
deber seleccionar la informacin para evaluar la clasificacin. De un clic sobre el cono
para abrir
y navegue a la carpeta Clasif y seleccione el archivo Final.img. Se habr
cargado visualizando en la parte superior de la ventana
. Es a
partir de esta ventana que el sistema seleccionar puntos que luego debern ser
cotejados con la realidad. Del men de la ventana seleccione Edit/Create/Add
Random Points. Con esta opcin el usuario puede generar puntos aleatoriamente
empleando diferentes mtodos. Presione la pestaa Select classes, donde se mostrar el
histograma del mapa clasificado

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).

Por Mauricio Auza Aramayo

Pgina 11

CLAS-UMSS

Teledeteccin II

Evaluacin de la clasificacin de imgenes

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.

Del men de la ventana seleccione Report/Accuracy Report. Se deber generar el

reporte. En nuestro caso tenemos slo 6 clases, aunque el archivo puede generar
muchsimas clases. Mueva el cursor hacia abajo hasta localizar el resumen de la Error
Matrix (Matriz de confusin) donde se visualiza la precisin general y el valor del
ndice kappa.

Mediante esta metodologa es posible generar el archivo de referencia (Ground Truth)

usando las coordenadas de los puntos generados aleatoriamente y una imagen de fondo
(Satelital, Fotos areas, Google Earth, mapa temticos, etc). Esta forma indirecta puede
suplantar un levantamiento de campo que por diversas circunstancias no siempre es
posible. En nuestra prctica generaremos en archivo de referencia empleando una
imagen satelital. Para ello usaremos como zona de trabajo el cantn German Busch que
ya fue analizado anteriormente.

Por Mauricio Auza Aramayo

Pgina 12

CLAS-UMSS

Teledeteccin II

Evaluacin de la clasificacin de imgenes

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.

Aplique la herramienta Accuracy Assessment sobre la imagen. Gener solo 30

puntos de forma aleatoria. Ingrese a la pestaa Select clases, con la ayuda de la
tecla shift (mayscula) seleccione las clases que entrarn en el anlisis excluyendo la
fila de cero, no cierra esta ventana para generar los puntos aleatorios. Los
identificadores y coordenadas pueden ser exportadas a una hoja de clculo y luego
transformadas en un mapa de puntos para sobreponer a la composicin a color del
ILWIS. Genere el archivo de texto slo conteniendo la clase (Nmero) identificado
por su persona en base a su observacin de la imagen. Luego imprtelo a la columna
Reference y obtenga el reporte de evaluacin.

Por Mauricio Auza Aramayo

Pgina 13