Autor: Giovanni Daza. Centro de Procesamiento Digital de Imágenes (CPDI). FIIIDT.
INTRODUCCIÓN.
La clasificación por pixel no utiliza la información espacial de las imágenes de satélite. Su implementación en un ordenador es muy fácil, pues simplemente interpreta los valores de grises de la imagen. Por el contrario la interpretación visual hace uso de esta información separando rasgos de textura, forma, color, tono, tamaño, asociación, etc.
Los esfuerzos de hoy en día están enfocados en lograr que el ordenador interprete lo más cercano posible a como lo hace el ojo humano, es decir que tome en cuenta la información espacial. Así que la clasificación contextual puede ser sintetizada en tres tipos de acuerdo al uso de elementos espaciales:
a) pre procesamiento
b) pos procesamiento
c) clasificador contextual. Este último es el que acapara el interés de este artículo.
DESARROLLO METODOLÓGICO.
En una clasificación por pre proceso, simplemente se extraen los elementos espaciales aplicando una serie de filtros, por ejemplo elementos de borde, que pueden ser extraídos aplicando un filtro paso alto, seguido de filtros de contraste y suavizado.
El método pos procesamiento requiere un análisis espacial de una clasificación intermedia, y puede ser tan simple como aplicar un filtro de modo a una clasificación ya hecha.
La tercera opción de un clasificador contextual hace uso directo de la información espacial, vamos a presentar un clasificador contextual de frecuencia, conocido como FBC por sus siglas en ingles.
FBC (Clasificador contextual de frecuencia).
La frecuencia es definida como el número de veces que el valor de un pixel ocurre en una ventana de la imagen, conocido como kernel o mascara; como el valor de un pixel central es calculado en base a los pixeles vecinos se considera un análisis contextual.
Existen varias ventajas en usar las tablas de frecuencia en lugar de las medidas espaciales para análisis de clasificación. En primer lugar una tabla de frecuencia contiene más datos como media, varianza, desviación estándar que las simples medidas geométricas.
El éxito de las tablas de frecuencia depende en sumo grado del tamaño del kernel escogido, si la ventana es muy pequeña no se extrae suficiente elementos espaciales, si la ventana es muy grande se pueden solapar otros tipos de uso en el análisis.
Así encontramos que no existe una parametrización para definir el tamaño de la ventana en la clasificación de Usos del Suelo Urbano. El FBC utiliza el clasificador de mínimas distancias junto a la unidad de bloque para definir esta ventana. Este clasificador compara todas las distancias y asigna el valor del pixel a la clase con mínima distancia. Ver Figura 1.
El mayor problema es clasificar las zonas fronterizas, tal como se demuestra en el gráfico. Ver Figura 2.
Como el efecto de fronteras es un problema espacial debe ser tratado con técnicas de mejoramiento espacial, una de las soluciones propuesta consiste en dos pasos, a) primero un filtro de contraste según las unidades de bloque, b) posteriormente un proceso de expansión de regiones es ejecutado para llenar los gaps o huecos sin clasificar. Ver figura 3.
Como explicamos al comienzo el tamaño de las tablas de frecuencia aumenta linealmente de acuerdo a los valores de grises del pixel y exponencialmente con el número de bandas de la imagen. Para lograr un FBC óptimo es necesario reducir la cantidad de niveles de grises en el espacio multiespectral, esto se logra con un algoritmo de reducción del vector de grises.
A fin de solventar estos problemas se trabaja con un algoritmo TS (Texture Spectrum), este algoritmo busca construir una unidad de textura en una ventana de pixeles y consiste en relacionar espectralmente las propiedades de un pixel con sus vecinos. Ver Figura 4.
CONCLUSIÓN.
El método en el área urbana (tipo de material de construcción p ej.) permite incluir la información de los pixeles circundantes para tomar una decisión en caso de que las probabilidades para dos clases sean similares o no exista una clase con probabilidades de pertenencia suficientemente altas.
El propósito de los procedimientos de clasificación de imágenes de satélite es categorizar automáticamente todos los píxeles en una o diversas clases temáticas. La información así categorizada se utiliza posteriormente para generar mapas temáticos, es decir… Mejorar la clasificación clásica espectral usando también información contextual de los vecinos de cada pixel.
REFERENCIAS BIBLIOGRÁFICAS.
- Gong, P. (1994) Reducing boundary eff ects in a kernel-based classifi er. International Journal of Remote Sensing,
- Hall, O. & Hay, G.J. (2003) a multiscale object-specific approach to digital change detection, International Journal of Applied Earth Observation and Geoinformation.
- Irons, J.R., Weismiller, R.A. &. Petersen, G.W (1989) Soil Reflectance. In: G. Asrar Ed., Theory and Applications of optical Remote Sensing.
Contacto:giodaza90@gmail.com