• ClsMix: Clasificación híbrida (o mixta) de imágenes

Acceso directo de la ayuda en Internet: ClsMix

Acceso a la aplicación desde el menú: "Herramientas | Clasificación de imágenes | Clasificación híbrida (mixta)"

Presentación

Así, partiendo de una imagen donde hay diversas áreas de entrenamiento, y de una imagen producida mediante algún método de clasificación no supervisada se crea una nueva imagen clasificada. Como método de clasificación no supervisada se sugiere la aplicación IsoMM de MiraMon.

La imagen con las clases obtenidas por clasificación no supervisada debe ser de tipo byte, integer o unsigned integer, comprimida o no. Las clases no supervisadas empezarán con un valor 1, quedando reservado el valor cero por si hay píxeles de la imagen que no han sido clasificados.

La imagen con las áreas de entrenamiento debe ser del mismo ámbito y resolución que la imagen producida mediante la clasificación no supervisada, y debe ser byte, integer o unsigned integer, comprimida o no. Las clases de áreas de entrenamiento tendrán que estar enumeradas consecutivamente desde el número 1 (el valor cero será para todos los píxeles de la imagen que no estén dentro de ninguna área de entrenamiento).

La aplicación creará un fichero de texto donde, para cada clase temática o informacional (grupo de áreas de entrenamiento que son muestras de un mismo tipo de cubierta), se dará las proporciones de las diferentes clases espectrales (clases obtenidas a partir de la clasificación no supervisada) que la representan (se puede consultar, más adelante, el concepto de representatividad). Se dará también, para cada clase espectral, las proporciones de las diferentes clases temáticas a las cuales podría contribuir. Si hay diversas posibles clases temáticas, se escogerá la que tenga la frecuencia mayor.

Utilizando unos umbrales de frecuencia dados por la persona usuaria (fidelidad y representatividad), a cada clase espectral se le hará corresponder una clase temática concreta o se decidirá dejarla como no clasificada. Con estos resultados se creará la imagen producto de esta clasificación híbrida (o mixta). A los píxeles no clasificados se les dará valor cero, quedando etiquetados como sindatos.

Conceptos clave del clasificador:

1. FIDELIDAD de la clase espectral a la clase temática (o informacional): mínima proporción con la que una clase espectral está dentro de la clase temática a la cual se asignará finalmente. La proporción se expresa en relación a la clase espectral. Para comprender este concepto, se debe considerar que cada clase espectral se acabará asignando a la clase temática con la cual el cruce de las imágenes revele que la clase espectral se corresponde más frecuentemente; sin embargo, quizás no interese que esta asignación se produzca si la clase temática con máxima frecuencia de correspondencia sólo contiene un 20 % de los píxeles de la clase espectral. Normalmente tiene que ser un número entre 0.5 y 1, pero con 1 difícilmente la clase espectral se asignará a ninguna clase temática, ya que la exigencia es demasiado fuerte. Un 0.5 implica que se puede asignar una clase espectral a una clase temática cuando tan sólo la mitad de los píxeles de la primera coinciden espacialmente, en las áreas de entrenamiento, con esa clase temática; se puede reducir este valor, pero debe tenerse en cuenta que valores progresivamente menores a un 50 % implican una relación cada vez más débil. Con valores más cercanos a 1 (por ejemplo 0.8) la asignación (fidelidad) es más robusta, pero quedarán más píxeles sin clasificar.
2. REPRESENTATIVIDAD de la clase espectral en la clase temática: mínima proporción de la clase espectral dentro de la clase temática. Por ejemplo se puede indicar que una clase espectral no merece pertenecer a ninguna clase temática si con la clase con la cual presenta más correspondencia ésta correspondencia es de sólo 0.01 %: la clase espectral es tan poco representativa que no vale la pena correr el riesgo de utilizarla. Normalmente tiene que ser un número muy pequeño, a menos que se esté muy seguro de correspondencia biunívoca entre las clases temáticas y espectrales.

Al establecer las correspondencias se puede optar por ponderar de 3 formas diferentes:

• Sin ponderación: las proporciones de pertenencia entre clases espectrales e informacionales se calculan de forma "natural", sin modificación alguna.
• Con ponderación: las proporciones de pertenencia entre clases espectrales e informacionales se ponderan en función de la superficie (típicamente número de píxeles) de cada área de entrenamiento. Con este modo, si una categoría informacional tiene mucha superficie su proporción de pertenencia se aumentará tanto como la proporción de esa categoría en las áreas de entrenamiento. Si todas las categorías están igualmente representadas en las áreas de entrenamiento, este modo es igual al modo sin ponderación.
• Uso de probabilidades condicionadas: actúa como el modo "con ponderación", pero la ponderación no se obtiene de la superficie relativa de las diferentes categorías en las áreas de entrenamiento, sino que la persona usuaria indica estas ponderaciones, forzándolas. En otras palabras, la superficie de las diferentes categorías en las áreas de entrenamiento no tiene importancia, sino que la indicación de qué categorías consideramos que deberían ser más probables de encontrar en el mapa final se realiza a través de una lista de frecuencias aproximadas esperadas (en tanto por uno).

Para más información se pueden consultar lassiguientes referencias:

Serra P, Moré G, Pons X (2005) Application of a hybrid classifier to discriminate Mediterranean crops and forests. Different problems and solutions. XXII International Cartographic Conference (ed.) Mapping approaches into a changing world CD-ROM. (ISBN: 0-958-46093-0) La Coruña.

Moré G, Pons X, Serra P (2006) Improvements on Classification by Tolerating NoData Values - Application to a Hybrid Classifier to Discriminate Mediterranean Vegetation with a Detailed Legend Using Multitemporal Series of Images. IEEE Press Vol. I, 192-195. DOI 10.1109/IGARSS.2006.582. ISBN 0-7803-95-10-7 IGARSS06: International Geoscience & Remote Sensing Symposium - Remote Sensing: A Natural Global Partnership. Denver (Colorado).

Caja de diálogo de la aplicación

Caja de diálogo de ClsMix