Descargar guión - Universidad de Jaén

UNIVERSIDAD DE JAÉN
DEPARTAMENTO DE INGENIERÍA CARTOGRÁFICA, GEODÉSICA Y FOTOGRAMETRÍA
PRÁCTICAS DE TELEDETECCIÓN
Clasificación
INGENIERÍA TÉCNICA EN TOPOGRAFÍA
7
Clasificación no supervisada.
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 límiten el
número de clases. Estos mecanismos de clasificación basan su efecto en la búsqueda de
clases con suficiente separabilidad espectral como para conseguir diferenciar unos elementos de otros.
Clasificación Empleando las K-Medias.
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.
Clasificación Isodata.
Este comando utiliza el siguiente algoritmo para la obtención de la clasificación:
a. El usuario decide el número N de clusters que van a ser utilizados. Como primera
aproximación se recomienda utilizar un número elevado y reducirlo tras interpretar la
imagen.
b. Se selecciona un conjunto de N clusters en el espacio de las bandas. La localización
inicial es situada en las zonas de mayor reflectancia.
c. Los píxeles se asignan al cluster más cercano.
d. Los clúster se asocian o disgregan o borran en función de la máxima distancia de clase o del número mínimo de píxeles ocupados por una clase.
e. Se repiten los pasos c y d hasta que el cambio entre una iteración y otra sea mínimo.
Aplicar este método de clasificación a las 6 bandas de Landsat (exceptuado el térmico).
Indicar un máximo de 3 iteraciones y comprobar cuantas clases posibles existen, en cualquier caso no indicar más de 8. El programa automáticamente visualiza los resultados empleando una paleta cualitativa.
Clasificación supervisada.
Digitalización de polígonos de entrenamiento como ROIs.
Se tratará de digitalizar 5 campos de entrenamiento (training sites) sobre una imagen clasificada automáticamente o bien sobre una composición en falso color (en realidad debe
realizarse digitalizando sobre cartografía digital o una fuente geométrica fiable además de
con el conocimiento cierto de la ocupación de la celda). Para ello se empleará la inclusión
de ROIs dentro de las imágenes.
Los campos de entrenamiento que se van a digitalizar serán:
1. Olivar (cluster 6).
TELEDETECCIÓN
2.
3.
4.
2
Regadío (cluster 3).
Suelo desnudo o muy escasamente cubierto (cluster 7).
Cultivos herbáceos extensivos.
Clasificación de la escena.
Existen diversos métodos de clasificación de la escena. En función de cómo se traten los
parámetros que definen las signaturas espectrales de cada clase deseada.
Paralelepipédica
Consiste en determinar los valores máximos y mínimos (determinados a partir de la media
y la desviación de la clase) para cada clase en cada banda. Todos aquellos píxeles que se
encuentren dentro del hipercubo son asignados a esa clase, en caso contrario quedan sin
asignar.
Por mínima distancia
La clasificación por mínima distancia consiste en la determinación de las medias de cada
clase y la asignación se realiza hacia la clase con menor distancia. Algunos de los píxeles
quedarán sin clasificar si se introduce una distancia máxima o una desviación estándar
máxima. Utilizar varias distancias de limitación y otras sin limitación. Observar el resultado
con la paleta cualitativa.
Por mínima distancia de Mahalanobis
Es un método similar al de máxima probabilidad, pero asumiendo que las covarianzas de
las clases son iguales.
Por máxima probabilidad
Este clasificador permite tener en cuenta la diferente probabilidad de que se encuentren
determinadas cubiertas en la escena (probabilidad a priori) y permite con ello calcular la
probabilidad a posteriori (probabilidad de que se trate de una determinada clase cuando
los niveles digitales sean unos concretos) a partir de las verosimilitudes, que son más fáciles de calcular (probabilidad de que los niveles digitales sean unos determinados, para cada clase de la leyenda. Observar el resultado con la paleta cualitativa.
Empleando Redes Neuronales.
El método de clasificación empleando redes neuronales se basa en utilizar un número de
neuronas sensitivas igual al número de parámetros de entrada (tantos como bandas * parámetros de cada clase) y un número de neuronas efectoras igual al número de clases deseado.
Durante el proceso la red es entrenada con los datos de ROIs introducidos y aplicada para
clasificar el resto de píxeles no asignados.