Professional Documents
Culture Documents
Práctica 1
INTRODUCCIÓN a eCOGNITION
Flor Álvarez Taboada
flor.alvarez@unileon.es
OBJETIVO GENERAL
Identificación y cartografiado de cubiertas del suelo en la zona de estudio: bosques, pastizales, zonas
impermeables, agua. Diferenciar los ríos de los lagos.
OBJETIVOS ESPECÍFICOS OBIA
1. Introducción al entorno eCognition 8
2. Creación de un proyecto
3. Carga de datos
4. Segmentación
5. Clasificación
6. Calidad de la clasificación
DATOS
IMAGEN CARACTERÍSTICAS
Dessau_n.tiff Sensor Landsat TM. 7 bandas.
ENTORNO eCognition
Jerarquía de
Árbol de procesos clases
Vista de mapa
Información de objetos de la
imagen Vista de
entidades
Ficheros
Vista
Layout
Imagen
Líneas, bordes
Capas
Zoom
Herramientas
CASO DE ESTUDIO
Diferentes combinaciones y diferentes pesos de las capas para una visualización más adecuada.
2. Segmentación.
Segmentación con multirresolución:
- Insertar proceso en el árbol de procesos (segmentación) (Append new)
La imagen siguiente muestra los resultados para el ratio del azul y el ratio del NIR. ¿Cuál sería más
adecuado para distinguir el agua de las siguientes clases?
Visualizar los valores mínimos y máximos para los objetos de la clase de interés.
- Realizar la clasificación
Insertar el algoritmo de clasificación en el Process tree y la clase que se va a asignar.
Ejecutar la clasificación.
Refinamiento del resultado: e.g. clasificación según máxima diferencia. Búsqueda de valor
umbral.
- Creación de un nuevo umbral y una nueva función de condición. Se puede inactivar la expresión
anteriormente usada y crear una nueva (por si es necesario volver a emplearla).
- Para clasificar todo el terreno restante como “Tierra”, es preciso insertar una nueva clase. Esta nueva
clase se define como “todo aquello que no es agua”.
- Método: Clasificación supervisada empleando el método no paramétrico del vecino más próximo
(Nearest Neighbour) (NN).
- Aspectos críticos:
Selección de muestras para cada categoría
Elección del feature space, conjunto de entidades (características) entre las que el método
NN calcula la distancia entre los objetos de la imagen.
Umbral de pertenencia a una clase
- Proceso: borrar el resultado de la clasificación anterior (no es necesario borrar el proceso del árbol de
procesos). Borrar la descripción de la clase Agua (Edit/ Class Description/ Delete expression). Borrar
la clase Tierra. Añadir las clases bosques, pastizales y zonas impermeables.
- Comprueba que el feature space se ha transferido a cada una de las clases (Edit).
Se podría haber mantenido la clasificación anterior para el agua y clasificar con NN las otras 3 clases.
¿Número de muestras?
¿Número de entidades en el feature space? (Problema con correlaciones)
Posibilidad de dividir la ventana para seleccionar muestras sobre diferentes combinaciones
de bandas.
o Resultados de la optimización: NIR y MIR producen una mayor separabilidad entre las clases.
Se puede aplicar esta optimización al proyecto.
5. Calidad de la clasificación.
Además de realizar una validación a partir de un conjunto de muestras independientes, es posible obtener
otras medidas de la calidad de la clasificación (Tools/ accuracy assessment).
- Best classification results: valores bajos implican problemas durante la clasificación.
- Classification stability: muestra la diferencia éntrelos valores de la función de probabilidad para la
primera clasificación (actual) y la segunda clasificación (posible). Los valores bajos (en rojo) indican
una diferencia pequeña entre las clases, de modo que la clasificación no es muy estable; en ese caso
deberían de revisarse esas zonas.
- Image object information: proporciona información sobre los valores de la función de pertenencia
para cada objeto en cada clase.
6. Refinamiento de una de las clases: diferencias entre ríos y lagos en la clase agua
Los ríos y los lagos tienen como característica común que son masas de agua, de modo que heredan las
características de la clase agua. Las características de la clase padre pasan a las clases hijos.
Para diferenciar entre ríos y lagos es necesario encontrar características estables que los diferencien. Una de
los criterios posibles es la forma (shape index). Se calcula como la longitud del borde del objeto dividido por
4 veces la raíz cuadrada de su área.
Procedimiento:
- Unir (merge) los objetos contiguos clasificados como agua (Process tree).
- Crear las clases Rios y Lagos en la ventana Class Hierarchy (Inheritance o Groups). Arrastar las nuevas
clases a la clase padre (Agua).
- Definir las dos clases (Rios y Lagos). Rios se puede definir con una función de pertenencia empleando
la forma, y los lagos como la expresión inversa de similarity to river.