Disponible con licencia de Image Analyst.
Disponible con una licencia de Spatial Analyst.
La clasificación de imágenes es el proceso de extraer clases de información, como categorías de cobertura de suelo, de imágenes de teledetección multibanda. El flujo de trabajo implica varios pasos para progresar desde el preprocesamiento hasta la segmentación, la selección de muestras de entrenamiento, la formación, la clasificación y la evaluación de la precisión. Cada paso puede ser iterativo y el proceso requiere conocimiento detallado de las imágenes de entrada, el esquema de clasificación, los métodos de clasificación, los resultados esperados y la precisión aceptable.
Asistente para la clasificación
El Asistente para la clasificación guía a los usuarios por todo el flujo de trabajo de clasificación de principio a fin. El Asistente para la clasificación proporciona un flujo de trabajo guiado que se compone de prácticas recomendadas y una experiencia de usuario simplificada, para que pueda realizar la clasificación de imágenes sin que falte ningún paso. Los usuarios con experiencia pueden utilizar las herramientas individuales disponibles en la lista desplegable Herramientas de clasificación del grupo Clasificación de imagen. Estas herramientas son las mismas que se incluyen en el Asistente para la clasificación.
El Asistente para la clasificación se encuentra en el grupo Clasificación de imagen de la pestaña Imágenes. Seleccione el dataset ráster para clasificar en el panel Contenido a fin de visualizar la pestaña Imágenes, y asegúrese de que está trabajando en un mapa 2D. El Asistente para la clasificación se deshabilita si el mapa activo es una escena 3D o si la imagen resaltada no es una imagen multibanda.
Configurar
Haga clic en el botón Asistente para la clasificación 
en la pestaña Imágenes para abrir y acoplar el asistente. La primera página es la página Configurar, donde se configura el proyecto de clasificación. Los parámetros que se establecen aquí determinan los pasos y la funcionalidad disponibles en las páginas subsiguientes del asistente.
Método de clasificación
Existen dos opciones para el método que usará para clasificar las imágenes.
| Nombre de opción | Descripción |
|---|---|
Sin supervisar | El resultado de la clasificación se determina sin muestras de entrenamiento. Los píxeles o segmentos se asignan estadísticamente a una clase en función del clasificador de clúster ISO. Los píxeles se agrupan en clases en función de características espectrales y espaciales. El usuario proporciona el número de clases a calcular y las clases se identifican y fusionan una vez que se completa la clasificación. |
Supervisado | El resultado de la clasificación depende de las muestras de entrenamiento proporcionadas. Las muestras de entrenamiento son sitios representativos de todas las clases que desea clasificar en su imagen. Estos sitios se almacenan como una clase de entidad poligonal o de puntos con los nombres de clase correspondientes para cada entidad y se crean o seleccionan en función del conocimiento del usuario de los datos de origen y de los resultados esperados. El resto de píxeles de la imagen se clasifican con las características de las muestras de entrenamiento. Esta es la opción predeterminada. |
Tipo de clasificación
Existen dos opciones para el tipo de clasificación que se va a utilizar para la clasificación supervisada y sin supervisar.
| Nombre de opción | Descripción |
|---|---|
Basado en píxel | La clasificación se realiza por píxel, donde las características espectrales del píxel individual determinan la clase a la que se asigna. Las características de los píxeles vecinos no se tienen en cuenta en el enfoque basado en píxeles. Se considera el método de clasificación más tradicional y puede dar lugar a un efecto moteado en la imagen clasificada. |
Basado en objeto | La clasificación se realiza en vecindades localizadas de píxeles agrupadas con un proceso denominado segmentación. La segmentación tiene en cuenta las características de color y de forma al agrupar píxeles en objetos. Los objetos resultantes de la segmentación se asemejan más a entidades del mundo real y producen resultados de clasificación más depurados. Esta es la opción predeterminada. |
Esquema de clasificación
Un esquema de clasificación determina el número y los tipos de clases a utilizar para la clasificación supervisada. Los esquemas pueden ser jerárquicos, lo que significa que puede haber clases con subclases. Por ejemplo, puede especificar una clase de Bosque con subclases para bosques Perennes y Caducifolios. Un esquema se guarda en un archivo de esquema de clasificación de Esri (.ecs), que usa la sintaxis JSON. Puede elegir entre las siguientes opciones para especificar el esquema de clasificación:
- Ir a un esquema existente.
- Generar un esquema a partir de una clase de entidad existente que representa muestras de entrenamiento. Elija esta opción si desea hacer referencia a un dataset de muestras de entrenamiento existente.
- Generar un esquema a partir de un mapa de clase ráster existente.
- Utilice el esquema predeterminado del National Land Cover Dataset para Norteamérica. Si desea crear un esquema personalizado, elija esta opción y modifíquelo en la página Administrador de muestras de entrenamiento.
Localización de salida
Este es el espacio de trabajo o directorio que almacena todas las salidas creadas en el Asistente para la clasificación, incluidos los datos de entrenamiento, las imágenes segmentadas, los esquemas personalizados, la información de evaluación de precisión y los resultados de la clasificación.
Nota:
Todos los archivos intermedios creados con el Asistente para la clasificación se almacenan en el directorio temporal del usuario. Suele ser C:\Windows\Temp, pero puede variar en función del sistema operativo y de los permisos de acceso.
Imagen segmentada
Solo es una opción si seleccionó la clasificación Basado en objeto para el Tipo de clasificación. Si ya ha creado una imagen segmentada, puede hacer referencia al dataset existente. De lo contrario, creará una imagen segmentada como un paso en la siguiente página.
Nota:
Si el ráster segmentado no se ha creado previamente, se creará antes de entrenar el clasificador. Se trata de una operación que requiere muchos recursos informáticos y puede tardar mucho tiempo en crear el dataset ráster segmentado. Para datasets grandes, se recomienda encarecidamente crear el ráster segmentado de antemano y especificarlo como entrada al configurar el proyecto de clasificación.
Muestras de entrenamiento
Solo es una opción si seleccionó Supervisado para el Método de clasificación. Puede crear muestras de entrenamiento con el panel Administrador de muestras de entrenamiento de la lista desplegable Herramientas de clasificación o bien proporcionar un archivo de muestras de entrenamiento existente. Puede ser un shapefile o una clase de entidad que contenga las muestras de entrenamiento y debe corresponderse con el esquema de clasificación. Los siguientes nombres de campo son obligatorios en el archivo de muestra de entrenamiento:
- classname- un campo de texto que indique el nombre de la categoría de clase
- classvalue- un campo de tipo entero largo que contenga el valor entero para cada categoría de clase
Nota:
Se admiten muestras de entrenamiento creadas en ArcGIS Desktop con la barra de herramientas Clasificación de imagen.
Dataset de referencia
Si desea evaluar la precisión de los resultados clasificados, debe proporcionar un dataset de referencia. Los datos de referencia constan de entidades con un valor de clase y ubicación conocidos, y se pueden recopilar mediante un estudio de campo, una base del terreno ráster o mapa de clase existente, o bien con imágenes de mayor resolución. Los resultados de la clasificación de imágenes se compararán con los datos de referencia para la evaluación de precisión. Las clases del dataset de referencia deben coincidir con el esquema de clasificación.
Los datos de referencia pueden tener uno de los siguientes formatos:
- Un dataset ráster que es una imagen clasificada.
- Una clase de entidad poligonal o un shapefile. El formato de la tabla de atributos de la clase de entidad debe coincidir con las muestras de entrenamiento. Para garantizarlo, puede crear el dataset de referencia usando las herramientas del Administrador de muestras de entrenamiento.
- Una clase de entidad de puntos o un shapefile. El formato debe coincidir con la salida de la herramienta Crear puntos de evaluación de la precisión. Si usa un archivo y desea convertirlo al formato correcto, use la herramienta de geoprocesamiento Crear puntos de evaluación de la exactitud.
Segmentación
Esta página solo está disponible si seleccionó Basado en objeto como Tipo de clasificación y no especificó ningún dataset ráster de segmentación existente en la página Configurar. La segmentación es un componente esencial del flujo de trabajo de clasificación Basado en objeto. Este proceso agrupa los píxeles vecinos que tienen un color similar y comparten determinadas características de forma.
Hay tres parámetros que controlan cómo se segmentan las imágenes en objetos:
- Detalle espectral: establece el nivel de importancia dado a las diferencias espectrales de las entidades en las imágenes.
Los valores válidos varían de 1,0 a 20,0. Un valor más alto es adecuado cuando desea una clasificación más detallada, en la cual las entidades que tienen características espectrales parecidas de alguna manera se van a clasificar en distintas clases. Por ejemplo, con valores más altos de detalle espectral en una escena de bosque, es posible distinguir mejor entre especies de árboles distintas.
Unos valores más bajos dan lugar a un mayor suavizado de los detalles de las imágenes. Por ejemplo, si le interesa clasificar tejados de edificios sin ningún detalle acerca del equipo del tejado, utilice un valor de Detalle espectral inferior.
- Detalle espacial: establece el nivel de importancia dado a la proximidad entre entidades de las imágenes. Los valores válidos varían de 1 a 20. Un valor más elevado es adecuado para una escena donde las entidades de interés son pequeñas y están agrupadas. Los valores más pequeños crean salidas más uniformes espacialmente. Por ejemplo, en una escena urbana, puede clasificar superficies impermeables utilizando un menor valor de detalle espacial o puede clasificar edificios y carreteras como clases separadas utilizando un valor mayor de Detalle espacial.
- Tamaño mínimo de segmento en píxeles: fusiona segmentos más pequeños que este tamaño con el segmento vecino que mejor se ajuste. Este valor está relacionado con la unidad cartográfica mínima de su proyecto.
Puede usar la opción Mostrar solo límites de segmento si desea visualizar los segmentos como polígonos superpuestos en sus imágenes.
Utilice la herramienta Swipe del grupo Efectos de la pestaña Capa ráster o Capa de mosaico para comparar la imagen segmentada con la imagen de origen. Vuelva a ejecutar dinámicamente la segmentación cambiando los parámetros y examine los resultados desplazándose y haciendo zoom por el mapa. Cuando esté conforme con la imagen segmentada, haga clic en Siguiente.
Nota:
La vista previa se basa en funciones de ráster que procesan los píxeles que se muestran actualmente en la pantalla y se remuestrean para la resolución de visualización. Esto puede provocar una ligera diferencia entre la vista previa y el resultado persistente real de las operaciones regionales.
Herramientas del Administrador de muestras de entrenamiento
Esta página solo está disponible si selecciona Supervisado en Método de clasificación.
Cuando se abre la página, puede ver la sección de administración de esquemas en la parte superior, donde el esquema que seleccionó en la página Configurar se carga automáticamente. Puede crear nuevas clases aquí o eliminar las clases existentes para personalizar su esquema. Para crear una nueva clase principal en el nivel más alto, seleccione el nombre del esquema y haga clic en el botón Agregar nueva clase. Para crear una subclase, seleccione la clase principal y haga clic en Agregar nueva clase. La subclase se organizará en la clase principal. Haga clic con el botón derecho en cualquiera de las clases para editar las propiedades de la clase.
En la sección inferior de la página aparecen todas las muestras de entrenamiento para cada clase. Puede seleccionar los sitios representativos, o muestras de entrenamiento, de cada clase de cobertura de suelo en la imagen. Una muestra de entrenamiento tiene información de ubicación (de polígono) y una clase de cobertura de suelo asociada. El algoritmo de clasificación de imágenes usa las muestras de entrenamiento, guardadas como clase de entidad, para identificar las clases de cobertura de suelo en toda la imagen. Si proporcionó un dataset de muestras de entrenamiento en la página Configurar, verá sus muestras de entrenamiento enumeradas aquí.
Puede ver y administrar muestras de entrenamiento agregándolas, agrupándolas o eliminándolas. Puede eliminar las muestras de entrenamiento por separado o puede agruparlas seleccionándolas y, a continuación, haciendo clic en el botón Eliminar. Cuando seleccione una muestra de entrenamiento, se selecciona en el mapa. Haga doble clic en una muestra de entrenamiento de la tabla para acercarla en el mapa.
Para crear muestras de entrenamiento, siga estos pasos:
- Seleccione la clase para la que desea capturar muestras de entrenamiento en el administrador de esquemas.
- Seleccione una de las herramientas de boceto o use el selector de segmentos para empezar a capturar las muestras de entrenamiento.
- Para usar la herramienta Selector de segmento, la imagen segmentada debe estar en el panel Contenido. Si tiene más de una capa segmentada en el panel Contenido, use la lista desplegable para seleccionar la capa segmentada desde la que desea capturar muestras de entrenamiento.
- Haga clic en el mapa para agregar el segmento como muestra de entrenamiento.
Las muestras de entrenamiento individuales que representan una clase se enumeran en el Administrador de muestras de entrenamiento.
- Puede organizarlas seleccionando varias muestras de entrenamiento y combinándolas en un encabezado de clase haciendo clic en el botón Contraer
.
Nota:
La tabla de muestras de entrenamiento enumera el número de muestras que definen cada clase. Si utilizó la herramienta Selector de segmento para capturar las muestras de entrenamiento, el número de muestras es el número de segmentos que seleccionó para definir la clase. Es importante recordarlo al utilizar un clasificador estadístico, por ejemplo, Máxima probabilidad, porque el número de segmentos representa el número total de muestras. Por ejemplo, si se recopilan ocho segmentos como muestras de entrenamiento para una clase, puede que no sea un número estadísticamente significativo de muestras para una clasificación fiable. Sin embargo, si adquirió las mismas muestras de entrenamiento como píxeles, su muestra de entrenamiento se podría representar con cientos o miles de píxeles, que es un número de muestras estadísticamente significativo.
La tabla de muestras de entrenamiento presenta el porcentaje de píxeles que representan una clase en comparación con el número total de píxeles que representan todas las clases. Este porcentaje es importante al utilizar un clasificador estadístico, como Máxima probabilidad. El número y porcentaje de muestras de entrenamiento es menos importante al utilizar clasificadores de aprendizaje automático no paramétricos, como árboles aleatorios o una máquina de vectores de soporte.
Tren
Seleccione uno de los métodos de clasificación que se describen en la siguiente tabla:
| Clasificador | Descripción |
|---|---|
Cluster ISO | El Clasificador de clúster ISO realiza una clasificación no supervisada con el método de valores medios K. Este clasificador puede procesar imágenes segmentadas muy grandes, cuya tabla de atributos puede resultar grande. Además, la herramienta acepta un ráster de RGB segmentado procedente de una aplicación de terceros. La herramienta funciona con archivos ráster estándar compatibles con Esri, así como con datasets ráster segmentados. Si ha seleccionado Sin supervisar para el Método de clasificación en la página Configurar, este es el único clasificador disponible. |
K vecino más cercano | El clasificador de K vecinos más cercanos realiza una clasificación de K vecinos más cercanos, que clasifica un píxel por un voto de pluralidad de sus vecinos. El proceso de entrenamiento asigna muestras de entrenamiento a sus respectivas clases. K es el número de vecinos utilizados en la votación. |
Máxima probabilidad | El clasificador de Máxima probabilidad es una técnica paramétrica tradicional para la clasificación de imágenes. Para obtener unos resultados fiables, cada clase debe representarse mediante un número estadísticamente significativo de muestras de entrenamiento con una distribución normal, y el número relativo de muestras de entrenamiento que representa cada clase debe ser similar. |
Árboles aleatorios | El clasificador de Árboles aleatorios es una técnica de aprendizaje automático avanzada que resiste el exceso de ajuste y que puede funcionar con imágenes segmentadas y con otros datasets ráster antiguos, así como imágenes multiespectrales. Para las entradas de imagen estándar, la herramienta acepta imágenes de varias bandas con cualquier profundidad de bit y realiza la clasificación Árboles aleatorios (denominada a veces clasificación de bosque aleatorio) en función del archivo muestras de entrenamiento de entrada. Si elige la clasificación Basado en objeto, puede seleccionar cualquiera o todos los atributos de segmento para utilizarlos en el entrenamiento del clasificador. |
Máquina de vectores de soporte | El clasificador de Máquina de vectores de soporte es un método de clasificación de aprendizaje automático avanzado que permite procesar una entrada de ráster segmentada o una imagen estándar. Es menos susceptible al ruido, a las bandas correlacionadas y al desequilibrio entre la cantidad o el tamaño de los sitios de formación dentro de cada clase. Los kernels utilizados son funciones de base radial (RBF) no lineales, con una cuadrícula 2D con pares de parámetros óptimos (C, gamma). Si elige la clasificación Basado en objeto, puede seleccionar cualquiera o todos los atributos de segmento para utilizarlos en el entrenamiento del clasificador. |
Al hacer clic en Ejecutar, se entrenará el clasificador.
Una vez que termina la ejecución, puede verificar visualmente los resultados con la imagen de origen mediante la herramienta Swipe de la pestaña Capa ráster o Capa de mosaico. Puede comparar los resultados mediante distintas configuraciones o utilizar distintos clasificadores haciendo clic en Anterior y ajustando la configuración o seleccionando otro clasificador para ejecutarlo. A continuación, puede comparar los distintos resultados de clasificación con la herramienta Swipe o haciendo clic en las capas del panel Contenido. Cuando esté conforme con los resultados de la clasificación, haga clic en Siguiente.
Clasificar
Haga clic en Ejecutar para guardar los resultados de la clasificación en el directorio de salida o la base de datos del proyecto especificados. Si lo desea, puede guardar el archivo de definición de clase de salida (.ecd).
Asignar clases
Esta página solo aparece si elige Sin supervisar para el Método de clasificación. Se crearon una serie de clases, en función de cuántas clases haya especificado y con las características de píxel o segmento de las imágenes de origen. Ahora, debe asignar significado a cada clase en función del esquema de clasificación que está utilizando. La parte superior de la página Asignar clases muestra la lista de clases del esquema, y en la parte inferior una tabla muestra las clases que se generaron.
- Seleccione una clase de la lista de esquemas en la parte superior de la página.
- Haga clic en la herramienta Asignar y seleccione clases del mapa de clases que desea asignar a la clase de esquema. Al asignar clases, revise las imágenes subyacentes para comprobar que la los valores de Nueva clase tengan sentido. Pulse la tecla L para cambiar la transparencia de la imagen clasificada. Inspeccione la tabla y confirme que ha actualizado el valor Clase antigua con la clase a la que se ha asignado. El color de la clase se actualizará para reflejar el esquema.
Si desactiva el mapa de clase en el panel Contenido para que se muestre la imagen de origen, puede hacer clic en entidades de las imágenes, por ejemplo, tejados grises o praderas, que continuarán reasignando las clases correspondientes en el mapa de clase.
Fusionar clases
Después de realizar una clasificación supervisada, puede fusionar varias clases en clases más amplias. Los nombres de la clase original se muestran en la columna Clase antigua de la página Fusionar clases. Si desea cambiar una clase entera, puede hacerlo aquí, pero tendrá que limitarse a las clases principales de su esquema. Por ejemplo, puede cambiar caducifolio a bosque, pero no puede cambiar caducifolio a agua en esta página. Para hacer ese tipo de ediciones o para cambiar las entidades individuales, utilice la página Reclasificador.
Evaluación de exactitud
Los resultados de su clasificación de imágenes se compararán con los Datos de referencia que proporcionó en la página Configurar para la evaluación de precisión. El esquema de clasificación del dataset de referencia debe coincidir con el de la imagen clasificada.
Número de puntos aleatorios
El número total de puntos aleatorios que se generarán.
El número real puede superar este número, nunca quedar por debajo, dependiendo de la estrategia de muestreo y el número de clases. El número predeterminado de puntos generados de manera aleatoria es 500.
Estrategia de muestreo
Especifique el método de muestreo que desea usar:
- Aleatorio estratificado: crea puntos que se distribuyen aleatoriamente dentro de cada clase y cada una tiene un número de puntos proporcional a su área relativa. Este método muestrea la imagen de forma que el número de puntos de muestra por clase sea proporcional al área por clase en la imagen. El resultado final de la evaluación de la precisión es representativo de la imagen. Esta es la opción predeterminada.
- Aleatorio estratificado ecualizado: crea puntos que se distribuyen aleatoriamente dentro de cada clase y cada una tiene el mismo número de puntos. Este método asigna el mismo número de puntos de muestra a cada clase, independientemente de la superficie que tenga cada clase en la imagen. El resultado final de la evaluación de la precisión no es representativo de la imagen, sino que mide la precisión dando el mismo peso a cada clase. Se trata de un método alternativo al muestreo aleatorio estratificado para la evaluación de la precisión.
- Aleatorio: crea puntos que se distribuyen aleatoriamente por toda la imagen. Este método muestrea los puntos aleatoriamente sobre la imagen. No existe estratificación, por lo que el resultado final de la evaluación de la precisión es representativo de la imagen; sin embargo, cuando se utiliza un número reducido de puntos de muestreo, algunas clases que representan áreas pequeñas pueden pasar desapercibidas o estar infrarrepresentadas.
Analizar la diagonal
La exactitud se representa de 0 a 1, de modo que 1 equivale a una exactitud del 100 %. Los colores van del azul claro al azul oscuro. Un azul más oscuro representa una precisión mayor. Los valores a lo largo de la diagonal representan la precisión general de la asignación de clases.
Analizar las celdas que están fuera de la diagonal
A diferencia de la diagonal, las celdas que están fuera de la diagonal muestran errores basados en omisión y comisión. Los errores de omisión hacen referencia a píxeles o segmentos que no se incluyeron en la clase correcta en la imagen clasificada, de modo que la clase verdadera se omite o disminuye en la clasificación. Los errores de comisión hacen referencia a la clasificación incorrecta de los píxeles en una clase, lo que aumenta falsamente el tamaño de la clase. Un error de omisión en una clase se cuenta como un error de comisión en otra clase.
Si desea examinar los valores de la matriz de error, cargue y abra la matriz de confusión de salida guardada en su proyecto o carpeta de salida. Este informe de errores, en formato .dbf, muestra el error del usuario y del productor para cada clase e incluye el acuerdo estadístico kappa para la precisión general.
Una vez que decida que la precisión de la clasificación de imágenes es aceptable para sus objetivos, puede continuar a la página final del Asistente para la clasificación. Si no es así, plantéese crear de nuevo las muestras de entrenamiento, ajustar los parámetros o utilizar una clasificación diferente, o bien probar con datos de referencia diferentes.
Reclasificador
Después de clasificar una imagen, puede haber errores pequeños en el resultado de la clasificación. Para corregir estos errores, suele ser más sencillo editar la imagen clasificada final en lugar de crear de nuevo sitios de entrenamiento y repetir cada paso de la clasificación. La página Reclasificador le permite realizar ediciones en entidades u objetos individuales en la imagen clasificada. Es un paso de procesamiento posterior diseñado para resolver los errores del proceso de clasificación. Todos los cambios que realice se muestran en el archivo Registro de ediciones y tiene la opción de activar o desactivar cualquiera de las ediciones que haya realizado. Al reclasificar la imagen para corregir errores, revise las imágenes subyacentes para comprobar que los objetos tienen sentido. Pulse la tecla L para cambiar la transparencia de la imagen clasificada.
- En Clase actual y Nueva clase, seleccione clases para la reclasificación.
- Reclasificar un objeto o clase dentro de una región.
- Use la herramienta Reclasificar objeto
para dibujar un círculo en la imagen clasificada. El segmento en el que se origina el círculo cambiará a la nueva clase. - Use la herramienta Reclasificar dentro de una región
para dibujar un polígono en la imagen clasificada. La clase actual de este polígono cambiará a la nueva clase.
- Use la herramienta Reclasificar objeto
- Verifique las ediciones que va a conservar o descartar utilizando el registro de ediciones y asigne al dataset clasificado final el nombre que se almacenará en la ubicación de salida que estableció en la página Configurar.