Teledeteccion

FACULTAD DE INGENIERIA CIVIL

INGENIERO TOPOGRAFO GEOMATICO

TELEDETECCION 2

TAREA 7

Dr. Ramón Solano Barajas

Alumna:

Johana Jaqueline Mejía Ramírez

12 de mayo de 2015

Un analista humano puede intentar clasificar las características de una imagen utiliza los elementos de interpretación visual para identificar grupos homogéneos de píxeles que representan diversas características o clases de cobertura terrestre de interés. Clasificación de imágenes Digital utiliza la información espectral representada por lo digital números en una o más bandas espectrales, y los intentos para clasificar cada píxel individual basado en esta información espectral. Este tipo de clasificación se denomina reconocimiento de patrón espectral. En cualquier caso, el objetivo es asignar todos los píxeles de la imagen para clases particulares o temas (por ejemplo, agua, bosque de coníferas, bosque caducifolio, maíz, trigo, etc.). La imagen clasificada resultante se compone de un mosaico de píxeles, cada uno de los cuales pertenecen a un tema en particular, y es esencialmente un "mapa" temática de la imagen original.

Cuando se habla de clases, tenemos que distinguir entre clases de información y clases espectrales. Clases de información son las categorías de interés que el analista es en realidad tratando de identificar en las imágenes, como diferentes tipos de cultivos, diferentes tipos de bosques o especies de árboles, diferentes unidades geológicas o tipos de rocas, etc. clases espectrales son grupos de píxeles que son uniforme (o casi similar) con respecto a sus valores de brillo en los diferentes canales espectrales de los datos. El objetivo es hacer coincidir las clases espectrales en los datos a las clases de información de interés. Rara vez hay un sencillo juego de uno a uno entre estos dos tipos de clases. Más bien, las clases espectrales únicas pueden aparecer que no necesariamente corresponde a ninguna clase de información de uso particular o de interés para el analista. Por otra parte, una amplia clase de información (por ejemplo, los bosques) puede contener un número de espectrales subclases con variaciones espectrales únicas. Usando el ejemplo de bosque, sub-clases espectrales pueden deberse a variaciones en la edad, especie, y la densidad, o tal vez como resultado de sombreado o variaciones en la iluminación de la escena. Es el trabajo del analista para decidir sobre la utilidad de las diferentes clases espectrales y su correspondencia con las clases de información útiles.

Esta serie de tres imágenes está destinado a ilustrar el principio de la adquisición de sitios de entrenamiento para aplicar las estadísticas espectrales de estos sitios en una imagen, y clasificar automáticamente toda la imagen de acuerdo con la cobertura de la tierra.

Procedimientos de clasificación comunes pueden dividirse en dos grandes subdivisiones basadas en el método utilizado: supervisados clasificación y clasificación no supervisada. En una clasificación supervisada, el analista identifica en las imágenes homogéneas muestras representativas de los diferentes tipos de cobertura de superficie (clases de información) de interés. Estas muestras se conocen como zonas de entrenamiento. La selección de las áreas de formación adecuados se basa en la familiaridad del analista de la zona geográfica y su conocimiento de los tipos de cobertura de superficie reales presentes en la imagen. Por lo tanto, el analista está "supervisando" la categorización de un conjunto de clases específicas. La información numérica en todas las bandas espectrales para los píxeles que componen estas áreas se utilizan para "entrenar" al ordenador a reconocer áreas espectralmente similares para cada clase. El equipo utiliza un programa especial o algoritmo (de los cuales hay algunas variaciones), para determinar las "firmas" numéricos para cada clase de entrenamiento. Una vez que el ordenador ha determinado las firmas para cada clase, cada píxel de la imagen se compara con estas firmas y etiquetado como la clase que más se "asemeja" digitalmente. Así, en una clasificación supervisada estamos primero identificando las clases de información que luego se utilizan para determinar las clases espectrales que los representan.

Clasificación no supervisada, en esencia, se invierte el proceso de clasificación supervisada. Clases espectrales se agrupan primero, basado únicamente en la información numérica en los datos, y luego se corresponden con el analista a las clases de información (si es posible). Programas, llamados algoritmos de agrupamiento, se utilizan para determinar los grupos naturales (estadísticos) o estructuras en los datos. Por lo general, el analista especifica cuántos grupos o clusters deben ser buscados en los datos. Además de especificar el número deseado de clases, el analista también puede especificar los parámetros relacionados con la distancia de separación entre los grupos y la variación dentro de cada grupo. El resultado final de este proceso iterativo agrupación puede dar lugar a algunos grupos que el analista querrá combinar

...