En este momento estás viendo Técnicas de Clasificación de Imágenes en la Teledetección
  • Tiempo de lectura:8 minutos de lectura
  • Autor de la entrada:
  • Última modificación de la entrada:1 septiembre 2020

Técnicas de Clasificación de Imágenes en la Teledetección

Es posible definir la clasificación de imágenes como el proceso o método que aplicamos dentro de un programa SIG que nos permite asignar clases de cobertura terrestre (tipos de cultivos, bosques, masas de agua, entre otros) a los píxeles que conforman la imagen, generalmente satelitales.

En general, para la clasificación de imágenes dentro de un SIG se utilizan tres técnicas distintas, que son las que vamos a conocer en este artículo:

  • Clasificación de imágenes no supervisada
  • Clasificación de imágenes supervisadas
  • Análisis de imágenes basado en objetos

De esta tres técnicas, la clasificación de imágenes no supervisada y supervisada son las dos más populares. Sin embargo, la clasificación basada en objetos, está siendo utilizada cada vez más, ya que es muy útil para datos de alta resolución.

Clasificación no supervisada

En la clasificación no supervisada, primero se agrupa los píxeles en grupos con propiedades similares «clusters». Y luego, se le asigna a cada clúster una clase de cobertura terrestre.

Imagen Landsat TM de entrada
Imagen Landsat TM de entrada

Podríamos decir que, la clasificación no supervisada es la técnica más básica o simple. Debido a que para realizar la clasificación no supervisada no es necesario utilizar muestras de referencia, es una manera fácil de segmentar y comprender una imagen. En general, esta técnica consta de dos pasos básicos para la clasificación:

Generar clústeres

Utilizando el programa SIG crearemos los «clusters». Los algoritmos que facilitan la agrupación de los pixels a clusters más utilizados son K-means e Isodata.

Una vez seleccionado el algoritmo más adecuado para crear los «clusters»- según nuestro estudio-, identificaremos el número de grupos que deseamos crear. Por ejemplo, podemos crear 8, 20 o 42 clústeres.

Lo importante aquí es considerar que: Menos clústeres significa que tienen más píxeles similares dentro de los grupos. Pero más clústeres aumenta la variabilidad dentro de los grupos. O en otras palabras, se trata de clústeres no clasificados.

Asignar clases

Muestras de capacitación recolectadas
Asignarlos tipos de cobertura

El siguiente paso es asignar manualmente las distintas clases de cobertura terrestre de nuestro estudio a cada clúster. Por ejemplo, si estamos clasificando zonas con vegetación y zonas sin vegetación o desnudas, entonces seleccionaremos los clústeres que mejor los representen a cada categoría.

Mapa de uso del suelo clasificado de salida
Resultado

Clasificación supervisada

En la clasificación supervisada no iremos tan «a ciegas» como con la clasificación anterior, en este caso, le indicaremos al programa la clase de cobertura terrestre que corresponde a distintos píxels de la imagen, es decir, crearemos muestras representativas con varios píxels de la imagen para cada clase de cobertura terrestre. A continuación, el software utiliza estos «sitios de entrenamiento» y los aplica a toda la imagen.

Así que, en general, la clasificación supervisada requiere de la aplicación de tres pasos básicos:

Seleccionar áreas de entrenamiento

Como se comenta al inicio de este apartado, para la clasificación de imágenes supervisadas, es necesario crear muestras de entrenamiento. Por ejemplo, podemos indicar que los píxeles azul claro son lagunas marcándolas en la imagen y luego indicar que los píxels verde oscuro corresponden a la selva nublada. Al final, seguiríamos este proceso, hasta indicar dentro de la imagen, todos los sitios representativos y conocidos por nuestras salidas de campo como los puntos de entrenamiento para la clasificación.

El objetivo final, es decirle al programa toda la información posible sobre como se muestra en la imagen las distintas clases de cobertura de nuestro estudio. Considerando que, cuantas más referencias o puntos de entrenamiento posea el programa mejor será la clasificación. Esta información se almacena en un «archivo de firma».

Generar archivo de firma

Como se puede intuir, un archivo de firma es el que almacena toda la información espectral necesaria para realizar la clasificación y que se ha obtenido gracias a los puntos de entrenamiento. Así que, una vez creado este archivo, se pasaría a realizar la clasificación.

Utilizar el botón Crear archivo de firma
Archivo de firma en ArcMap

Clasificar

Una vez creado el archivo de firma seleccionaremos el algoritmo más adecuado para realizar la clasificación, lo más comunes son:

  • Máxima probabilidad
  • Distancia mínima
  • Componentes principales
  • Máquina vectorial de soporte (SVM)
  • Clúster Iso

Sobre cuál es el mejor, cada opción tiene sus propias ventajas y lo mejor es probar y ver que algoritmo nos da los mejores resultados para nuestro estudio. Aún así, os comento que según varios estudios se considera que el algoritmo SVM es uno de los mejores para realizar una clasificación en teledetección.

 

Análisis de imagen basado en objetos (OBIA)

Como hemos visto, la clasificación supervisada y no supervisada se basa en organizar y clasificar píxeles según sus propiedades, obteniendo como resultado, nuevos píxeles con otros valores resultado de la agrupación en clases. En otras palabras, crea una nueva capa de píxel, donde cada píxel representa una clase.

En cambio, con la clasificación de imágenes basada en objetos, agruparemos los píxeles pero el resultado final, será un conjunto de formas vectoriales representativas con tamaño y geometría. Es decir, agruparemos los pixeles y crearemos una capa vectorial con los límites de cada grupo de píxels similares.

Para realizar la clasificación de análisis de imágenes basada en objetos, seguiremos los siguientes pasos:

  • Realizar segmentación multiresolución
  • Seleccionar áreas de entrenamiento
  • Definir estadísticas
  • Clasificar

Como se menciona en párrafos anteriores, el análisis de imágenes basado en objetos (OBIA), segmenta una imagen agrupando píxeles. No crea píxeles individuales. En su lugar, genera objetos con geometrías diferentes. Lo interesante de esta clasificación, es que con una imagen con alta resolución, obtendremos resultados muy significativos, hasta el punto que podemos digitalizar o vectorizar la imagen, ahorrando muchísimo tiempo. Por ejemplo, en esta imagen vemos como se resaltan los edificios después de la segmentación.

obia segmentation clustering ml

Con respecto a la segmentación, los 2 algoritmos más utilizados son:

  • Segmentación multi resolución en ECognition
  • Cambio medio de segmento, en ArcGIS

Ya por último, solo comentar que dentro de la clasificación Análisis de imagen basada en objetos (OBIA), es posible utilizar diferentes métodos para clasificar objetos. Por ejemplo:

SHAPE: Se realiza la clasificación a través de las formas indicadas al programa. Por ejemplo, si queremos clasificar edificios, podemos decir al programa que busque elementos que se ajusten a un rectángulo. El programa, determinará las agrupaciones de píxeles que se asemejen a esa forma.

TEXTURA: Muy similar al anterior, pero con las texturas. Por ejemplo, Una textura homogénea y principalmente de color oscuro es el agua. Al contrario, los bosques no presentan una textura homogénea, en realidad serán mezclas de colores entre el verde y negro.

SPECTRAL: Permite utilizar el valor medio de las propiedades espectrales, como el infrarrojo cercano, el infrarrojo de onda corta, el rojo, el verde o el azul.

CONTEXTO GEOGRAFICA: Para objetos tienen relaciones de proximidad y distancia entre vecinos.

CLASIFICACION DEL VECINO MÁS CERCANO: La clasificación del vecino más cercano (NN) es similar a la clasificación supervisada. Después de la segmentación de varias resoluciones, el usuario identifica los sitios de muestra para cada clase de cobertura terrestre. A continuación, definen estadísticas para clasificar los objetos de imagen. Por último, el vecino más cercano clasifica los objetos en función de su parecido con los puntos de entrenamiento y las estadísticas definidas.

OBIA classification

______________________________________________________________________________

Ya solo me queda despedirme, no olvides que si tienes alguna sugerencia o deseas que se escriba sobre algún tema me lo puedes indicar dentro de mis cursos o realizando un comentario en esta página. Un saludo y nos vemos en el aula.

Cursos relacionados recomendados:

Teledeteccion y análisis de superficies con ArcGIS 10

Otros cursos:

Estudios en ecología y evolución con ArcGIS 10

Tecnicas SIGs para estudios de Conservación y Biodiversidad

SIGs aplicados en estudios de Medio Ambiente con ArcGIS 10

Artículos recomendados:

El Índice de Diferencia Normalizada de Vegetación (NDVI) y su interpretación

Isis Gómez López

Isis Gómez López es Licenciada en Biología (Ecología), Master Europeo de formador de formadores y Magíster en Espacios protegidos. Es especialista en Sistemas de Información Geográfica y Educadora Ambiental, entre otros. Ha trabajado en distintos proyectos de Conservación a nivel Mundial entre ellos: Establecimiento de un corredor biológico en Sierra de Portuguesa (Andes de Venezuela), La Recuperación y Asentamiento de la Memoria Histórica, Cultural y de Relación con el Bosque de la Etnia Aché de Paraguay por la Fundación FESOS, El proyecto realizado en Básile por la Asociación Ecotono, en donde actualmente es miembro. Algunas de sus actuaciones como formadora ambiental son: El desarrollo del proyecto educativo y participación ambiental de la población local de la Sierra Oeste de Madrid del Arboreto Luis Ceballos y del Programa Hogares Verdes del Centro Nacional de Educación Ambiental (CENEAM). El desarrollo del programa de sendas de la Asociación Ecotono o su programa de formación técnica online. Es una de los autores del "Plan de Acción para la Conservación del Oso Andino (Tremarctos ornatus) en Venezuela (2006-2016). " Actualmente es la Secretaria General de la Asociación Ecotono y la Directora de EcoScript y Educación Ambiental sin Fronteras. A parte de las funciones administrativas, dentro del Programa Educativo es Coordinadora y Profesora de los cursos presenciales y online desarrollados por la organización y fué la Directora Científica del Proyecto Juco y El Proyecto Binacional YaguaJuco.

Deja una respuesta