Pr clasificacion supervisada guzman mera

954 visualizaciones

Publicado el

Clasificación. Digital Supervisada

0 comentarios
0 recomendaciones
Estadísticas
Notas
  • Sé el primero en comentar

  • Sé el primero en recomendar esto

Sin descargas
Visualizaciones
Visualizaciones totales
954
En SlideShare
0
De insertados
0
Número de insertados
196
Acciones
Compartido
0
Descargas
22
Comentarios
0
Recomendaciones
0
Insertados 0
No insertados

No hay notas en la diapositiva.

Pr clasificacion supervisada guzman mera

  1. 1. Universidad Tecnológica MetropolitanaFacultad de Humanidades y Tecnologías de la Comunicación SocialEscuela de Cartografía CLASIFICACIÓN SUPERVISADA Y FIRMA ESPECTRAL Métodos de Mínima Distancia y Fuzzy Profesor: Sr. Eduardo Mera G. Alumno: Sr. Rodrigo Guzmán G.
  2. 2. Santiago, 14 de enero de 2009. INDICEIntroducción__________________________________________________3Método o clasificación supervisada________________________________4Ejemplo practico clasificación supervisada mediante ER Mapper7.0_________________________________________________________6Método Fuzzy________________________________________________19Método de Mínima Distancia_____________________________________20Firmas espectrales_____________________________________________21Referencias___________________________________________________22 2
  3. 3. INTRODUCCIONA partir de las nuevas técnicas de análisis continuo, la clasificación digital es laetapa culminante del proceso del tratamiento digital de imágenes, a partir de éstase obtiene un producto cartográfico de las categorías del objeto de estudio. Laimagen multibanda se convierte en otra imagen, del mismo tamaño ycaracterísticas de que las originales, con la diferencia de que el Nivel Digital (ND)que define cada píxel no tiene relación con la radiancia detectada por el sensor,sino que se trata de una característica en particular de la categoría asignada a esepíxel. Por lo tanto es a partir de una imagen como ésta generarse cartografíatemática, además de un listado del numero de píxeles (o de la superficie encuestión), asignados a cada categoría.La clasificación de la imagen se beneficia de algunos procesos de corrección y derealce, sin embargo, conviene considerar que puede realizarse una clasificaciónexclusivamente a partir de los ND de la imagen, ya que las categorías temáticaspueden definirse, en forma relativa, a las condiciones especificas de la escena aclasificar. Dicho de otra forma, la clasificación digital no busca una definiciónabsoluta de cada cubierta, que puede ser aplicable a cualquier imagen, sino másbien una caracterización relativa, válida para una determinada imagen y para unterreno concreto. Según lo anterior, basta con identificar en la imagen las clases adiscriminar, sin pretender que esa identificación sea extrapolable a otrassituaciones. Por lo tanto no se trata de establecer un modelo entre medidasdigitales y parámetros físicos, sino entre medidas digitales, para un sensor, unazona y una fecha determinada, y tipos de cubierta.La clasificación digital se inicia cuando definiendo cada una de las categorías quepretenden discriminarse, ya que se trata de una clasificación basada en losvalores numéricos de los píxeles, esta definición debe ser numérica, esto es, setrata de obtener el ND o el rango de ND que identifica a cada categoría, paratodas las bandas que intervienen en la clasificación. 3
  4. 4. METODO O CLASIFICACION SUPERVISADAAntecedentes:La clasificación supervisada es uno de los métodos usados para transformar datosde imágenes multiespectrales en clases de información temática. Esteprocedimiento asume que la imagen de un área geográfica específica esregistrada, en regiones múltiples del espectro electromagnético, por ejemplo lasimágenes satelitales multiespectrales Landsat TM o SPOT XS.En la clasificación supervisada, la identidad y la ubicación de las clases o tipos decubierta (urbano, hidrografía, etc.) son conocidas previamente a través de trabajosde campo, análisis de fotografías aéreas, o por otros medios. Comúnmente seidentifican áreas específicas en la imagen multiespectral que representan los tiposdeseados de rasgos conocidos, y usa las características espectrales de estasáreas conocidas para “ordenar” el programa de clasificación para asignar cadapíxel de la imagen a una de estas clases. Parámetros estadísticos multivariablestales como media, desviación estándar, y matrices de correlación son calculadospara cada región de instrucción, y cada píxel es evaluado y asignado a la clasecon la cual tiene la mayor probabilidad de ser parte (de acuerdo al método declasificación elegido).Un procedimiento simplificado para realizar una clasificación supervisada es elsiguiente:1. SELECCIONAR REGIONES DE INSTRUCCIÓN:Usar herramientas para dibujar polígonos definiendo regiones de instrucción en laimagen (áreas con características conocidas o clases de cubierta)2. CALCULAR ESTADÍSTICA DE REGIÓN:Calcular estadísticas para los píxeles en cada región de instrucción (mínimo,máximo, valores medios, desviación estándar, etc.)3. EVALUAR FIRMAS DE CLASES:Ver y evaluar las estadísticas de las regiones de instrucción en formato tabular ográfico usando histogramas o gráficos de dispersión4. CLASIFCAR LA IMAGEN:Seleccionar un tipo de clasificación (regla de decisión), y realizar la clasificaciónpara asignar cada píxel a una clase 4
  5. 5. 5. DESPLEGAR Y EVALUAR LA CLASIFICACIÓN:Desplegar la imagen de salida clasificada, asignando colores a las clases, ysuperponer las clases o usar medias estadísticas para determinar la precisiónEl método supervisado parte de un cierto conocimiento de la zona de estudio, estopermite delimitar sobre la imagen unas áreas representativas, de cada una de lascategorías que componen la leyenda, estas áreas se denominan áreas deentrenamiento, estas áreas sirven para hacer reconocer al computador en elreconocimiento de las distintas categorías, de otro modo, a partir de ellas el PCcalcula los ND que definen cada una de las clases, para luego asignar el resto delos píxeles de la imagen a una de esas categorías en función de sus ND.Finalizada la selección de las áreas de entrenamiento, el PC calcula lasestadísticas de cada categoría: media, rango, desviación Standard, etc., a partir delos ND de todos los píxeles incluidos en las áreas de entrenamiento asignadas aesa clase. Este cálculo se aplica a todas las bandas que intervengan en laclasificación. Además se asume que las áreas de entrenamiento representan lasdistintas categorías, y, que por lo tanto, las medidas extraídas a partir de sus NDdefinen de forma óptima esas clases.En relación a las áreas de entrenamiento vale considerar, se refiere a losrequisitos estadísticos que garantizan el grado de representatividad de lasdistintas categorías.En cuanto al tamaño, se requiere seleccionar un mínimo de m+1 píxeles porcategoría, siendo m el número de bandas que integran el análisis. Se recomiendaseleccionar un número de píxeles comprendido entre 10 a 100 m por categoría.Este numero mínimo se relaciona con el grado de asociación espacial entre losND de la imagen.Otra alternativa a la selección de áreas de entrenamiento es señalar píxeles puros,en torno a los cuales se crea un área de modo automático. El criterio para incluirpíxeles en esa área puede basarse en un factor de similitud espectral o dedistancia con el inicialmente seleccionado. Puede indicarse también la direcciónen la que serán agregados nuevos píxeles, lo que resulta muy conveniente enclases de forma alargada (por ejemplo: vegetación), este método garantiza que lasáreas de entrenamiento sean suficientemente homogéneas, evitando incluirpíxeles cercanos a dos categorías que implicarían un aumento artificial de lavarianza.Respecto a la distribución, conviene tener en cuenta las propias características dela imagen, intentando abarcar las variaciones espaciales que se presentan encada categoría: su orientación, pendiente, densidad, contenido de humedad, tipode suelo, etc., 5
  6. 6. Cuanto mayor sea el detalle espacial registrado en la imagen, mayor será tambiénsu sensibilidad para detectar las variaciones internas de una categoría, ocultas deotra forma bajo un píxel de mayor tamaño. Por cuanto a mayor heterogeneidad,mayor mezcla con clases similares un incremento en la resolución espacial puedecomplicar la clasificación digital.Ejemplo practico clasificación supervisada usando ER Mapper 7.01: Definiendo regiones de instrucciónAcerca de las regiones: Las Regiones son polígonos vectoriales que definen unárea de interés en una imagen. Las regiones pueden ser usadas para procesar odesplegar partes de una imagen separadamente de otras, enmascarar partes deuna imagen para el mosaico, definir sitios de instrucción como se hará aquí, yotros propósitos. La definición de cada región es almacenada en al archivo headerde la imagen raster.Crear una imagen de práctica 1. Clickear el botón View Algorithm for Image Window de la barra de herramientas.Aparecen una ventana imagen y la ventana Algorithm.2. En la ventana Algorithm, clickear el botón Load Dataset en el diagrama de flujode proceso para abrir el selector de archivo. El cuadro de diálogo Raster Datasetque es el selector de archivo aparece.3Desde el menu Directories, seleccionar la ruta que finaliza con el texto examples4. En el directorio ‘Shared_Data’, cargar la imagen llamada‘Landsat_MSS_notwarped.ers.’5. La banda 1 MSS (MSS1) será cargada dentro de la Pseudolayer. Si la imagenestá muy oscura, no hacer nada por ahora.6. En la ventana Algorithm clickear el botón de duplicado tres veces y duplicar laPseudolayer con la MSS1 tres veces. Ahora se tienen 4 Pseudo Layers con labanda MSS1.7. Usar el botón Load Dataset en la ventana Algorithm y cargar en la MSS1(B1:0.55_um) en la primer Pseudo Layer, MSS2 (B2:0.65_um) en la segundaPseudo Layer, MSS3 (B3:0.75_um) en la tercer Pseudo Layer y MSS4(B4:0.95_um) en la cuarta Pseudo Layer. 6
  7. 7. 8. Apagando tres capas al mismo tiempo, desplegar cada banda individualmente.9. Editar las descripciones de banda y anotar dentro para la banda 1(B1:0.55_um), para la banda 2 (B2:0.65_um), para la banda 3 (B3:0.75_um) y parala banda 4 (B4:0.95_um).10. Activar las cuatro capas.11Desde el menu File en el menu principal seleccionar Save As.... SeleccionarERMapper Raster Dataset (.ers) como el tipo de archivo y guardar en el directorioexamplesMiscellaneousTutorial comoCargar la imagen de práctica y desplegarla como un compuesto RGB1. En la ventana Algorithm, clickear el botón Load Dataset en el diagrama de flujode proceso para abrir el selector de archivo.2. Desde el menu Directories, seleccionar la ruta que finaliza con el textoexamples.3. Abrir el directorio ‘Miscellaneous’.4. En el directorio ‘tutorial,’ doble-click en la imagen llamada‘Landsat_practice.ers’.5. En el menu principal clickear el botón Image Display and Mosaicing Wizard. Seabre el cuadro de diálogo Image Display and Mosaicing Wizard.6. Seleccionar Change display in this window, y click en el botón Next>.7. Seleccionar Red Green Blue, y clickear el botón Next>.Una ventana de estado desplegará el progreso a medida que la imagen’Landsat_practice’ es desplegada como un compuesto RGB.8. Clickear en el botón Finish para cerrar el Asistente de Imagen.9. Tomar y desplazar la ventana imagen por su esquina inferior derecha parahacerla un 50% más grande.10. Clickear con el botón de la derecha sobre la imagen y seleccionar Zoom to AllDatasets desde el menu Quick Zoom. 7
  8. 8. ERMapper redibujará la imagen para ajustarla a la ventana agrandada. Acontinuación se dibujarán polígonos para definir varias clases de rasgos en laimagen.Adicionar una capa vector para la definición de regiones en el algoritmo1. Desde el menu Edit, seleccionar Edit/Create Regions.... Se abre el cuadro dediálogo New Map Composition.2. En el diálogo New Map Composition, notar que la opción Raster Region estáseleccionada.Nota: La opción Raster Region le dice a ERMapper que la capa anotación seráutilizadad para crear regiones en una imagen raster (para ser usada en este casoen selección de sitios de instrucción).3. Clickear OK en el cuadro de diálogo New Map Composition.4. ERMapper abre el cuadro de diálogo de la paleta Tools conteniendo lasherramientas de anotación vectorial. También notar que una nueva capa vectorllamada ‘Region Layer’ ha sido adicionada a la lista de capas en la ventanaAlgorithm.5. Desde el menu File (en el menu principal), seleccionar Save As... para salvar elalgoritmo bajo su propio nombre con la nueva información de extensión de página.6Desde el menu Directories, seleccionar la ruta que finaliza con el textoexamples.7. Doble-click en el directorio ‘Miscellaneous’ para seleccionarlo.8. Doble-click en el directorio ‘Tutorial’ para abrirlo.9. En el campo de texto Save As:, tipear un nombre usando sus iniciales alcomienzo, seguido por el texto ‘land_use_regions.’ Separar cada palabra con unsubrayado (_). Por ejemplo, si sus iniciales son “KA,” tipear el nombre:KA_land_use_regions10. Clickar OK o Save para salvar el algoritmo, el cual ahora incluye losparametros del Page Setup.11Clickear Close en la ventana Algorithm para cerrarla.Abrir el cuadro de diálogo Geoposition1. Desde el menu View, seleccionar Geoposition....El cuadro de diálogo Algorithm Geoposition Extents se abre. Moverlo a la derechade la pantalla. 8
  9. 9. 2. Seleccionar los botones de opción de display Zoom para realizar zooms ypaneos.Se usarán estas opciones para ayudar a aumentar y reducir áreas mientras sedefinen los polígonos de las regiones de instrucción.Definir regiones de instrucción en la imagen1. Usar los siguientes diagramas como guía de ayuda para ubicar regiones deinstrucción en la imagen. Se le consulta como definir estas regiones en lossiguientes pasos.Definir una región para representar áreas oceánicas1. En el diálogo de la paleta Tools, clickear el botón ZoomBox Tool.2. Aumentar el cuarto inferior izquierda de la imagen.La gran porción de área azul oscuro es en esta escena océano.3. En el diálogo de la paleta Tools, clickear en el botón Polygon.4. Ubicarse en un área oceánica y dibujar un polígono clickeando una vez en cadapunto, luego doble click para cerrar el polígono. (Hacer el polígono más valegrande para obtener una buena muestra).El polígono es seleccionado por defecto cuando se lo cierra. Debido a que estáseleccionado, se pueden adicionar atributos de color y texto para darle un nombreal polígono.5. En el diálogo Tools, doble-click en el botón Polygon para abrir el cuadro dediálogo Line Style.6. En el cuadro de diálogo Tools, clickear el botón Display/Edit Object Attributespara abrir el cuadro de diálogo Map Composition Attribute. Posicionar los diálogosLine Style y Map Composition Attribute en una posición conveniente sobre lapantalla. Se dejarán estos diálogos abiertos mientras se definen las regiones parapoder asignar un color y un nombre a cada región a medida que se avanza. (Loscolores que se asignan se transforman en los colores por defecto de la clase en laimagen clasificada de salida).7. En el diálogo Line Style, clickear el botón Set Color, elegir el color azul, yclickear el botón OK para cerrar el selector de color.8. En el diálogo Map Composition Attribute, ingresar el texto Ocean en el campode texto en la parte inferior, luego clickear el botón Apply. El texto “Ocean” estáahora definido como el nombre o atributo de texto del polígono. 9
  10. 10. Se tiene ahora una definida región de instrucción representando áreas oceánicasen la imagen. Cuando posteriormente se calculen las estadísticas para estaimagen, las estadísticas de los pixeles dentro de esta región será utilizado comouna “firma” para clasificar otras áreas oceánicas de la imagen.Definir una región para representar vegetación natural1. En el diálogo Geoposition, clickear All Datasets para volver a sacar el zoom.2. En el diálogo de la paleta Tools, clickear el botón ZoomBox Tool.3. Hacer un Zoom en el cuarto superior derecho de la imagen.Las áreas marrón oscuro en la parte superior de la imagen son áreas convegetación natural.4. Clickear el botón Polygon.5. Dibujar un polígono para definir un gran área de vegetación natural (clickear unavez en cada punto, luego doble-click para cerrar el polígono).El polígono quedaseleccionado cuando se cierra.6. En el diálogo Line Style, clickear Set Color, elegir el color verde oscuro, yclickear OK para cerrar el selector de color.7. En el diálogo Map Composition Attribute, ingresar el texto Natural vegetation enel campo de texto en la parte inferior, luego clickear el botón Apply.Se ha definido una región de instrucción representando vegetación natural.Definir una región para representar pasto y áreas verdes1. En el diálogo Geoposition, clickear All Datasets para volver al zoom anterior.2. En el diálogo de la paleta Tools, clickear el botón ZoomBox Tool.3. Realizar un Zoom de ampliación en una de las pequeñas áreas, rojo brillante(hay una en el valle del río que corre de este a oeste). Ampliar lo suficiente demanera que el área rojo brillante llene la mayoría de la ventana imagen.Estos son parques, canchas de golf, u otras vegetaciones artificialmente irrigadas.4. Clickear en el botón Polygon y digitalizar un polígono alrededor del borde delárea verde rojo brillante.5. En el diálogo Line Style, clickear Set Color, elegir un color verde brillante, yclickear OK para cerrar el selector de color. 10
  11. 11. 6. En el diálogo Object Attribute, ingresar el texto Grass and parks en el campo detexto en la parte inferior, luego clickear el botón Apply.Se ha definido una región de instrucción representando áreas parquizadas y conpasto.Definir una región para representar áreas urbanas1. En el diálogo Geoposition, clickear All Datasets para volver al zoom completo.2. En el diálogo de la paleta Tools, clickear el botón ZoomBox Tool.3. Realizar un Zoom ampliando las áreas grises cercanas al centro de la imagen.Estas son áreas urbanas desarrolladas.4. Clickear el botón Polygon y digitalizar un polígono alrededor del borde del áreaurbana gris (no incluir áreas vegetadas rojas en los bordes).5. En el diálogo Line Style, clickear Set Color, elegir el color gris, y clickear OKpara cerrar el selector de color.6. En el diálogo Map Composition Attribute, ingresar el texto Urban areas en elcampo de texto en la parte inferior, luego clickear el botón Apply. Ahora se tieneuna región de instrucción representando un área urbana.Definir un área para representar áreas residenciales1. En el diálogo Geoposition, clickear All Datasets para volver al zoom total.2. En el diálogo de la paleta Tools, clickear el botón ZoomBox Tool.3. Realizar un Zoom para ampliar una de las áreas rosadas en la parte norte de lapenínsula como se mostró en el diagrama previo. Esta área es primariamente decasas residenciales, por lo que tiene tanto edificios (casas) y áreas vegetadas(pasto y árboles).4. Clickear en el botón Polygon y digitalizar un polígono alrededor de las áreasrosas descriptas.5. En el diálogo Line Style, clickear Set Color, elegir el color rojo, y clickear OKpara cerrar el selector de color. 11
  12. 12. 6. En el diálogo Map Composition Attribute, ingresar el texto Residential areas enel campo de texto en la parte inferior, luego clickear el botón Apply.Definir una región para representar áreas de tierra estériles1. En el diálogo Geoposition, clickear All Datasets para volver al zoom total.2. En el diálogo de la paleta Tools, clickear el botón ZoomBox Tool.3. Ampliar por medio del Zoom el cuarto inferior derecho de la imagen. Hay variasáreas de tierras estériles que aparecen blanco en la imagen (debido a que ellastienen alta reflectancia en las tres bandas de la MSS).4. Clickear en el botón Polygon y digitalizar un polígono alrededor del borde deuna de las áreas blancas estériles (no incluir otras áreas en los bordes).5. En el diálogo Line Style, clickear Set Color, elegir un color marrón claro, yclickear OK para cerrar el selector de colores.6. En el diálogo Map Composition Attribute, ingresar el texto Barren land/cementen el campo de texto en la parte inferior, luego clickear el botón Apply.Ahora se tiene definidas las regiones representando océano, vegetación natural,pasto/parques, áreas urbanas y residenciales, y áreas de tierras estériles.ERMapper combina las estadísticas para cualquier región con el mismo nombreautomáticamente.Salvar las regiones en la imagen Landsat MSS de práctica1. En el diálogo de la paleta Tools, clickear el botón Save As.Aparece el selector de diálogo Map Composition Save As.2. Desde el menu Directories, seleccionar la ruta que finaliza con el textoexamples.3. Doble-click en el directorio ‘Miscellaneous’ para abrirlo.4. Doble-click en el directorio ‘Tutorial’ para abrirlo.5. Clickear en la imagen llamada ‘Landsat_practice’ para seleccionarla, luegoclick OK.6. Cuando se pregunte confirmar sobrescribir el archivo, click OK para continuar.Luego el siguiente diálogo indica que todas las regiones nuevas fueronadicionadas, click Close para cerrarlo.Las definiciones y los nombres son salvados al archivo header de la imagen‘Landsat_practice’. Se puede ahora calcular las estadísticas para los pixeles encada región. 12
  13. 13. 7. Clickear Close en los diálogos de la paleta Tools y Geoposition para cerrarlos.Calcular las estadísticas para las nuevas regiones1 .Desde el menu Process, seleccionar Calculate Statistics.Aparece el cuadro de diálogo Calculate Statistics. La imagen ‘Landsat_practice’debería estar seleccionada por defecto debido a que es la imagen utilizada en elactual algoritmo. (Si no está seleccionada, cargarla desde el directorio ‘tutorial’).2. Configurar el Subsampling Interval en 1.3. Seleccionar la opción Force Recalculate stats (para calcular estadísticasnuevamente en caso de que ya hayan sido previamente calculadas).4. Clickear OK para empezar los cálculos estadísticos.5. Cuando los cálculos hayan terminados, clickear OK en el diálogo que indica eléxito del proceso, luego cerrar los otro diálogos estadísticos con Close o Cancel.2: Ver las estadísticas de instrucciónVer estadística tabular para las regiones de instrucción1. Desde el menu View, seleccionar Statistics, luego seleccionar Show Statistics.El cuadro de diálogo Statistics Report aparece. La imagen ‘Landsat_practice’debería estar seleccionada por defecto. Se puede elegir ver la estadística para lasregiones seleccionadas o bandas en la imagen, o para todas las regiones ybandas.2. Clickear OK para desplegar estadísticas para todas las regiones que sedefinieron. Se abre el diálogo Statistics de imagen mostrando las estadísticas paratodas las regiones en las cuatro bandas de la imagen Landsat MSS.3. Desplazarse a través de la lista para ver las estadísticas de las regiones deinstrucción (hacer el diálogo más grande si es necesario).(La última región listada llamada ‘All’ es la imagen entera. Esta región estapresente todos los archivos header de imagen).4Cuando se finalice de ver las estadísticas, clickear Cancel en el diálogo StatisticsReport para cerrar ambos diálogos.Adicionar una capa Classification y cargar la imagen Landsat 13
  14. 14. 1. Clickear el botón View Algorithm for Image Window de la barra de herramientaspara abrir la ventana Algorithm.2. Clickear en la capa ‘Region Layer’ para seleccionarla, luego click Delete paraborrar la capa. (No se necesita más en este ejercicio).3. Desde el menu Edit/Add Raster Layer, seleccionar Classification.Una capa Classification es adicionada a la lista de capas del algoritmo.4. En el diagrama de proceso, clickear el botón Edit Layer Color5. Elegir el color amarillo brillante, luego clickear OK para cerrar el selctor de color.6En el diagrama de proceso, clickear el botón Load Dataset7Desde el menu Directories, seleccionar la ruta que finaliza con el texto examples8Doble-click en el directorio ‘Miscellaneous’ para abrirla.9Doble-click en el directorio ‘Tutorial’ para abrirlo.10Doble-click en la imagen ‘Landsat_practice’ para cargarla.Ahora se puede utilizar la capa Classification para desplegar una región deinstrucción en amarillo sobre la imagen y mostrar su histograma y cualquier banda.Ingresar una fórmula para desplegar una región1. Clickear el botón Edit Formula en el diagrama de proceso para abrir el diálogoFormula Editor.2. En la ventana de fórmula Generic, editar el texto de la fórmula para leer:ifinregion(region1) then input1 else null. Esta fórmula le dice a ERMapper continuary desplegar los datos dentro de la región elegida como región 1 en amarillo sobrela imagen.3. Clickear el botón Apply changes. Notar que los botones Inputs y Regionsencima de la ventana Relations están ahora activas. La banda 1 de la imagen esasignada por defecto a la entrada genérica 1.4 Clickear el botón Regions, seleccionar Grass/Parks desde la lista desplegable allado de ‘REGION1.’ La región Grass/Parks es desplegada en amarillo sobre laimagen RGB. 14
  15. 15. 2: Ver las estadísticas de instrucciónVer los histogramas para las regiones Grass/Parks1. Clickear en el botón de post-fórmula Edit Transform Limits para abrir el cuadrode diálogo Transform. Moverlo de manera que no se superponga con la ventanaimagen o el diálogo Formula.2. Desde el menu Limits, seleccionar Limits to Actual. El histograma para lospíxeles en la banda 1 de la región de instrucción ‘Grass/Parks’ aparece en laventana histograma.3. En el diálogo Formula, clickear el botón Inputs, luego seleccionar B3:0.75_umde la lista desplegable ‘INPUT1’.4. Desde el menu Limits, seleccionar Limits to Actual, usar Limits to Actual cadavez que cambia de banda o región. De otra manera el nuevo histograma podría nodesplegarse completamente debido a la configuración de límites del histogramaprevio.El histograma para los pixeles en la banda 3 de la región de instrucción‘Grass/Parks’ aparece en la ventana histograma. Cambiando las asignaciones enla ventana Relation, se puede ver el histograma para cualquier banda ycombinación de regiones en la imagen. El histograma provee importanteinformación acerca de la distribución y rango de valores de datos en las regionesde instrucción.5. Si se desea, se pueden ver histogramas de otras regiones y/o combinacionesde bandas utilizando la lista de pasos previa.6. Cuando se termine, clickear Close en el diálogo Formula Editor, y Close en laventana Algorithm.Ver un diagrama de dispersión para la imagen MSS1. Desde el menu View, seleccionar Scattergrams....Se abren los cuadros de diálogos Scattergram y New Map Composition.Notar que el diálogo New Map Composition ya tiene seleccionadas RasterRegions y el nombre de la imagen ingresada.2. Clickear OK en el diálogo New Map Composition.Se abre el diálogo de anotación Tools y el diálogo Scattergram automáticamente 15
  16. 16. relaciona la imagen en la ventana imagen activa (‘Landsat_practice’). Notartambién que los polígonos regiones son mostrados sobre la imagen en sus coloresasignados.Configurar el gráfico de dispersión de bandas y los límites1. En el diálogo Scattergram, clickear el botón Setup....2. En el diálogo Scattergram Setup, seleccionar la banda 2 para el campo del XAxis, y la banda 4 para el campo Y Axis.3. Clickear el botón Limits to Actual para configurar los límites de los ejes X e Y alrango actual de datos de las bandas 2 y 4.El gráfico de dispersión para las bandas 2 (luz roja) y 4 (luz infraroja cercano) de laimagen es redesplegada para cubrir toda la ventana. La gran dispersión de puntosen el gráfico indica que la información en estas dos bandas no esta fuertementecorrelacionada.Desplegar la media y las elipses de probabilidad para las regiones deinstrucción1. En el diálogo Scattergram Setup, prender la opción From current selection. Estole dice a ER Mapper que se quiere desplegar el valor medio y la elipse de 95% deprobabilidad para el polígono región actualmente seleccionado en la imagen.2. En el diálogo Tools, clickear el botón Select and Edit Points Mode.3. En la imagen, seleccionar el polígono gris definiendo la región de instrucción dela clase ‘urban’ (clickear sobre un segmento linear). Aparece un elipse gris sobreel gráfico de dispersión mostrando el umbral de probabilidad de 95% y el valormedio (el punto central de la elipse) para la clase ‘urban’ en las bandas 2 y 4. (Laextensión de la elipse representa la probabilidad que un píxel desconocido seaparte de esa clase con un nivel de confianza del 95%).4. En la imagen, seleccionar el polígono verde definiendo la región de instrucciónde clase ‘grass’.Aparece una elipse verde sobre el gráfico de dispersión. Como seindicó, la vegetación verde muestra una gran respuesta en las banda 4 (infrarojocercano) de la MSS, pero baja respuesta en la banda 2.5. Presionar la tecla Shift, luego clickear sobre el polígono verde oscuro‘natural vegetation’ en la imagen.Los elipses para ambas regiones ‘grass’ y ‘natural vegetation’ aparecen sobre eldiagrama de dispersión, por lo que pueden ser fácilmente comparados. Compararmedias de regiones y elipses es una excelente manera de evaluar la separabilidadde las firmas de clases. 16
  17. 17. Cerrar los diálogos del diagrama de dispersión1. Clickear Close en el diálogo de anotación Tools para cerrarlo.2. Clickear Close en el diálogo Scattergram Setup para cerrarlo, luego clickearClose para cerrar el diálogo Scattergram.3: Clasificando la imagenAbrir el cuadro de diálogo Supervised Classification1. Desde el menu Process, seleccionar Classification, luego seleccionarSupervised Classification.Se abre el cuadro de diálogo Supervised Classification. La imagen‘Landsat_practice’ ya está seleccionada como la imagen de entrada por defecto. Eldiálogo también permite elegir cuales bandas de la imagen usar para laclasificación, y el tipo de clasificación (o regla de decisión) a usar.2. Clickear el botón selector Output Dataset.3. Desde el menu Directories, seleccionar la ruta que finaliza con el textoexamples.4. Doble-click en el directorio ‘Miscellaneous’ para abrirlo.5. Doble-click en el directorio ‘Tutorial’ para abrirlo.6. En el campo Save As, tipear un nombre utilizando sus iniciales al comienzoseguidas por el texto ‘max_like_class,’ y separar cada palabra con un subrayado(_). Por ejemplo, si sus iniciales son “SC,” tipear en el nombre: SC_max_like_class7Clickear OK o Save para validar el nombre y cerrar el diálogo selector dearchivos.Configurar el tipo de clasificación y los parámetros1. Clickear la opción desplegable Classification Type para ver la lista. ERMapperprovee clasificaciones por Maximum Likelihood Enhanced, Minimum Distance,Minimum Distance con una desviación estandar, Parallelopiped, y Mahalanobis.2. Desde el menu Classification Type/Maximum Likelihood Enhanced, seleccionarMaximum Likelihood Standard.3. Clickear el botón Setup. 17
  18. 18. Se abre el cuadro de diálogo Supervised Classification Setup. Este diálogo permiteconfigurar las opciones usadas para la clasificación, incluyendo cuales regiones deinstrucción utilizar (de esta u otras imágenes), asignar probabilidad de clases, yotras opciones. Por defecto, las cinco regiones en la imagen de práctica sondesplegadas.4. Clickear el botón Close para cerrar el cuadro de diálogo SupervisedClassification Setup.Clasificar la imagen1. Clickear el botón OK para comenzar la clasificación.2. Cuando se consulte confirmar el éxito del proceso, clickear OK. Luego clickearClose y Cancel en los otros dos diálogos para cerrarlos.La salida de la clasificación es una imagen de banda simple. Cada píxel en laimagen tiene en rango de valor desde 1 a 6 (el número de regiones de instrucciónque se especificaron).Abrir una segunda ventana y un algoritmo modelo1. Clickear el botón New Image Window de la barra de herramientas. Aparece unaventana imagen.2Desplazar la nueva ventana por debajo de la que despliega la imagen Landsatimage.3. Clickear el botón Open Algorithm into Image Window de la barra deherramientas.4. Desde el menu Directories, seleccionar la ruta que finaliza con el textoexamples.5En el directorio ‘MiscellaneousTemplatesCommon,’ cargar el algoritmo llamado‘Classified_data.alg.’ Se despliega una imagen clasificada de San Diego displays.Este es un algoritmo modelo que se utilizará para desplegar la imagen clasificada.Cargar la imagen clasificada que se creó previamente1Clickear el botón View Algorithm for Image Window de la barra de herramientas.Notar que este algoritmo tiene una sola capa del tipo Class Display. La capa ClassDisplay está diseñada para desplegar imágenes creadas con la función declasificación de ERMapper.2. En el diagrama de proceso, clickear el botón Load Dataset. 18
  19. 19. 3. Desde el menu Directories, seleccionar la ruta que finaliza con el textoexamples.4. Doble-click en el directorio ‘Miscellaneous’ para abrirlo.5. En el directorio ‘Tutorial,’ doble-click en la imagen ‘max_like_class’ que se hacreado previamente para cargarla. Cada píxel en la imagen original Landsatesasignada a una de las seis clases de instrucción que se definierontempranamente. Los colores de las clases son aquellos que se definieron para lospolígonos regiones de instrucción.6. Desde el menu Edit (en el menu principal), seleccionar Edit Class/Region Colorand Name. Se abre el diálogo Edit Class/Region Details mostrando el nombre ycolor asignado a cada clase. Si se desea, podría cambiarse aquí.7. Clickear Cancel en el diálogo Edit Class/Region Details para cerrarlo.Cerrar todas las ventanas imágenes y los cuadros de diálogo1. Clickear Close en la ventana Algorithm para cerrarla.2. Cerrar todas las ventanas imagen utilizando los controles del sistema ventana:•Para Windows, seleccionar Close desde el menu de control de la ventana.•Para sistemas Unix, presionar el botón derecho del mouse sobre la barra de títulode la ventana, y seleccionar Close o Quit (para los sistemas con ambas opciones,seleccionar Quit).3. Clickear Close en la ventana Algorithm para cerrarla.Solamente el menu principal de ER Mapper debería estar abierto en pantalla.Método FUZZY (borroso):Considerar un píxel como un compuesto de varios elementos resulta cada vezmás común, si se considera el espacio como un continuo. Este método permiteresolver este problema, se considera una pertenencia borrosa a una categoríacuando se admite un grado de pertenencia, por tanto cada píxel se etiqueta envarias categorías con un valor más o menos alto en función de su similitudespectral. Convencionalmente, la función de pertenencia corresponde a unadistribución binaria (0 no pertenece, 1 pertenece), pero puede concebirse enfunción de pertenencia comprendida entre 0 y 1, o que permitiría una asignaciónsimultanea a varias categorías, con diferentes grados de pertenencia.En un enfoque de lógica borrosa para calcular el grado de pertenencia de un píxela las distintas categorías, asumiendo una distribución de probabilidad normal en 19
  20. 20. las categorías. El resultado de este cálculo permite conocer la probabilidad deincluirse en cada categoría, esa probabilidad se considera el grado de pertenenciade ese píxel a dicha categoría. Por tanto se obtienen tantas imágenes clasificadascomo categorías se consideren. El ND de cada una de esas imágenes indica elgrado de pertenencia alas distintas categorías.Las áreas para estimar las estadísticas de entrenamiento pueden ser homogéneaso heterogéneas, con componentes mixtos, siempre que se conozca su grado demezcla. Las aplicaciones de esta lógica FUZZY son de especial interés cuando sepretende analizar coberturas con alto grado de mezcla, como es el caso de lascategorías urbanas o cuando se analiza la vegetación.Método de Mínima Distancia:El criterio más sencillo para asignar un píxel a una de las categorías consiste enincluirlo en la más cercana, esto es, en aquella que minimice la distancia entre esepíxel y el centro de clase. Lógicamente, no se trata de una distancia geográfica,sino espectral, consecuencia de comparar los ND de cada píxel con los del centrode las distintas categorías, para todas las bandas que intervienen en el análisis.Pueden considerarse varias formas de medir esa distancia espectral entre píxelesy clases, el más usado es la distancia euclidiana.Tras calcular esta medida para todas las categorías, puede obtenerse el valor máspequeño, asignando al píxel x a esa categoría. Como se trata de realizarcomparaciones entre distancias, la formula puede simplificarse eliminando la raízcuadrada, ya que si un píxel es mas cercano a una categoría por la distancialineal, también lo será por la suma de sus catetos.Este algoritmo es bastante sencillo y rápido de ejecutar, y puede ofrecer buenosresultados cuando no se observe una gran zona común entre categorías. Puestoque siempre existe una clase más cercana, no deja lugar a píxeles sin clasificar,incluso aunque estos se alejen notablemente del centro de clase. Esto puedeprovocar errores importantes, sobre todo cuando no se incluye alguna categoríaclaramente presente en la imagen.La distancia que calcula este algoritmo es lineal, además no se considera ladispersión de cada categoría o la correlación que exista entre las bandas, tienepor tanto a delimitar grupos circulares de radio proporcional a la situación de cadacategoría. 20
  21. 21. FIRMAS ESPECTRALESSabiendo que cada objeto en el paisaje tiene una respuesta en relación a laenergía reflejada y que están relacionadas directamente con sus característicasfísicas y espectrales.Si consideramos un rayo solar tendremos que este esta compuesto por todos loscolores en igual intensidad lo que nos da una luz blanca. Al chocar este rayo conun objeto (paisajes, bosques, praderas, etc), algunos colores se reflejan conmayor intensidad (verde), mientras que el resto se absorberá total o parcialmente.Por lo tanto el sensor que se este empleando captará el nivel de energía(intensidad) por longitud de onda (color) modificada por la absorción.Para capturar la información los instrumentos deben estar diseñados para obtenerel promedio ponderado de la intensidad de la energía electromagnética reflejadapor dichos objetos que caen dentro del píxel generando el valor de salida deldetector llamado “Cuenta Digital o Digital Number o Píxel Valeu”Este valor ND es proporcional a la energía electromagnética que llega al sensor yse genera al digitalizar la señal análoga (voltaje) de salida del detector.Uno de los principales factores que alteran las firmas espectrales de los elementosson las ventanas atmosféricas, las cuales dispersan la luz en diferentes longitudesde onda, estas están mayormente compuestas por vapor de agua, anhídridocarbónico y el ozono, ya que generan interacciones entre la atmósfera y la energíaelectromagnética.Estas también son afectadas significativamente por la reflexión, absorción odifusión causada por los diferentes componentes atmosféricos. 21

×