Clasificación supervisada en ER Mapper

Clasificación supervisada en ER Mapper

¿Qué es una clasificación supervisada? 

Parte de un cierto conocieminto de la zona de estudio, adquirido por experiencia previs o por trabajos de campo, esto eprmite al intérprete delimitar sobre la imágen unas áreas representativas de cada una de las categorías que componen la leyenda, estos pueden ser asentamientos humanos, cuerpos de agua, vegetación etc.

Estas áreas se denominan cómo (training field o áreas de entrenamiento), éste término indica que tales áreas sirven para "entrenar" al programa de clasificaicón en el reconocimiento de las distintas categorías. En otras palabras, a partir de ellas se caraterizan cada una de las clases, para asgnar más tarde el resto de los pixeles de la imágen a una de esas categorías en función de la similitud ND (números digitales) con los extraídos como referencia. 

Desarrollo para la realización de la clasificación supervisada en ER Mapper

En la plataforma ER Mapper creamos una imagen multiespectral que posea las bandas 1, 2, 3, 4, 5 y 7 de la imágen Landsat de Colima.

Abrimos cada una de nuestras imágenes .TIFF de las bandas correspondientes y editamos su valor 0 para que sea nulo, y se guardan como .ers; después abrimos el algoritmo de la barra del menú principal y agregamos a una misma superficie 6 capas de pseudocolor, les cambiamos el nombre para que cada tenga el nombre de la banda que poseerá.

Insertamos cada una de las bandas en su respectivo layer, teniendo cuidado de al abrir, seleccionar “únicamente para este layer” y posteriormente OK.

Imágen 1

Una vez que se tenga en cada layer la imágen .ers de su banda asignada editamos el nombre y se guarda como multi-layer, se cierran las ventanas y se vuelve a abrir el recién .ers guardado.

Al abrirlo nos muestra un compuesto RGB, pero que contiene todas las bandas; nosotros podemos escoger el compuesto con las bandas que necesitemos para visualizar de mejor manera la imágen. Si se tiene una MDE o IV de la zona, se agregan también para tener información adicional para la clasificación.

Imágen 2

El paso siguiente es crear nuestras zonas de entrenamiento.

Esto se realiza con la opción “EDIT/CREATE REGIONS” ubicado en el menú; ésta opción abre una ventana en donde se selecciona la imagen multiespectral y se selecciona la opción de “RASTER REGION”, esto significa que se guardaran datos vectoriales dentro de la imágen raster multiespectral, en seguida se abre una barra de herramientas (tools) para poder configurar nuestras áreas de entrenamiento.

Imágen 3

Seleccionamos los botones “DISPLAY/EDIT OBJECT ATTRIBUTE” y “POLYGON” (doble clic a éste último) para tener unas ventanas adicionales que serán utilizadas para cambiar el color de la región a insertar y la otra para agregar el nombre deseado a la región.

Imágen 4

Con la opción polygon encendida empezamos a realizar nuestras áreas de entrenamiento. Éstas zonas serán realizadas como polígonos, para realizar el muestreo de pixeles por puntos seleccionar punto en la barra de tools en vez de polígono.

Empezamos a trazar nuestras áreas de entrenamiento por las clases que uno requiera, recordando que al menos debería validarse el 1% de la superficie total de la imágen (pixeles); se cambia de color y se agregan en la tabla de Map composition attribute. El compuesto puede variar, quizá en algunos momentos sería mejor un 432 para resaltar donde existe vegetación (rojo en ese caso) o un 743 para los suelos resalten (rosado en ese caso) o simplemente un 321; solo es cuestión de jugar con los compuestos de las bandas que se quiera.

Se guarda al final del proceso como .alg y después (save as en la barra de tools) sobrescribiéndola en la imágen de cabecera que estamos utilizando, en éste caso ejercicio.ers; cuando se cierren las ventanas al concluir aparece el nombre de las áreas con su respectivo color.

Imágen 5

Las áreas de entrenamiento para éste ejercicio escogidas fueron:

Tural-popal, Palmar, Asentameintos humanos, Cuerpos de agua, Bosque de encino, Cultivos permanentes.

Se calculan las estadísticas de la imágen multiespectral resultante. En las opciones se establece el intervalo de submuestreo de 4, que esta por default a 1; se selecciona la opción force recalculate stats , esto para calcular las estadísticas de nuevo, en caso de que hayan sido previamente calculadas, que se actualize.

Imágen 6

Nos regresamos a la ventana de algoritmo de la imágen multiespectral y la capa región layer, después en la ventana de edit  agregamos (add raster layer) una capa de clasificación.

Seleccionando ésta capa recién agregada, seleccionamos el botón Edit layer Color, escogemos un color altamente visible y cargamos nuestra imagen multiespectral (donde además esta guardada las regiones de entrenamiento), nuestra vista de la imágen debió cambiarse completa de color al seleccionado.

A continuación en el editor de fórmulas del algoritmo de ERmapper, estando seleccionada la capa de clasificación se ingresa la siguiente fórmula

Se le aplican los cambios y seleccionamos regions donde indicaremos que todas las regiones involucradas sean propensas a los cambios. Ahora seleccionamos la capa de RED y realizamos el mismo proceso, así mismo con GREEN y BLUE.

Imágen 7

Con las estadísticas de las firmas de cada una de las regiones se obtienen los elipses de probabilidad al 95% y los centros de cada región de un gráfico, que tiene a la banda 4 y 3 como como Y, X respectivamente (utilizando la opción scattegram para éste caso, en el menú de view de la barra de herramientas). Esto es que las extensiones elipse representan la probabilidad de que un pixel desconocido sea un miembro de esa clase en el nivel de confianza del 95%, esto se realiza seleccionando cada región de entrenamiento.

Imágen 8

El paso siguiente es realizar la clasificación por el método deseado para esto se escoge la opción PROCESS – CLASIFFICACTION – SUPERVISSED CLASSIFICATION.

Imágen 9

En “input dataset” debe de estar seleccionada la imagen multiespectral, con todas las bandas seleccionadas, mientras en “output dataset” se guada la imagen de la siguiente manera, con unas iniciales cualesquiera:

lepe_max_like_class

Imágen 10

Se escoge el algoritmo a utilizarse:

Máxima verosimilitud mejorada. Este clasificador tiene en cuenta, por una mejora de distancia de Mahalanobis, la propagación direccional de datos de la clase en el espacio multiespectral. Se recomienda éste clasificador si las regiones de formación de buena calidad están disponibles, pero no existe un conocimiento de probabilidades a priori.

En la opción setup de la caja de opciones de la clasificación supervisada te muestra las regiones con las que va a realizar la clasificación, las muestras que se recolectaron anteriormente, con una misma probabilidad a piori para todas, esto es, que todas las regiones tienen la misma probabilidad de ser clasificadas dependiendo las regiones ubicadas en distintos pixeles con una reflectancia “similar”.

Imágen 11

 Se cierra la ventana de setup y se inicia el proceso en OK.

La salida de la clasificación es una imagen de una sola banda. Cada píxel de la imágen se tiene un valor de 1 a 6 (el número de regiones de formación que ha especificado).

Al finalizar el proceso, para visualizar la imágen de salida, se agrega un layer a nuestro algoritmo llamado class display, en el cargamos nuestra imágen clasificada anteriormente de nombre  y del cual podemos visualizar el resultado. Si se desea editar el nombre o el color de cada región en el menú principal en edit seleccionamos la opción Edit Class/Region color and name. Al concluir guardamos o si no se modifica seleccionamos cancel.

Imágen 12

Después de lo anterior obtenemos nuestra imagen clasificada por el método supervisado en la plataforma ERmapper.

Para obtener la matriz de confusión en el menú principal  View – Stadistic – Matrix Confucion. Aparece un recuadro donde solicita una imágen de referencia y otra clasificada, los datos de referencia son cruciales en la creación de las matrices. Un método para obtener estos datos de referencia tiene por objeto establecer los puntos de muestra "terreno la verdad" sobre la imágen, y luego ir físicamente al lugar donde se encuentran los puntos en el campo para verificar el real de la clase a la que pertenecen.

Se cierran todas las ventanas, la del algoritmo, la vista de la imagen, etc. Se abre una ventana nueva y se agrega nuestra imagen multiespectral, seleccionando primero nuestra capa RED de nuestra imagen RGB, seleccionamos el icono de editor de fórmulas en el cuál agregaremos la siguiente fórmula:

If inregion (region1) or inregion (region2) or inregion (region3) or inregion (region4) or inregion (region5) or inregion (region6) or inregion (region6) or inregion (region7) then IMPUT 1 else null

El número total de regiones en la fórmula está en función de cuantas regiones de entrenamiento se hayan registrado, en éste caso son 7. Se aplican los cambios en el editor de fórmulas de la capa Red, después se seleccionan las regiones de la imagen, y en cada celda se señala cada una de las regiones de entrenamiento que fueron digitalizadas, éste mismo proceso se realiza para la capa Green y Blue del compuesto RGB que contiene la imágen multiespectral.

Imágen 13

Al finalizar se cierre la ventana de editor de fórmula.

Éste nuevo proceso que se realizó a la imagen multiespectral se guardará pero como virtual dataset para poder crear una imagen clasificada. Save as con las iniciales iguales pero ahora con diferente nombre:

lepe_land_use_regions_vds.ers

Imágen 14

Ahora tenemos que añadir la capa de la región al conjunto de datos virtual creado recientemente. En la ventana de algoritmo, en Edit / Add vector layer / Region Layer, en ésta nueva capa cargamos la imágen multiespectral.

Imágen 15

Seleccionamos el botón de Annotate Vector Layer, en la barra de tools que se abrió se guarda como Raster Region y se sobreescribe el archivo virtual dataset que se había creado anteriormente.

lepe_land_use_regions_vds.ers

Se aplica (OK)  y se acepta para sobrescribirlo, ahora ya se tiene guardado en la misma cabecera las regiones de entrenamiento que se habían digitalizado.

Se cierran todas las ventanas y se vuelve a realizar la clasificación supervisada con el método usado anteriormente, en este caso, el de la máxima verosimilitud.

En el “Input Dataset” se selecciona la imagen guardada como:

lepe_land_use_regions_vds.ers

Y en el “Output Dataset” aparece el nombre por default de:

lepe_land_use_regions_vds_class.ers

Terminado el proceso se obtiene la matriz de confusión, esto es en View / Stadistic / Confusion Matrix

La ventana de matriz de confusión se mostrará una matriz en la que las filas muestran cómo la imagen bajo prueba ha clasificado las áreas dentro de las regiones, y las columnas muestran cómo el conjunto de datos de referencia ha clasificado las mismas áreas.

Imágen 16

Se agregan en referencia las regiones de entrenamiento y en la clasificación de la imágen clasificada.


Genera la matriz de confusión automáticamente.

Imágen 17