Técnicas de Clasificación de Imágenes en Teledetección [Infografía]

¿Qué es la Clasificación de Imágenes en Teledetección?

Los 3 tipos principales de técnicas de clasificación de imágenes en teledetección son:

• Clasificación de imágenes sin supervisión
• Clasificación de imágenes supervisada
• Análisis de imágenes basado en objetos

La clasificación de imágenes sin supervisión y supervisada son los dos enfoques más comunes.

Sin embargo, la clasificación basada en objetos ha ganado más popularidad porque es útil para datos de alta resolución.

MÁS INFORMACIÓN: 15 Fuentes de Datos de Imágenes de Satélite Gratuitas

1. Clasificación no supervisada

En general, la clasificación sin supervisión es la técnica más básica. Debido a que no necesita muestras para una clasificación sin supervisión, es una forma fácil de segmentar y comprender una imagen.

Los dos pasos básicos para la clasificación sin supervisión son:

• Generar clústeres
• Asignar clases

Utilizando software de detección remota, primero creamos “clusters”. Algunos de los algoritmos comunes de agrupación de imágenes son: Ejemplo de Clasificación no supervisada

• K-significa
• ISODATA

Después de elegir un algoritmo de agrupación en clúster, identifica el número de grupos que desea generar. Por ejemplo, puede crear 8, 20 o 42 clústeres. Menos clústeres tienen píxeles más parecidos dentro de los grupos. Pero más conglomerados aumentan la variabilidad dentro de los grupos.

Para ser claros, estos son clústeres no clasificados. El siguiente paso es asignar manualmente clases de cobertura terrestre a cada clúster. Por ejemplo, si desea clasificar vegetación y no vegetación, puede seleccionar los grupos que mejor los representen.

MÁS INFORMACIÓN: Clasificación supervisada y no supervisada en ArcGIS

2. Clasificación supervisada

Los tres pasos básicos para la clasificación supervisada se:

• Seleccionar áreas de entrenamiento
• Generar archivo de firma
• Clasificar

Para la clasificación supervisada de imágenes, primero debe crear muestras de entrenamiento. Por ejemplo, puede marcar áreas urbanas marcándolas en la imagen. Luego, continuaría agregando sitios de entrenamiento representativos en toda la imagen.

Para cada clase de cubierta terrestre, continúa creando muestras de capacitación hasta que tenga muestras representativas para cada clase. A su vez, esto generaría un archivo de firma, que almacena toda la información espectral de las muestras de entrenamiento.

Finalmente, el último paso sería usar el archivo de firma para ejecutar una clasificación. A partir de aquí, tendría que elegir un algoritmo de clasificación como:

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

Como se muestra en varios estudios, SVM es uno de los mejores algoritmos de clasificación en detección remota. Pero cada opción tiene sus propias ventajas, que puedes probar por ti mismo.

3. Análisis de Imágenes Basado en Objetos (OBIA)

Estos son los pasos para realizar la clasificación de análisis de imágenes basada en objetos:

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

El análisis de imágenes basado en objetos (OBIA) segmenta una imagen agrupando píxeles. No crea píxeles individuales. En su lugar, genera objetos con diferentes geometrías. Si tiene la imagen correcta, los objetos pueden ser tan significativos que hace la digitalización por usted. Por ejemplo, los resultados de segmentación a continuación resaltan los edificios.

Los 2 algoritmos de segmentación más comunes son:

• Segmentación de varias resoluciones en eCognición
• Desplazamiento medio del segmento en ArcGIS

En la clasificación de Análisis de imágenes basado en objetos (OBIA), puede usar diferentes métodos para clasificar objetos. Por ejemplo, puede usar:

FORMA: Si desea clasificar edificios, puede usar una estadística de forma como “ajuste rectangular”. Esto prueba la geometría de un objeto con la forma de un rectángulo.

TEXTURA: La textura es la homogeneidad de un objeto. Por ejemplo, el agua es en su mayoría homogénea porque es en su mayoría azul oscuro. Pero los bosques tienen sombras y son una mezcla de verde y negro.

ESPECTRAL: Puede utilizar el valor medio de propiedades espectrales como infrarrojo cercano, infrarrojo de onda corta, rojo, verde o azul.

CONTEXTO GEOGRÁFICO: Los objetos tienen relaciones de proximidad y distancia entre vecinos.

CLASIFICACIÓN DE VECINO MÁS CERCANO: La clasificación de vecino más cercano (NN) es similar a la clasificación supervisada. Después de la segmentación de múltiples resoluciones, el usuario identifica los sitios de muestra para cada clase de cubierta terrestre. A continuación, definen estadísticas para clasificar objetos de imagen. Finalmente, el vecino más cercano clasifica los objetos en función de su parecido con los sitios de entrenamiento y las estadísticas definidas.

LEER MÁS: Guía de Clasificación de Vecinos más cercanos en ECognición

¿Qué Técnica De Clasificación De Imágenes Debe Utilizar?

Supongamos que desea clasificar el agua en una imagen de alta resolución espacial.

Usted decide elegir todos los píxeles con NDVI bajo en esa imagen. Pero esto también podría clasificar erróneamente otros píxeles de la imagen que no son agua. Por esta razón, la clasificación basada en píxeles, como la clasificación no supervisada y supervisada, le da un aspecto salado y pimienta.

Los humanos agregan naturalmente la información espacial en grupos. La segmentación multiresolución realiza esta tarea agrupando píxeles homogéneos en objetos. Las características del agua son fácilmente reconocibles después de la segmentación de múltiples resoluciones. Así es como los humanos visualizan las características espaciales.

• ¿Cuándo debe utilizar la clasificación basada en píxeles (clasificación no supervisada y supervisada)?
• ¿Cuándo debe usar la clasificación basada en objetos?

Como se ilustra en este artículo, la resolución espacial es un factor importante a la hora de seleccionar técnicas de clasificación de imágenes.

Cuando tiene una resolución espacial baja, las técnicas tradicionales de clasificación de imágenes basadas en píxeles y en objetos funcionan bien.

Pero cuando tiene una alta resolución espacial, OBIA es superior a la clasificación tradicional basada en píxeles.

Tendencias de datos de teleobservación

En 1972, el Landsat – 1 fue el primer satélite en recoger la reflectancia de la Tierra a una resolución de 60 metros. En este momento, la clasificación no supervisada y supervisada eran las dos técnicas de clasificación de imágenes disponibles. Para esta resolución espacial, esto era suficiente.

Sin embargo, OBIA ha crecido significativamente como técnica de procesamiento de imágenes digitales.

A lo largo de los años, ha habido una creciente demanda de datos de teleobservación. Hay cientos de aplicaciones de teledetección. Por ejemplo, la seguridad alimentaria, el medio ambiente y la seguridad pública tienen una gran demanda. Para satisfacer la demanda, las imágenes de satélite tienen como objetivo una resolución espacial más alta en una gama más amplia de frecuencias.

Tendencias de los Datos de Teledetección:

• Más ubicuo
• Mayor resolución espacial
• Mayor rango de frecuencias

Pero las imágenes de mayor resolución no garantizan una mejor cobertura del suelo. Las técnicas de clasificación de imágenes utilizadas son un factor muy importante para una mejor precisión.

Clasificación no Supervisada vs Supervisada vs Basada en objetos

En un estudio de caso de la Universidad de Arkansas se comparó la clasificación basada en objetos con la basada en píxeles. El objetivo era comparar imágenes de alta y media resolución espacial.

En general, la clasificación basada en objetos superó a los métodos de clasificación basados en píxeles supervisados y no supervisados. Debido a que OBIA usaba información espectral y contextual, tenía una mayor precisión. Este estudio es un buen ejemplo de algunas de las limitaciones de las técnicas de clasificación de imágenes basadas en píxeles.

MÁS INFORMACIÓN: 9 Conjuntos de Datos Mundiales Gratuitos sobre la Cubierta Terrestre Y el Uso de la Tierra

Crecimiento de la Clasificación Basada en objetos

Los píxeles son la unidad más pequeña representada en una imagen. La clasificación de imágenes utiliza estadísticas de reflectancia para píxeles individuales.

Ha habido un gran crecimiento en los avances tecnológicos y la disponibilidad de imágenes de alta resolución espacial. Pero también se deben tener en cuenta las técnicas de clasificación de imágenes. El foco de atención se centra en el análisis de imágenes basado en objetos para ofrecer productos de calidad.

Según los resultados de búsqueda de Google Scholar, todas las técnicas de clasificación de imágenes han mostrado un crecimiento constante en el número de publicaciones. Recientemente, la clasificación basada en objetos ha mostrado un gran crecimiento.

Este gráfico muestra los resultados de búsqueda anuales de Google Scholar utilizando la frase de búsqueda ” AllinTitle:”.

Si disfrutó de esta guía de técnicas de clasificación de imágenes, le recomiendo que descargue la infografía de clasificación de imágenes de teledetección.

1. Blaschke T, 2010. Análisis de imágenes basadas en objetos para teledetección. Revista de Fotogrametría y Teledetección del SIFT 65 (2010) 2-16
2. Clasificación Basada en Objetos vs Clasificación Basada en Píxeles: Importancia comparativa de Imágenes de Resolución Múltiple (Robert C. Weih, Jr.y Norman D. Riggan, Jr.)
3. Segmentación multiresolución: un enfoque de optimización para la segmentación de imágenes multiescala de alta calidad (Martin Baatz & Arno Schape)
4. Trimble reconocimiento del Desarrollador: http://www.ecognition.com