La clasificación de imágenes es el proceso de asignar clases de cobertura del suelo a píxeles. Por ejemplo, las clases incluyen agua, urbana, bosque, agricultura y pastizales.
¿Qué es la clasificación de imágenes en la teledetección?
Los 3 tipos principales de técnicas de clasificación de imágenes en la teledetección son:
- Clasificación de imágenes no supervisada
- Clasificación de imagen supervisada
- Análisis de imágenes basado en objetos
La clasificación de imágenes no supervisada y supervisada son los dos enfoques más comunes.
Sin embargo, la clasificación basada en objetos ha ganado más popularidad porque es útil para los datos de alta resolución.
1. Clasificación no supervisada
En la clasificación no supervisada, primero agrupa los píxeles en grupos basados en sus propiedades. Luego, clasifica cada clúster con una clase de cobertura terrestre.
En general, la clasificación no supervisada es la técnica más básica. Debido a que no necesita muestras para una clasificación no supervisada, es una manera fácil de segmentar y comprender una imagen.
Los dos pasos básicos para la clasificación no supervisada son:
- Generar grupos
- Asignar clases
Usando el software de teledetección, primero creamos clústeres. Algunos de los algoritmos comunes de agrupación de imágenes son:
- K-medias
- Isodata
Después de elegir un algoritmo de agrupación, identifica la cantidad de grupos que desea generar. Por ejemplo, puede crear 8, 20 o 42 grupos. Menos grupos tienen más parecidos píxeles dentro de los grupos. Pero más grupos aumentan la variabilidad dentro de los grupos.
Para ser claros, estos son grupos no clasificados. El siguiente paso es asignar manualmente las clases de cobertura del suelo a cada clúster. Por ejemplo, si desea clasificar la vegetación y la no vegetación, puede seleccionar los grupos que los representan mejor.
Leer más: Clasificación supervisada y sin supervisión en ArcGIS
2. Clasificación supervisada
En la clasificación supervisada, selecciona muestras representativas para cada clase de cobertura del suelo. El software luego usa estos sitios de capacitación y los aplica a toda la imagen.
Los tres pasos básicos para la clasificación supervisada son:
- Seleccionar áreas de entrenamiento
- Generar un archivo de firma
- Clasificar
Para la clasificación de imagen supervisada, primero crea muestras de entrenamiento. Por ejemplo, marca las áreas urbanas marcándolas en la imagen. Luego, continuaría agregando representantes de sitios de entrenamiento en toda la imagen.
Para cada clase de cobertura del suelo, continúa creando muestras de entrenamiento 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. Desde aquí, tendrías que elegir un algoritmo de clasificación como:
- Máxima verosimilitud
- Distancia minima
- Componentes principales
- Máquina de vectores de soporte (SVM)
- Clúster
Como se muestra en varios estudios, SVM es uno de los mejores algoritmos de clasificación en la teledetección. Pero cada opción tiene sus propias ventajas, que puede probar para usted.
Leer más: 15 fuentes de datos de imágenes satelitales gratuitas
3. Análisis de imágenes basado en objetos (OBIA)
La clasificación supervisada y no supervisada está basada en píxeles. En otras palabras, crea píxeles cuadrados y cada píxel tiene una clase. Pero la clasificación de imágenes basada en objetos agrupa los píxeles en formas vectoriales representativas con tamaño y geometría.
Estos son los pasos para realizar la clasificación de análisis de imágenes basada en objetos:
- Realizar la segmentación multirresolución
- 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 cambio, 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 la segmentación a continuación resaltan los edificios.
Los 2 algoritmos de segmentación más comunes son:
- Segmentación de resolución múltiple en la ecognición
- La herramienta de desplazamiento medio segmento en ArcGIS
En la clasificación de análisis de imágenes basado en objetos (OBIA), puede usar diferentes métodos para clasificar los objetos. Por ejemplo, puede usar:
Forma: si desea clasificar los edificios, puede usar una estadística de forma como el ajuste rectangular. Esto prueba una geometría de objetos a la forma de un rectángulo.
Textura: la textura es la homogeneidad de un objeto. Por ejemplo, el agua es principalmente homogénea porque es en su mayoría azul oscuro. Pero los bosques tienen sombras y son una mezcla de verde y negro.
Espectral: puede usar el valor medio de las propiedades espectrales, como infrarrojo cercano, infrarrojo de onda corta, rojo, verde o azul.
Contexto geográfico: los objetos tienen relaciones de proximidad y distancia entre los vecinos.
Clasificación del vecino más cercano: la clasificación del vecino más cercano (NN) es similar a la clasificación supervisada. Después de la segmentación de resolución múltiple, el usuario identifica los sitios de muestra para cada clase de cobertura del suelo. A continuación, definen estadísticas para clasificar los objetos de imagen. Finalmente, el vecino más cercano clasifica los objetos basados en su semejanza con los sitios de capacitación y las estadísticas definidas.
Leer más: Guía de clasificación de vecinos más cercanos en EcoGnition
¿Qué técnica de clasificación de imágenes debe usar?
Digamos que desea clasificar el agua en una imagen de alta resolución espacial.
Decide elegir todos los píxeles con NDVI bajo en esa imagen. Pero esto también podría clasificar erróneamente otros píxeles en la imagen que no son agua. Por esta razón, la clasificación basada en píxeles como la clasificación no supervisada y supervisada da un aspecto de sal y pimienta.
Los humanos agregan naturalmente la información espacial a los grupos. La segmentación multirresolución realiza esta tarea agrupando píxeles homogéneos en objetos. Las características de agua son fácilmente reconocibles después de la segmentación multirresolución. Así es como los humanos visualizan las características espaciales.
- ¿Cuándo debe usar Pixel (clasificación sin supervisión y supervisada)?
- ¿Cuándo debe usar la clasificación basada en objetos?
Como se ilustra en este artículo, la resolución espacial es un factor importante al seleccionar técnicas de clasificación de imágenes.
Cuando tiene una imagen de baja resolución espacial, las técnicas tradicionales de clasificación de imágenes basadas en píxeles y de objetos funcionan bien.
Pero cuando tiene una imagen de alta resolución espacial, OBIA es superior a la clasificación tradicional basada en píxeles.
Tendencias de datos de teledetección
En 1972, Landsat-1 fue el primer satélite en recolectar reflectancia de la Tierra con 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 fue suficiente.
Sin embargo, OBIA ha crecido significativamente como una técnica de procesamiento de imágenes digitales.
Clasificación basada en objetos
Con los años, ha habido una creciente demanda de datos de detección remota. 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 satelitales apuntan a una mayor resolución espacial en un rango más amplio de frecuencias.
Tendencias de datos de teledetección:
- Más ubicuo
- Mayor resolución espacial
- Una gama más amplia 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
Un estudio de caso de la Universidad de Arkansas comparó la clasificación basada en objetos frente a píxeles. El objetivo era comparar imágenes de resolución espacial alta y media.
En general, la clasificación basada en objetos superó a los métodos de clasificación basados en píxeles no supervisados y supervisados. Debido a que OBIA usaba información espectral y contextual, tenía mayor precisión.
Este estudio es un buen ejemplo de algunas de las limitaciones de las técnicas de clasificación de imágenes basadas en píxeles.
Leer más: 10 conjuntos gratuitos de datos globales de cobertura del suelo / uso del suelo
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 mucho crecimiento en los avances en tecnología y la disponibilidad de imágenes de alta resolución espacial. Pero las técnicas de clasificación de imágenes también deben tenerse en cuenta. La atención brilla en el análisis de imágenes basado en objetos para entregar productos de calidad.
Según los resultados de búsqueda de Google Scholars, 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 mucho crecimiento.
El crecimiento de las técnicas de clasificación de imágenes para publicaciones
Si disfrutó de esta guía para las técnicas de clasificación de imágenes, le recomiendo que descargue la infografía de clasificación de imágenes de detección remota.
Referencias
1. Blaschke T, 2010. Análisis de imágenes basado en objetos para la teledetección. ISPRS Journal of Photogramety and Remote Sensing 65 (2010) 216
2. Clasificación basada en objetos frente a la clasificación basada en píxeles: importancia comparativa de las imágenes de resolución múltiple (Robert C. Weih, Jr. y Norman D. Riggan, Jr.)
3. Segmentación multirresolución: un enfoque de optimización para la segmentación de imágenes de alta calidad múltiple (Martin Baatz y Arno Schape)
4. Desarrollador de EcoGnition de Trimble: http://www.ecognition.com
Lo que se entiende por clasificación de imágenes
La clasificación de imágenes es el proceso de categorizar y etiquetar grupos de píxeles o vectores dentro de una imagen basada en reglas específicas. La ley de categorización se puede diseñar utilizando una o más características espectrales o texturales. Dos métodos generales de clasificación son 'supervisados' y 'sin supervisión'.
¿Qué es la clasificación de imágenes con ejemplo?
La clasificación de imágenes es donde una computadora puede analizar una imagen e identificar la 'clase' en la que se encuentra la imagen. (O una probabilidad de que la imagen sea parte de una 'clase'). Una clase es esencialmente una etiqueta, por ejemplo, 'automóvil', 'animal', 'construcción', etc. Por ejemplo, ingresa una imagen de una oveja.
¿Cuál es el propósito de la clasificación de imágenes?
El objetivo principal de la clasificación de imágenes es agrupar todos los píxeles de una imagen particular en una clase de tapa de tierra específica.
¿Qué es la clasificación de la imagen y cómo funciona?
Cómo funciona la clasificación de imágenes. La clasificación de imágenes es un problema de aprendizaje supervisado: defina un conjunto de clases de destino (objetos para identificar en las imágenes) y capacitar a un modelo para reconocerlos utilizando fotos de ejemplo etiquetadas. Los primeros modelos de visión por computadora se basaban en datos de píxeles sin procesar como la entrada al modelo.