Skip To Content

Asistente para la clasificación de imágenes

Disponible con una licencia de Spatial Analyst.

La clasificación de imágenes de teledetección es un flujo de trabajo largo y en ocasiones lento con muchas fases de procesamiento necesarias para llegar del procesamiento previo a la segmentación, la selección de muestras de formación, la formación, la clasificación, el control de calidad y el procesamiento posterior. Los pasos son en muchos casos iterativos y, dependiendo de los resultados intermedios, pueden hacer necesario repetir el proceso varias veces para obtener unos resultados óptimos. Crear un mapa de clasificación exacto es un proceso intensivo, y los usuarios tendrán que conocer a fondo sus datos de entrada, el esquema de clasificación, los algoritmos de clasificación, los resultados esperados y la exactitud aceptable.

El Asistente para la clasificación guía a los usuarios por todo el flujo de trabajo de clasificación. El Asistente para la clasificación proporciona una solución integrada por prácticas recomendadas con una experiencia de uso simplificada que guiará a los usuarios a través del proceso de clasificación de un modo eficiente. El Asistente para la clasificación se encuentra en el grupo Clasificación de imagen en la pestaña Imágenes, que se puede invocar cuando se selecciona un dataset ráster en el panel Contenido.

Los usuarios con experiencia pueden ejecutar las distintas herramientas disponibles en el menú desplegable Herramientas de clasificación del grupo Clasificación de imagen. Estas herramientas coinciden con las incluidas en el Asistente para la clasificación, pero todos los parámetros están a la vista para que los usuarios con experiencia puedan manipularlos en función de las necesidades de sus datos y sus proyectos.

Configurar

Aquí se configura el proyecto de clasificación. Las decisiones que tome aquí habilitarán o deshabilitarán determinadas funciones en el flujo de trabajo de clasificación.

Método de clasificación

Cuando clasifica una imagen, puede optar por dejar que el equipo decida qué clases están presentes en función de diferencias en las características espectrales de los píxeles. Esto se conoce como clasificación Sin supervisar. Una vez completada la clasificación, tendrá que ir al dataset clasificado resultante y asignar a cada clase un nombre basado en un esquema. La otra opción es la clasificación Supervisada. Puede decidir las clases en las que desea clasificar la imagen en función de un esquema y pedirle al equipo que asigne cada píxel o segmento a una de esas clases.

Tipo de clasificación

Hay dos opciones para el tipo de método de clasificación elegido. El método basado en píxeles es un sistema tradicional que decide a qué clase pertenece cada píxel. No tiene en cuenta ninguna información de los píxeles circundantes. Aunque se considera un método más puro, puede llevar a un efecto granuloso en los resultados de la clasificación.

El tipo basado en objetos agrupa los píxeles vecinos según su similitud en un proceso conocido como segmentación. La segmentación tiene en cuenta las características de color y de forma al decidir qué píxeles se deben agrupar. Como este método esencialmente promedia los valores de los píxeles y tiene en cuenta la información geográfica, los objetos que se crean a partir de la segmentación se asemejan más a las entidades del mundo real presentes en las imágenes y los resultados de la clasificación son más limpios.

Esquema de clasificación

Se usa un esquema de clasificación para organizar todas las entidades de las imágenes en varias clases. Un esquema se guarda en un archivo de esquema de clasificación de Esri (.ecs), que usa la sintaxis JSON. A menudo, los esquemas son jerárquicos, lo que significa que puede tener una clase de bosques con las subclases perenne y caducifolio. El esquema predeterminado que se incluye procede del National Land Cover Dataset, que se centra en Norteamérica. También puede generar un esquema a partir de las muestras de formación o de un ráster clasificado. Si desea crear un esquema personalizado, seleccione el esquema predeterminado simple, que se puede editar desde la página Administrador de ejemplos de formación.

Localización de salida

Es un espacio de trabajo que almacena todas las salidas creadas en el Asistente para la clasificación, incluidos los datos de formación, las imágenes segmentadas, los esquemas personalizados, la información de evaluación de la exactitud, las salidas intermedias y los resultados de la clasificación.

Imagen segmentada

Si ya ha creado una imagen segmentada, puede agregarla aquí. Si no tiene una, podrá crearla en la página siguiente. Solo es una opción si el tipo de clasificación es Basado en objetos.

Muestras de formación

El usuario selecciona los sitios representativos de cada clase de cobertura de suelo en la imagen. Estos sitios se denominan muestras de formación. Una muestra de formación tiene información de ubicación (de punto o de polígono) y una clase de cobertura de suelo asociada. El algoritmo de clasificación de imágenes usa las muestras de formación para identificar las clases de cobertura de suelo en toda la imagen. Las muestras de formación se guardan como una clase de entidad que se crea en la página Administrador de ejemplos de formación. También puede importar las muestras de formación que se crearon en ArcGIS Desktop usando la barra de herramientas Clasificación de imagen.

Si ya ha creado un conjunto de muestras de formación, puede agregarlo aquí. En la página Administrador de muestras de formación, podrá crear muestras de formación si no lo ha hecho todavía. Las muestras de formación deben corresponderse con el esquema de clasificación. Una forma de garantizarlo es seleccionar la opción Generar a partir de muestras de formación bajo el parámetro Esquema de clasificación. Usar muestras de formación solo es una opción si el Método de clasificación es Supervisado.

Dataset de referencia

Debe suministrar un dataset de referencia si desea hacer una evaluación de exactitud de los resultados clasificados. Los datos de referencia se componen de entidades cuya identidad se conoce. Aunque puede haber errores en este dataset, su objetivo es ser exacto y fiable. Es la garantía de calidad con la que se comparan los resultados clasificados. Se compone de puntos, cada uno de los cuales se etiqueta con una clase de cobertura de suelo, capturada en el campo o en imágenes con una resolución más alta. Los puntos de referencia se guardan en una clase de entidad de puntos. Puede derivarse de imágenes clasificadas o de una clase de entidad.

Segmentación

La segmentación es un componente esencial del flujo de trabajo de clasificación basado en objetos. Este proceso agrupa los píxeles vecinos que tienen un color similar y comparten determinadas características de forma. Esta opción solo está disponible si ha seleccionado Basado en objeto como Tipo de clasificación en la página Configurar.

Hay tres parámetros que controlan cómo se segmentan las imágenes. Además, puede usar la opción Mostrar solo límites de segmento si desea visualizar los segmentos como polígonos. Después de ejecutar la segmentación, querrá ver la imagen subyacente para comprobar que los objetos tienen sentido. Pulse la tecla L para activar y desactivar la transparencia de la imagen segmentada.

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.

Detalle espectral

Establezca 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 dispone de entidades que desea clasificar por separado pero tienen características espectrales parecidas de alguna manera. Los valores más pequeños crean salidas más uniformes espectralmente. Por ejemplo, con un mayor detalle espectral en una escena de bosque, podrá distinguir mejor entre especies de árboles distintas.

Detalle espacial

Establezca el nivel de importancia dado a la proximidad entre entidades en las imágenes.

Los valores válidos abarcan 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, podría clasificar una superficie impermeable utilizando un menor detalle espacial o podría clasificar edificios y carreteras como clases separadas utilizando un detalle espacial mayor.

Tamaño de segmento mínimo

Fusiona segmentos más pequeños que este tamaño con su segmento vecino que mejor se ajuste.

Las unidades están en píxeles.

Administrador de muestras de formación

La página Administrador de muestras de formación se divide en dos secciones. Cuando se abre por primera vez, se ve la sección de administración de esquemas en la parte superior. Se habrá cargado automáticamente en función de la selección realizada en la página Configurar. Un esquema se guarda en un archivo de Esquema de clasificación (.ecs) de Esri, que usa la sintaxis JSON. Los esquemas son jerárquicos, lo que significa que tienen clases principales que albergan subclases más específicas. Un ejemplo de esto sería una clase principal de bosque integrada por árboles caducifolios y perennes. 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 Nuevo esquema y a continuación haga clic en el botón Agregar. Para crear una subclase, seleccione la clase principal y, a continuación, haga clic en Agregar. La subclase se organizará en la clase principal. También puede hacer clic con el botón derecho en cualquiera de las clases del esquema para eliminarla o agregar una nueva clase y editar sus propiedades.

Página Administrador de ejemplos de formación

En la sección inferior de la página aparecen todas las muestras de formación. El usuario selecciona los sitios representativos de cada clase de cobertura de suelo en la imagen. Estos sitios se denominan muestras de formación. Una muestra de formación tiene información de ubicación (de punto o de polígono) y una clase de cobertura de suelo asociada. El algoritmo de clasificación de imágenes usa las muestras de formación para identificar las clases de cobertura de suelo en toda la imagen. Las muestras de formación se guardan como una clase de entidad que se crea en la página Administrador de ejemplos de formación. También puede importar las muestras de formación que se crearon en ArcGIS Desktop usando la barra de herramientas Clasificación de imagen. Una vez que se han creado o importado, puede administrarlas eliminando las muestras de formación que no desee. Puede eliminarlas por separado o puede agruparlas. Para ello, selecciónelas y, a continuación, use el botón Eliminar. Cuando seleccione una muestra de formación, se seleccionará en la visualización del mapa. Si hace doble clic en una muestra de formación, se le aplicará el zoom.

Pasos para crear muestras de formación:

  1. Seleccione la clase a la que desee agregar muestras desde el Administrador de esquemas.
  2. Seleccione una de las herramientas de boceto o use el selector de segmentos para empezar a capturar las muestras de formación.
    1. Para usar el Selector de segmento, la imagen segmentada se debe cargar en el panel Contenido. Si tiene más de una capa segmentada en el panel Contenido, use el cuadro desplegable para seleccionar la capa segmentada desde la que desea capturar muestras de formación. Haga clic en el mapa para agregar el segmento como muestra de formación.

Tren

Seleccione un algoritmo de clasificación. Si ha seleccionado Sin supervisar como Método de clasificación en la página Configurar, su única opción será Cluster ISO.

Cuando haga clic en Ejecutar, no solo se formará y creará el archivo de firma (.ecd), también se procesará el ráster segmentado si no se ha hecho ya.

Cuando se complete la ejecución, puede revisar los resultados y comparar distintos algoritmos de clasificación.

Máxima probabilidad

El clasificador de máxima verosimilitud es una técnica tradicional para la clasificación de imágenes.

Árboles aleatorios

El clasificador de árboles aleatorios es una potente técnica para la clasificación de imágenes que resiste al exceso de ajuste y que puede funcionar con imágenes segmentadas y con otros datasets ráster antiguos. Para las entradas de imagen estándar, la herramienta acepta imágenes de varias bandas con cualquier profundidad de bit y realiza la clasificación de árboles aleatorios por píxel (denominada a veces clasificación de bosque aleatorio), según el archivo de entidades de formación de entrada.

Máquina de vectores de soporte

El clasificador de máquina de vectores de soporte (SVM) proporciona un método de clasificación eficaz que permite tratar una entrada de ráster segmentado 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. Se trata de un método de clasificación cuyo uso está muy extendido entre los investigadores.

Cluster ISO

El clasificador de cluster ISO realiza una clasificación no supervisada. Este clasificador puede manejar 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.

Clasificar

Esto guarda las salidas de la clasificación. Si no desea guardar el Archivo de definición de clase de salida (.ecd), deje ese campo en blanco.

Fusionar clases

Dependiendo del tipo de Método de clasificación que haya seleccionado en la página Configurar, tendrá una de dos opciones para fusionar las clases. Al fusionar o asignar clases, querrá ver la imagen subyacente para comprobar que las nuevas clases tienen sentido. Pulse la tecla L para activar y desactivar la transparencia de la imagen clasificada.

Fusionar clases tras una clasificación supervisada

En la tabla, en la columna izquierda, tiene la clase actual. Si necesita 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, tendrá que usar la página Reclasificador.

Fusión de clases supervisada

Asignar clases tras una clasificación sin supervisar

En la parte superior de esta página, tiene el esquema y una tabla que le permite asignar clases en la parte inferior en función del esquema.

Para asignar clases, siga los pasos que se describen a continuación:

  1. Seleccione una clase en el esquema (en la mitad superior) que desea asignar en el mapa.
  2. Use la herramienta Asignar para seleccionar las áreas del mapa que desea asignar a esa clase. Inspeccione la tabla y verá que ha actualizado la clase antigua con la clase a la que se ha asignado. El color de la clase se actualizará para reflejar el esquema.

Evaluación de exactitud

La evaluación de exactitud usa los datos de referencia que seleccionó en la página Configurar. Los valores del dataset de referencia deben coincidir con el esquema. Los datos de referencia pueden tener varios formatos diferentes:

  • 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 formación. Para garantizarlo, puede crear el dataset de referencia usando el Administrador de muestras de formación.
  • 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 exactitud. Si usa un archivo y desea convertirlo en el formato correcto, use la herramienta de geoprocesamiento Crear puntos de evaluación de la exactitud.

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 esquema de muestreo que desea usar.

  • Aleatorio estratificado: crea puntos que se distribuyen aleatoriamente dentro de cada clase, de modo que cada una tiene un número de puntos proporcional a su área relativa. Esta es la opción predeterminada.
  • Aleatorio estratificado ecualizado: crea puntos que se distribuyen aleatoriamente dentro de cada clase, de modo que cada una tiene el mismo número de puntos.
  • Aleatorio: crea puntos que se distribuyen aleatoriamente por toda la imagen.

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 color más oscuro representa una exactitud mayor.

Evaluación de exactitud

Analizar las celdas que están fuera de la diagonal

A diferencia de la diagonal, las celdas que están fuera de ella muestran errores basados en omisión y comisión. Los errores de omisión muestran falsos positivos, donde los píxeles se clasifican incorrectamente como una clase conocida cuando deberían haberse clasificado de otro modo. Un ejemplo podría ser donde la imagen clasificada dice que un píxel es impermeable pero en realidad el terreno indica que es bosque. La clase impermeable tiene píxeles extra que no debería tener según los datos reales del terreno. Los errores de comisión son falsos negativos en los que los píxeles de una clase conocida se clasifican como algo diferente a esa clase. Un ejemplo podría ser donde la imagen clasificada dice que un píxel es bosque pero en realidad es impermeable. En este caso a la clase impermeable le faltan píxeles según los datos reales del terreno.

Los errores de omisión se conocen también como errores de exactitud del usuario o de tipo 1. Los errores de comisión se conocen también como errores de exactitud del productor o de tipo 2.

Reclasificador

Después de clasificar una imagen, es probable que encuentre errores pequeños en el resultado de la clasificación. Para resolverlos, suele ser más fácil editar la imagen clasificada final en lugar de volver a crear sitios de formación y repetir el proceso. Use esta página para realizar cambios en entidades u objetos individuales. Puede seleccionar una entidad y volver a clasificarla como otra clase que desee. Es un paso de procesamiento posterior diseñado para resolver los errores en el proceso de clasificación. Todos los cambios que realice se muestran en el registro de ediciones. Tiene la opción de activar o desactivar los cambios que haya efectuado. Al reclasificar la imagen para limpiar errores, querrá ver la imagen subyacente para comprobar que los objetos tienen sentido. Pulse la tecla L para activar y desactivar la transparencia de la imagen clasificada.

Use la herramienta Reclasificar objeto Reclasificar un 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 Reclasificar dentro de una región para dibujar un polígono en la imagen clasificada. La clase actual de este polígono cambiará a la nueva clase.

Temas relacionados