Professional Documents
Culture Documents
Técnicas de clasificación:
Clasificación Supervisada.
Clasificación No Supervisada
CLASIFICACIÓN SUPERVISADA.
Podemos definir esta clasificación como un proceso en que pixeles de identidad conocida,
ubicados dentro de las áreas de entrenamiento, se utilizan para clasificar pixeles de identidad
desconocida. La clasificación supervisada involucra las siguientes etapas:
1. Etapa de entrenamiento.
2. Selección del algoritmo de clasificación adecuado y clasificación.
3. Operaciones de post clasificación.
Una vez que se dispone de un conjunto de estos datos de entrenamiento debe tratase de
adjudicar alguna clase cada uno de los pixeles de la escena. Entre los algoritmos clásicos para
estos fines citemos los siguientes:
Con este clasificador los datos de entrenamiento se utilizan sólo para determinar la media de
las clases seleccionadas como regiones de interés. El programa efectuará la clasificación
ubicando cada pixel no identificado en la clase cuya media se encuentra más cercana para lo
cual puede utilizar la distancia euclidiana. El procedimiento se ejemplifica gráficamente en el
diagrama de dispersión de la Fig. 70. Por razones de simplicidad la representación la hacemos
tomando sólo dos bandas (Banda I y Banda II), pero debe tenerse en cuenta que cuando el
procedimiento se implementa numéricamente puede generalizarse para cualquier número de
bandas
Un pixel a de identidad desconocida, será adjudicado a una dada clase computando las
distancias euclidianas entre el pixel y el centroide de cada clase. Aunque simple desde el punto
de vista computacional este algoritmo tiene ciertas limitaciones, entre ellas la insensibilidad a
los diferentes grados de varianza en las respuestas espectrales de las diferentes clases.
Durante el proceso la red es entrenada con los datos de ROIs (polígonos dibujados sobre áreas
homogéneas de la imagen que se superponen a píxeles pertenecientes a la misma clase de
cobertura del suelo.) introducidos y aplicada para clasificar el resto de píxeles no asignados.
MÉTODO NO SUPERVISADO
Las clasificaciones no supervisadas son aquellas en las que el algoritmo clasificador no necesita
de más información que la escena a clasificar y algunos parámetros que limiten el número de
clases. Este método se dirige a definir las clases espectrales presentes en la imagen; por lo tanto,
no implica ningún conocimiento del área de estudio, por lo que la intervención humana se centra
más en la interpretación, que en la obtención de los resultados.
En esta estrategia, se asume que los niveles digitales (ND) de la imagen forman una serie de
agrupaciones o conglomerados denominados clústeres, más o menos nítidos según los casos.
Estas agrupaciones se equivaldrían a pixeles con un comportamiento espectral homogéneo.
Se han propuesto numerosos algoritmos para crear estos clústeres entre ellos tenemos.
A. Clasificación Empleando las K-Medias.
B. Clasificación Empleando ISODATA (Iterative Self-Organizing Data Analysis Technique).
El método de clasificación de las K-Medias se basa en ir determinando las medias de las clases y
luego de forma iterativa los píxeles son insertados en las clases más cercanas utilizando las
técnicas de mínima distancia. En cada iteración se recalcula la media de la clase y se vuelven a
reclasificar todos los píxeles. Todos los píxeles serán clasificados si se limita la desviación
estándar o la distancia máxima de búsqueda.
Se trata de un método iterativo que requiere relativamente poca intervención humana, siendo
usual que el analista deba especificar:
• Número máximo de clústeres que el algoritmo debe identificar (por ej. 10, 20 o más según el
caso)
• Máxima desviación standard. Cuando la desviación standard para un clúster excede el máximo
especificado y el número de miembros que contiene es más que el doble del mínimo
especificado, el clúster se divide en otros dos clústeres.
• Suele también fijarse valores mínimos para las distancias entre los centros de los clústeres.
Cuando la distancia resulta inferior a dichos valores los clústeres se fusionan.
Para ilustrar cómo procede el algoritmo ISODATA consideremos un caso bidimensional: un típico
diagrama de dispersión entre bandas 3 (rojo) y 4 (infrarrojo cercano) del LANDSAT.
10 clústeres, máximo 20 iteraciones, umbral de cambio: 5%, máxima desviación standard por
clase:1, distancia mínima entre medias de las clases: 3 (DN), máximo número de pares de clases
a fusionarse: 2.
El resultado se ve en la Fig. 79 donde se han indicado las clases identificadas como eucaliptus 1
(C.1), eucaliptus 2 (C.2), pinos (C.3), 2 clases de vegetación natural (C.4,5) y áreas taladas o
totalmente descubiertas (C 6).
CONCLUSIONES
http://www.teledet.com.uy/tutorial-imagenes-satelitales/clasificacion-no-
supervisada.htm
http://www.ujaen.es/huesped/pidoceps/tel/archivos/Prac_Tel_2006_7.pdf
https://www.um.es/geograf/sigmur/teledet/tema04.pdf
http://fcf.unse.edu.ar/archivos/lpr/pdf/p11.PDF
https://semiautomaticclassificationmanual-
v5.readthedocs.io/es/latest/remote_sensing.html
http://www.unsj.edu.ar/unsjVirtual/cartografiaaplicadaminas/wp-
content/uploads/2016/10/Gr%C3%A1ficos-Clasificaciones.pdf