Taller No.

11: Clasificacin Supervisada

TALLER NO 11 CLASIFICACION SUPERVISADA

1. MARCO DE REFERENCIA
Varios tipos de mapas, incluyendo los de uso, suelos, mapas batimtricos y de temperaturas, pueden ser derivados de la clasificacin de imgenes de sensores remotos. Hay dos mtodos de clasificacin de imgenes: supervisada y no supervisada. En la clasificacin supervisada, el usuario debe determinar las firmas espectrales de categoras conocidas, tales como bosques o reas urbanas. Posteriormente, el software asigna cada pixel de la imagen a la categora cuya firma espectral es ms similar. Los pasos para realizar una clasificacin supervisada, se pueden resumir de la siguiente forma: Ubicar ejemplos representativos de cada uno de los tipos de cobertura que puedan ser identificados en la imagen. Estos ejemplos representativos son tambin llamados Sitios de entrenamiento o muestreo. Digitalizar polgonos alrededor de cada sitio de muestreo, asignando un identificador nico a cada tipo de cobertura. Analizar los pixels dentro de los sitios de prueba, crear firmas espectrales para cada uno de los tipos de cobertura y comparar la separacin de estas firmas. Las decisiones acerca de cun similares son entre s las firmas espectrales, se toman a travs de tcnicas estadsticas Clasificar la imagen completa, considerando cada pixel, uno por uno, comparando su firma particular con cada una de las firmas conocidas. Las llamadas clasificaciones duras, resultan de asignar cada pixel al tipo de cobertura que tiene la firma espectral ms similar. Las clasificaciones suaves, por otra parte, evalan el grado de pertenencia de cada pixel con respecto a todas las clases en consideracin, incluyendo clases desconocidas y no especificadas.

2. PROCEDIMIENTOS GENERALES
Este ejercicio ilustra algunas tcnicas fuertes de clasificacin supervisada. Para ello se utilizan las 7 bandas de una imagen Landsat TM (H87TM1,H87TM2,...., H87TM7). El primer paso ser crear los sitios de prueba (reas representativas de cada uno de los tipos de cobertura en los que se desea clasificar la imagen). La imagen se clasificar en 6 tipos de coberturas conocidas.

3. PROCEDIMIENTOS ESPECIFICOS
Escoja ..\sensores\clasuper como directorio de trabajo desde el men File -> Data Paths Despliegue la imagen llamada clasuper con la opcin Map composition file, en esta imagen se sealan los diferentes tipos de coberturas que se pueden identificar. Escriba una lista con todos los tipos de cobertura identificados en la imagen anterior, y asgnele a cada uno un identificador nico. (Aunque los sitios de prueba pueden ser digitalizados en cualquier orden, no se debe saltar ningn nmero en la serie, de forma que si se tienen diez clases diferentes de tipos de cobertura, los identificadores deben ir del 1 al 10). El orden sugerido es: 1- Aguas someras

MANUAL PRACTICO DE PERCEPCION REMOTA

23456-

Aguas profundas Agricultura Urbano Bosques caducifolios (los que pierden las hojas en otoo) Bosques de conferas

Despliegue la imagen H874S usando la paleta grey256. Utilice la opcin de digitalizacin en pantalla para digitalizar polgonos alrededor de sus sitios de prueba: Haga un acercamiento alrededor del lago de aguas profundas del lado izquierdo de la imagen. Haga click en el cono de la herramienta de digitalizacin en pantalla Llame SITPRUEB al archivo vector que se crear, elija la opcin polygon e ingrese el identificador que eligi para el tipo Aguas profundas. Presione OK. Ahora, el cursor tendr la forma del cono de digitalizacin en pantalla. Mueva el cursor a un punto inicial en la frontera de su sitio de prueba y haga click. Ahora mueva el cursor al siguiente punto y haga click de nuevo. El polgono del sitio de prueba debe encerrar un rea homognea del tipo de cobertura (evite incluir la lnea de la playa en este polgono de agua profunda). Contine digitalizando hasta que haya terminado la frontera del polgono y presione el botn derecho del mouse (si cometi algn error y no quiere guardar el polgono, presione el botn para eliminar el ltimo sitio de prueba que haya digitalizado. Vuelva al zoom inicial y despus haga un acercamiento en su siguiente sitio de prueba (de acuerdo a la figura clasuper). Haga click de nuevo en la herramienta de digitalizacin en pantalla . Ingrese el identificador del nuevo sitio de prueba. Mantenga el mismo identificador si quiere digitalizar otro polgono del mismo tipo (aguas profundas). De otra forma, ingrese un nuevo identificador. Se puede crear cualquier nmero de sitios de prueba, o polgonos con el mismo ID, para cada tipo de cobertura. Sin embargo, debe haber una muestra adecuada de pixels de cada tipo de cobertura. Una regla general dice que el nmero de pixels en cada grupo de sitios de prueba (p. Ej. Todos los sitios de prueba del tipo aguas profundas) no debe ser menor que 10 veces el nmero de bandas. Por lo tanto, en este ejercicio, donde se usarn 7 bandas, no debera haber menos de 70 pixels en cada grupo de sitios de prueba. Contine hasta que haya digitalizado sitios de prueba para cada uno de los 6 tipos de coberturas. Presione el botn sitios de prueba. al final, para guardar el archivo vector con los polgonos de los

Despus de que se tiene el archivo vector de los sitios de prueba, se pasa al siguiente paso del proceso: crear los archivos de firma (signature files). Los archivos de firma contienen informacin estadstica acerca de los valores de reflectancia de los pixels dentro de cada uno de los grupos de sitios de prueba. 2

Taller No. 11: Clasificacin Supervisada

Ejecute MAKESIG desde el men Analisys -> Image Processing -> Signature Development. Elija Vector como el tipo de archivo de los sitios de prueba, y elija el archivo SITPRUEB como el archivo de sitios de prueba. En la ventana Enter Signature File Names, ingrese los nombres de los archivos a crear (uno para cada uno de los 6 tipos de cobertura identificados), en orden ascendente de acuerdo con los identificadores que les asign. Presione OK Indique que se usarn 7 bandas para el procesamiento. Elija los archivos de las bandas que se analizarn: H87TM1 (azul), H87TM2 (verde), H87TM3 (rojo), H87TM4 (infrarrojo cercano), H87TM5 (infrarrojo medio), H87TM6 (termal) y H87TM7 (medio). Presione OK. Cuando haya terminado el proceso, ejecute Idrisi File Explorer desde el men File, y de la lista de tipos de archivos elija Signature (sig + spf) para ver los archivos de firma y verificar que todos hayan sido creados. Antes de continuar con el ejercicio, se agruparn los 6 archivos de firma en un archivo de grupo de firmas espectrales. El objetivo de usar un archivo de grupo es agilizar el ingreso de los datos de entrada en las ventanas de Idrisi. Un archivo de grupo de firmas espectrales es similar a una coleccin de layers raster. Para crear el archivo de grupo, abra el Editor de Colecciones. Desde el men File escoja New. En archivos de tipo, elija Signature Group File Llame gfirmas al archivo y haga click en abrir. Con el boton insert after agregue los archivos 6 archivos de firmas que conformarn la coleccin. Guarde el Archivo de grupo desde File -> Save. Y cierre el editor de colecciones.

Para comparar los archivos de firma espectral, es posible graficarlos: Ejecute SIGCOMP desde el men Analisys -> Image Processing -> Signature Development. Presione Insert Signature Group y elija el archivo gfirmas (note que los nombres de los archivos de firma incluidos en el grupo aparecen en la lista de la izquierda) Elija la opcin Mean, para obtener una grfica de los valores promedio de cada archivo de firma en cada banda. Presione OK De las siete bandas, cules diferencian mejor las coberturas de vegetacin? Ejecute SIGCOMP de nuevo, pero esta vez elija ver solo 2 archivos y elija los archivos de firma espectral que corresponden a bosque de conferas y cobertura urbana. Indique que quiere graficar los valores mximo y mnimo, as como la media. Presione OK. (Note que los valores de reflectancia de los archivos de firma espectral se sobreponen en diferente grado a travs de todas las bandas). Cul de los dos archivos de firma espectral tiene la mayor variacin en los valores de reflectancia en todas las bandas?

El siguiente paso del proceso es clasificar las imgenes basndose en los archivos de firma espectral. Cada pixel tiene un valor en cada una de las 7 bandas de la imagen (H87TM1-7). Estos valores forman una firma espectral nica que es comparada con cada uno de los archivos de firma espectral creados. El pixel es entonces asignado a la categora que tiene la firma espectral ms similar. Existen varias tcnicas estadsticas que pueden ser usadas para evaluar qu tan similares son las firmas espectrales entre s. Dichas tcnicas estadsticas son llamadas

MANUAL PRACTICO DE PERCEPCION REMOTA

clasificadores (classifiers). Se crearn imgenes con tres clasificadores duros (hard classifiers) disponibles en Idrisi. Para visualizar de forma grfica la seleccin de los sitios de prueba se utiliza el mdulo SCATTER. Este mdulo de Idrisi usa dos bandas de la imagen como ejes X y Y para graficar las posiciones relativas del pixel a partir de sus valores en las dos bandas utilizadas. Adems, crea una frontera rectangular alrededor de la media de los sitios de prueba de cada banda con un ancho y alto equivalentes a dos desviaciones estndar medidas desde la media. Al ejecutar este comando, se obtiene como resultado la imagen de la distribucin de los pixeles y un archivo vector con los recuadros alrededor de la media de cada archivo de firma. (Fig. 1) 255
Valor de reflectancia del pixel en la banda Y

El valor del pixel es el logaritmo de su frecuencia

2 * Desviacin estndar en el sitio de prueba

255

Valor de reflectancia del pixel en la banda X

Fig 1. Estructura de un grfico de SCATTER Ejecute SCATTER desde el men Analisys->Image Processing->Signature Development. Seleccione la imagen H87TM3 (la banda roja) como el eje Y del grfico de salida, y H87TM4 (la banda del infrarrojo cercano) como el eje X. En Plot Type elija Ln of pixel counts. Active la opcin Create signature plot file e ingrese el nombre del archivo de grupo de firmas (gfirmas). Llame SCAT a la imagen de salida. Cuando el proceso termine, agregue el layer vector de los recuadros sobre la imagen de los pixeles (si es necesario cambie la paleta para visualizarlos mejor). Active el layer raster y mueva el cursor sobre la imagen. Note que las coordenadas X y Y que se muestran en la barra de estado (la de la parte inferior de la pantalla), son las coordenadas X y Y en el grfico. Los ejes X y Y van desde 0 hasta 255. Haga un zoom en la parte inferior izquierda del grfico para observarlo con mayor detalle. Para mostrar la frecuencia de aparicin de un pixel en las dos bandas, SCATTER usa colores brillantes para mostrar mayores densidades de pixeles, y colores ms oscuros para densidades menores (el valor de pixel que se observa al utilizar el Inquiry cursor es el logaritmo de la frecuencia real del pixel en las dos bandas).

Este grfico es de gran utilidad para verificar la calidad de los sitios de prueba elegidos. Si los recuadros dibujados alrededor de los sitios de prueba se sobreponen entre s, esto puede indicar 4

Taller No. 11: Clasificacin Supervisada

que no se han elegido correctamente. Sin embargo, tales superposiciones pueden ocurrir porque ciertos objetos realmente poseen patrones de reflectancia comunes. (Fig 2).

0 Fig 2. Ejemplo de un grfico producido con SCATTER MINDIST (clasificador de distancia mnima a medias). Este clasificador calcula la distancia de los valores de reflectancia de cada pixel a la media de cada archivo de firma espectral, y asigna al pixel a la categora con la media ms cercana. Hay dos formas de calcular la distancia con este clasificador: la primera es calcular la distancia euclidiana (raw distance) desde los valores de reflectancia de cada pixel hasta la media de los archivos de firma espectral. El segundo mtodo es el de distancia normalizada. En este caso, el clasificador evala las desviaciones estndar de los valores de reflectancia con respecto a la media, creando contornos de desviaciones estndar. Despus asigna un pixel dado a la categora ms cercana, en trminos de desviacin estndar. Ejecute MINDIST, desde el men Analisys->Image Processing->Hard Classifiers. Indique que se usar un archivo de grupo de firmas espectrales, haga doble click y eljalo de la lista (gfirmas). Los nombres de las categoras aparecern en el lugar correspondiente. Elija la opcin de distancia euclidiana (raw), el nombre del archivo de salida ser mindisr. Presione OK para hacer la reclasificacin Haga una nueva clasificacin con MINDIST pero esta vez elija la opcin de Distancias Normalizadas. Llame mindisn a la imagen de salida. Visualice el resultado y comprelo con el anterior. Anote las diferencias

El siguiente clasificador que se usar ser el de mxima probabilidad (maximun likehood). Aqu, la distribucin de los valores de reflectancia en un sitio de prueba es descrita por una funcin de densidad de probabilidad, desarrollada a partir de estadsticas de Bayes. Este clasificador evala la probabilidad de que un determinado pixel pertenezca a una categora y lo clasifica en la categora con la mayor probabilidad de pertenencia.

MANUAL PRACTICO DE PERCEPCION REMOTA

Ejecute MAXLIKE, desde el men Analisys->Image Processing->Hard Classifiers. Indique que se usar un archivo de grupo de firmas espectrales, haga doble click y eljalo de la lista (gfirmas). Los nombres de las categoras aparecern en el lugar correspondiente. Elija la opcin de clasificar todos los pixels, asignando un mismo peso a todas las clases (la misma probabilidad). Llame MAXSIM al resultado. Presione Continue para reclasificar (manteniendo todas las bandas). La tcnica de similitud mxima es la ms lenta de todas, pero si los sitios de prueba son buenos, tiende a ser la mas precisa.

El ltimo clasificador es el del paraleleppedo. Este clasificador crea cajas usando unidades de desviacin estndar, o valores de reflectancia mximos y mnimos dentro de los sitios de prueba. Si un pixel determinado cae dentro de la caja de una de las firmas espectrales, es asignado a esa categora. Este es el ms rpido de los clasificadores, y la opcin con mximos y mnimos era usada como un clasificador de previsualizacin cuando la velocidad de procesamiento era muy baja. Este mtodo, sin embargo, puede producir clasificaciones errneas. Debido a la correlacin de informacin en las bandas, los pixeles tienden a agruparse en nubes con forma de cigarro o de zeppelin. Ejecute PIPED, desde el men Analisys->Image Processing->Hard Classifiers. Indique que se usar un archivo de grupo de firmas espectrales, haga doble click y eljalo de la lista (gfirmas). Los nombres de las categoras aparecern en el lugar correspondiente. Elija la opcin de mximo y mnimo. Llame PAMINMAX al resultado. Presione Continue para reclasificar (manteniendo todas las bandas). Note que la imagen de salida contiene algunos valores 0. Estos pixeles no se ajustaron dentro del rango MIN-MAX de ninguno de los sitios de prueba y por lo tanto fueron asignadas a una nueva categora: 0. Ejecute PIPED de nuevo, pero esta vez utilice la opcin z-scores (la opcin por defecto). Mire en la ayuda que significa esta opcin. Llame PAZSCO a la imagen de salida. Compare todas las clasificaciones que ha generado. Para esto, despliguelas todas con la paleta QUAL256. Use un factor de expansin menor al valor por defecto, para poder acomodar todas las imgenes en la pantalla. Explique cul de ellas le arroj el mejor resultado y por qu. Use la imagen original de clasuper para responder.

Como nota final, considere lo siguiente. Si sus sitios de prueba son muy buenos, el clasificador de Mxima Similitud producira el mejor resultado. Sin embargo, cuando los sitios de prueba no estn bien definidos, el desempeo puede ser muy pobre. En tales casos, el clasificador de distancia mnima con distancias normalizadas produce mejores resultados. El clasificador de paraleleppedo con la opcin de desviacin estndar es una opcin razonable si se tienen buenos sitios de prueba, adems es el ms rpido de todos los clasificadores.

4. REFERENCIAS DEL TALLER

Clark Labs for Cartographic technology and Geographic Analysis. Tutorial Exercises. Idrisi for Windows V.32