Las imágenes de teledetección siempre cubren una gran área geográfica con alta frecuencia temporal. Para comprender y derivar fácilmente la información sobre el uso de la tierra y la cubierta terrestre, siempre es necesario procesar la interpretación y clasificación de las imágenes. El píxel de imagen se ha empleado como unidad básica de análisis desde principios de la década de 1980.
Por lo tanto, la clasificación de imágenes es el proceso de asignar clases de cobertura terrestre a píxeles. En la teleobservación, las imágenes fotográficas se agrupan en diferentes clasificaciones. Estas clasificaciones se agrupan en tres:
Clasificación manual
Clasificación Basada en Píxeles
- Clasificación de imágenes supervisadas
- Clasificación de imágenes no supervisadas
Clasificación de imágenes basada en objetos o características
Las técnicas de clasificación de imágenes supervisadas y no supervisadas se consideran las categorías principales. Supervisado es principalmente una clasificación guiada por humanos. En contraste, la clasificación no supervisada es calculada por el software.
1. Clasificación manual
La clasificación manual se refiere a la interpretación y clasificación de imágenes de teledetección por el ojo humano. Antes del avance tecnológico, era el método principal que se utilizaba en la clasificación de imágenes. En la era de la digitalización, el método manual se ha integrado con el uso de computadoras. Es más fiable cuando se trata de pequeñas superficies geográficas.
2. Clasificación basada en píxeles
La clasificación basada en píxeles se divide además en dos
Clasificación de imagen supervisada
Como se indicó anteriormente, las imágenes supervisadas son principalmente una clasificación guiada por humanos. Los analistas de imagen humana desempeñan un papel crucial. Especifican los valores de emisión de reflexión multiespectral de cada clase de cubierta terrestre o uso del suelo. En resumen, los analistas supervisarán el proceso de clasificación de píxeles a través de tres etapas: capacitación, asignación y pruebas.
La capacitación es donde los analistas pueden identificar una muestra de píxeles de una membresía de clase conocida recopilada a partir de datos referenciados. Dichos datos podrán incluir fotografías aéreas o mapas existentes. Los píxeles de entrenamiento se utilizan para derivar varias estadísticas para cada clase de cubierta terrestre. En la etapa de asignación, las imágenes se clasifican y asignan a las clases en las que muestran las mayores similitudes en función de los resultados estadísticos. Por último, en la etapa de prueba, se selecciona un grupo de píxeles de prueba y se comparan las diferentes identidades de clase. La comparación se basa en los datos de referencia y las propiedades espectrales de cada píxel de la imagen. Los resultados se basan en una matriz de errores en función de los acuerdos y desacuerdos de las muestras de prueba. Al completar las tres etapas, un analista puede evaluar la clasificación de imágenes para cada clase de cubierta terrestre.
Aparte de esto, se ha desarrollado un gran número de métodos de clasificación supervisados. Estos algoritmos incluyen;
- Clasificador de Máxima Verosimilitud
- Clasificador de Distancia mínima a medias
- Clasificador de Distancia Mahalanobis
- Clasificador K-Vecinos más Cercanos
- Máquina Vectorial de soporte
Clasificación de imágenes sin supervisión
La clasificación no supervisada es donde las agrupaciones de píxeles con características comunes se basan en el análisis de software de una imagen sin que el usuario defina los campos de capacitación para cada clase de cobertura terrestre. Todo esto se hace sin la ayuda de datos de entrenamiento o conocimientos previos. La responsabilidad del analista de imágenes es determinar las correspondencias entre las clases espectrales que define el algoritmo.
En la clasificación sin supervisión, hay dos pasos básicos a seguir. Estos incluyen; generar clústeres y asignar clases. Utilizando el software de teledetección, un analista creará primero grupos e identificará el número de grupos a generar. Después de esto, asignan clases de cobertura terrestre a cada grupo. Todo esto es posible gracias al uso de algoritmos como;
- K-significa
- Análisis Iterativo de Datos Autoorganizados (ISODATA)
3. Clasificación de imágenes basada en objetos
Este tipo de clasificación de imágenes emplea el uso de objetos geográficos como unidad básica de análisis. Los métodos basados en objetos generan objetos de imagen segmentando imágenes y realizando la clasificación en los objetos en lugar de píxeles. Estas imágenes se forman y clasifican utilizando diferentes métodos. Estos son; información contextual espacial, espectral, textural y geográfica de la fotografía.
Los ejemplos de clasificadores de algoritmos basados en objetos incluyen;
- Segmentación de imágenes
- Técnicas de análisis de imágenes basadas en objetos que incluyen E-cognición y Analista de características Arc GIS