Loading

Module 1: Filtrado de imágenes y clasificación

Apuntes
Study Reminders
Support
Text Version

Clasificación de imágenes sin supervisión

Set your study reminders

We will email you at these times to remind you to study.
  • Monday

    -

    7am

    +

    Tuesday

    -

    7am

    +

    Wednesday

    -

    7am

    +

    Thursday

    -

    7am

    +

    Friday

    -

    7am

    +

    Saturday

    -

    7am

    +

    Sunday

    -

    7am

    +

VIDEO 1

Hola a todos y bienvenidos a una nueva discusión y hoy vamos a discutir la clasificación de imágenes sin supervisión y las técnicas de corte de densidad. Usted sabe que la clasificación de la imagen de clasificación y es el propósito principal de eso es saber para reducir el número de variación entre los valores de pixel a sólo unos pocos. Para que podamos utilizar estas imágenes una vez que se clasifican directamente a varios propósitos como el terreno geológico, la exploración de minerales, la cartografía de alteración, el uso de la tierra y la cubierta de la tierra que es o la cartografía de la vegetación o muchas otras cosas y podemos utilizar esto por lo que esta es una lista no exhaustiva. La clasificación de la imagen de clasificación es generalmente de 2 tipos uno es una clasificación de supervisión y otra es la clasificación no supervisada. En la clasificación no supervisada lo que hacemos nosotros sometimos la imagen a la básicamente al software que está teniendo algunos algoritmos inconstruidos. Y en base a eso clasifica las imágenes y hay diferentes técnicas para las técnicas de clasificación no supervisadas. Así que uno puede elegir que quiero clasificar mi imagen usando este algoritmo y una vez que elijo entonces la imagen es clasificada. Así que las intervenciones humanas o la inteligencia humana se utilizan de una manera muy limitada. Sin embargo, en el caso de supervisar la clasificación a través del proceso de clasificación, la intervención humana juega un papel muy importante. Y algunas veces se obtiene una mejor salida usando ir para supervisar la clasificación en términos de precisión entonces la clasificación no supervisada. Por lo tanto, la clasificación no supervisada está básicamente explotando la variabilidad espectral que está en los píxeles en un compuesto de color y utilizando un algoritmo particular que usted clasifica. Por lo tanto, la clasificación de imágenes es básicamente una ciencia de usted sabe convertir sus datos de detección remota o imágenes en una categoría significativa que representa la condición de la superficie o las clases. Una imagen es básicamente un dato continuo y si hablo de un escenario de una sola banda y un escenario de 8 bits, entonces los valores dentro de una imagen pueden variar entre 0 y 255. Este es el mejor escenario posible que valora. Sin embargo, como usted ha visto a través de varios ejemplos que generalmente histogramas de imagen cruda nuestra imagen de entrada no ocupa el rango dinámico completo. Así que en esta clasificación de imagen lo que hacemos categorizamos en lugar de tener un rango dinámico completo de 2 aproximadamente usted puede decir en una sola imagen de banda que usted está teniendo puede tener 255 clases. Así que usted está reduciendo ese número a sólo tal vez 5, 6, 7 categorías de tal vez usos de la tierra tal vez la cubierta de la tierra tal vez la litología o muchas otras cosas que utilizamos en diferentes aplicaciones. Por eso es por lo que llamamos como categorías significativas que representan condiciones de superficie o en especie también llamamos clases.
Y de alguna manera también podemos llamar como una extracción de características porque después de todo esto son características tal vez una característica de bosque, tal vez una característica de línea de construcción, tal vez una característica de ahogamiento, tal vez un río, una montaña y así sucesivamente. Así que el objetivo final es la clasificación de imágenes supervisado o no supervisado es para extraer características y o a veces decimos extracciones de objetos también. Así que este es un reconocimiento de patrón básicamente espectral que produce clasificar un píxel de una imagen basada en su patrón de mediciones de radiación después de que toda una imagen está teniendo esta medición radiante tal vez en términos de reflexión o emisión.
Por lo general, realizamos la clasificación de imágenes en las imágenes que representan valores reflejados. Y esa es la cosa más común. Sin embargo, también podemos tener un reconocimiento de patrón espacial y que clasifica un píxel basado en su relación con el píxel circundante. Por lo tanto, en este reconocimiento de patrón espacial y los píxeles de barrio que están en el vecindario también se consideran sin embargo este tipo de reconocimiento de patrón porque la clasificación de la imagen es también una especie de reconocimiento de patrón. Así que este tipo de reconocimiento de patrones espaciales en lugar de reconocimiento espectral de patter es relativamente complejo y difícil de implementar y por lo tanto nosotros y no vemos esta parte de la comprensión ha sido implementada en el software normal. Y si alguien quisiera hacerlo entonces uno tiene que buscar realmente las mejores opciones posibles o de otra manera por sí mismo tiene que crear un programa. Por lo que el reconocimiento del patrón espectral o usted sabe que se basa en un píxel en su patrón o medidas radiantes es fácil y ha sido implementado por un gran software. Y puesto que como saben, hemos estado hablando de que después de la creación de un Landsat 1 en 1972 muchos de los datos o archivos están disponibles de todos los alrededor de 47, 48 años de datos está allí y los datos están todos disponibles sin costo. Así que la gente también quisiera haber comenzado a usar este archivo orestos archivos de diferentes sensores o estos datos de sensores remotos en el reconocimiento de patrones temporales cómo las cosas están cambiando? Gran parte de ahora actualmente el uso principal de los datos de detección remota y especialmente estos datos de archivo está en análisis de tendencias. Los estudios de detección de cadena que significan el reconocimiento de patrón temporal. Así que ese tipo de reconocimiento de ese tipo de trabajo está ocurriendo especialmente porque muchos cambios se están produciendo ya han tenido lugar debido al cambio climático o al calentamiento global. Y por lo tanto este antiguo dato de 1972 en adelante de los datos de teledetección se ha convertido en un muy buen activo y que también como usted sabe que las imágenes de detección remota registra las cosas sin problemas porque después de todo hay un instrumental o un sensor que escanea y graba las cosas. No hay intervenciones humanas o influencias en las imágenes cuando estas están siendo grabadas. Así que estas son las verdaderas grabaciones sin sesgo de grabación de los eventos, registro imparcial de las características o usted conoce las clases o condición de la superficie de ese tiempo. Si se han registrado en 1972, esta fue la situación en 1970. Así que si quiero comparar entre 1972 y 2019 puedo usar estas 2 imágenes y puede ver los cambios de patrón temporal o la detección de cambios que puedo hacer. Por lo tanto, es otra gran aplicación de los datos de detección remota archivados en el patrón de cambio temporal. Esta parte que acabo de mencionar que es la clasificación no supervisada y la clasificación supervisada dos técnicas están allí. Aquí lo que hacemos en una clasificación no supervisada que vamos a discutir más aquí en esta discusión en particular que se agrega en la agrupación espectral natural o el clúster o categorías porque después de toda la imagen es como he mencionado es un continuo. Los valores de píxel de cojinete continuo están ahí en una matriz de 2 dimensiones y ¿qué en la clasificación que estamos tratando de hacer? Estamos poniendo estos píxeles en diferentes categorías o clústeres. Y en este porque esto no está supervisado por completo basado en el algoritmo por un software en la computadora. Por lo tanto, no hay conocimiento de la clase de cobertura de tierra temática en esta etapa sólo cuando vamos y hacemos una clasificación sin supervisión sobre y digamos falso compuesto de color. Lo que decimos que quiero clasificar en 7 clases y quiero usar este algoritmo que vamos a discutir. Así que una vez que hayas elegido estas 2 cosas la computadora o un software clasificarán. Pero allí sin tener ningún conocimiento o inteligencia las intervenciones humanas solo están a la altura de estas 2 etapas. El número de clases que declara y el algoritmo qué método desea utilizar. Cuando como en el caso de la clasificación supervisada que se basa en el aspecto como la mayoría de los que probablemente este grupo de píxeles están cayendo en esta categoría. Y por lo tanto a través de intervenciones humanas a través de la selección de los conjuntos de entrenamiento y áreas de entrenamiento usted y usted pone ciertos insumos de su propio basado en su interpretación e inteligencia y luego el resto es hecho por la computadora. Y cuando vamos por clasificación supervisada aunque es tiempo de consumir y requiere un conocimiento previo de esa zona de la que se está clasificando la imagen. Una vez que se dispone de información previa, entonces podremos crear una muy buena producción a través de una clasificación supervisada y no de una clasificación de supervisión. De modo que lo que decimos exactitud parte, por supuesto, sería mucho mejor con la clasificación supervisada debido a la inteligencia humana será utilizado. Así que aquí en la clasificación supervisada los pixeles de las vigas de categorización supervisados por eso se llama supervisar la clasificación a través de las intervenciones humanas. Mientras que en caso de clasificación no supervisada todo se está haciendo a través de ordenadores. Ahora cuando vemos los pasos básicos en la clasificación supervisada que acabo de mencionar los juegos de selección de la selección. Así que aquí se da un ejemplo de que esta es mi imagen de entrada y he seleccionado un conjunto de entrenamiento y diciendo que este número de este píxel pertenece al cuerpo de agua este es por supuesto el esquemático esto pertenece a la arena, este bosque, esto es urbano, esto es maíz, esto es heno. Así que una vez que este es el entrenamiento que he dado ahora entrenando a la computadora para reconocer las diferentes características en la imagen y una vez que se hace entonces comparar cada pixel desconocido a patrón espacial que he proporcionado la entrada. Y luego averiguar las características similares de píxeles en toda la imagen y asignar diferentes categorías como aquí se ha hecho. Así que F es por supuesto bosque aquí y entonces tal vez C para la cubierta de maíz o el campo de maíz y W para el agua y así sucesivamente. Así que la etapa de salida que está presente aquí que está mostrando el número de clases que están aquí el número de clases que somos elegidos lo que total 6 y su salida será también 6 pero las intervenciones humanas están allí. Así que en la etapa de entrenamiento determinamos el básicamente el éxito de la clasificación mejor la formación entrenada que proporcionamos a la computadora para reconocer un pixel similar basado en sus características respectivas más alta la precisión que vamos a lograr. Y eso es una mayor formación es básicamente difícil de supervisar la clasificación. Ahora en un momento en el que he estado discutiendo acerca del histograma en ese momento también soy las curvas espectrales que dije que estos son los fundamentales del procesamiento de la imagen digital de teledetección. Y esas cosas vuelven a visitarlo para una discusión diferente. Ahora aquí este es el histograma de la imagen y mientras que mirar por supuesto esto es esquemático, pero mirando estos podemos identificar diferentes que usted conoce diferentes características que están presentes dentro de una imagen en una banda en particular. En general, el agua tendrá una menor reflexión, así que como estamos viendo y tierra abierta tierra sin medios que usted sabe sólo una parte de la tierra que podemos tener un mayor pixel valores y la vegetación diferente puede tener diferente tierra puede tener otras cosas. Pero el mismo histograma también podemos trazar en un 2 dimensional o que de esa manera llamamos como una trama de dispersión. Y cuando hacemos esto porque en el histograma de una sola imagen dondequiera que el solapamiento esté allí como en esta parte, entonces es difícil desconectar o escoger el frente de las características que están presentes en la imagen. Pero cuando usamos las 2 bandas por lo que ahora desde el escenario de una sola banda a multiespectral cuando vamos para multi espectral nuestra discriminación de diferentes objetos se vuelve mucho más fácil. Y así, cuando estas características son trazadas son de color amarillo, y el azul está en el suelo, el rojo es la vegetación y estos estrangulos que usted está viendo en la parte de la tierra. Entonces ahora es más fácil, excepto la superposición entre la vegetación y el suelo. Excepto esa parte, es más fácil discriminar entre esto y lo urbano a través de un histograma de 2 dimensiones. Pero si vamos por un histograma dimensional que se llama el espacio de características. Lo que vemos aquí que la discriminación ahora 3 bandas están en una banda x banda y y banda z. Así que cuando estos tres son utilizados entonces la discriminación desacreditada entre diferentes objetos se vuelve mucho más fácil y la superposición que hemos estado viendo en la vegetación y el suelo en un histograma bidimensional o una trama de dispersión no es más allá. Y podemos discriminar diferentes objetos de forma variada. Así que el escenario de una sola banda es muy difícil de identificar un objeto diferente que está presente en la imagen de diferentes características. Pero cuando vamos por 2 dimensiones que es la trama de dispersión algunos objetos pueden ser discriminados pueden ser aislados muy fácilmente. Mientras que todavía algún solapamiento podría estar allí. Pero cuando vamos por tres dimensiones entonces las cosas se vuelven porque tres bandas en lugar de 1 banda, 2 bandas. Ahora se están utilizando 3 bandas y luego la discriminación y el espacio de características se vuelve mucho más fácil.


VIDEO 2

Ahora en la clasificación no supervisada básicamente esto es lo que se hace como se puede ver el histograma tridimensional se muestra aquí o usted sabe que el espacio de características se muestra la banda 4, la banda 5, y la banda 6 de Landsat TM se ha trazado diferentes características que es una clase 1, clase 2, clase 3, clase 4 todos están allí. Y fácil de discriminar y una vez que declaramos al sistema que quiero clasificar esta imagen una imagen de color con 3 imagen de banda en 7 clases y quiero usar este método de clasificación entonces la clasificación se vuelve mucho más fácil. Aunque es no supervisado puede no ser tan preciso como supervisado, pero para la clasificación supervisada el conocimiento previo es muy necesario de esa área de la que la imagen pertenece a este tiene que recordar. Así que aquí no en caso de clasificación no supervisada no se requiere conocimiento previo y la computadora básicamente categoriza o agrupa todos los píxeles de acuerdo a sus relaciones espectrales y busca la agrupación natural como lo que tiene están viendo en este espacio de características o histograma tridimensional. Y asume a través de esta agrupación que las diferentes clases de cobertura de tierra no serán pertenecientes a la misma agrupación. Y una vez creado el analista para el usuario evalúa su utilidad y puede ajustar los parámetros de agrupación. Y también mostramos un ejemplo también a través de una imagen clasificada sometida a clasificación no supervisada. Así que después de comparar la imagen reclasificada basada en las clases espectrales porque esto es lo que se está haciendo aquí en datos de referencia no supervisados a tierra si usted está teniendo al usuario puede determinar qué tipo de cubierta de tierra las clases espectrales corresponden o a través de nuestra propia experiencia de interpretación de imagen si he clasificado una imagen en 4, 5 clases y al ver un compuesto de color falso puedo identitario que hay un cuerpo de agua, hay un bosque, hay una tierra construida, hay una tierra de agricultura y hay un suelo desnudo. Y como sabio voy a identificar y agrupar y poner sus nombres también. Así que esa es la ventaja que esto tiene sobre la clasificación de supervisión que debido a que el clasificador identifica las distintas clases espectrales. Así que el sesgo que el ser humano puede tener no prevalecerá en caso de clasificación no supervisada. Así que muchos de los cuales no tendrían aparente en la clasificación supervisada y si fueran muchas clases habrían sido difíciles de entrenar a todos ellos. Por supuesto mejores resultados cuando llegamos cuando estamos teniendo muchas agrupaciones y no muchas clases presentes en una imagen. Pero si hay una gran cantidad de una heterogeneidad presente en una imagen, entonces si usted va para la clasificación supervisada o no supervisada la precisión reducirá significativamente. Así que pero si se tiene que realizar entonces se tiene que realizar. Y aquí también el algoritmo de clustering disponible tal vez el medio K y el análisis de textura en caso de clasificación no supervisada. Así que una imagen ha sido sometida a una clasificación no supervisada antes de la clasificación se declaró que el clúster que usted sabe crear 15 clases. Ahora puedo reagrupar estas clases y crear una mejor imagen en lugar de tener 15 clases. Así que eso puede ser así yo puedo crear un mapa mucho mejor. Ahora no debería llamar como imagen ahora un mapa que puede ser un mapa de uso de la tierra usando la imagen del satélite. Así que este número de racimos o clases se puede reducir en lugar de 15 se puede reducir a 7, 8 por reagrupación que implica o usted sabe aplicar algunas intervenciones humanas como la clase que está mostrando el cuerpo de agua una clase adyacente que está mostrando el agua poco profunda. Así que si no quiero en mi mapa agua poco profunda y agua profunda juntos por separado entonces lo que voy a hacer voy a fusionar estas 2 clases en uno como un cuerpo de agua. Y por qué voy a reducir el número de clases y mi mapa que es una salida a través de la clasificación no supervisada se vuelve mucho más utilizable para muchas aplicaciones. Ahora llegamos a otra discusión que es también una manera no supervisada de clasificar la imagen a través de la división de la densidad o en alguna literatura usted puede encontrar que dicen la rebanada de la imagen. Así que la densidad de corte de la imagen de corte y aunque el aquí es generalmente se hace en una sola banda. Por lo tanto, cuando tiene píxeles que se distribuyen a lo largo del eje x en un histograma principal. Se dividen en series de intervalos o cortes especificados por el usuario. Así que estás teniendo un histograma puedes rebanar el histograma en diferentes rebanadas como en una barra de pan puedes crear las rebanadas. Las rebanadas pueden ser de igual tamaño o rebanadas pueden ser de diferentes tamaños en función de sus necesidades. Por lo tanto, todos estos valores de píxeles que caen dentro de un intervalo dado se muestran en un solo color o un solo valor en la imagen de salida y por qué lo que está haciendo a través de la división de la densidad también que la variabilidad que estaba presente en la imagen se reduce a sólo pocas rebanadas o pocas clases por las que se puede convertir una imagen fácilmente en 2 rebanadas diferentes y diferentes clases. Así que este proceso la conversión de tono continuo y gris. Cuando el tono gris cuando se menciona significa el escenario de una sola banda y la imagen en una serie de intervalos de densidad o rebanadas y cada porción representará un rango digital específico. Por ejemplo, aquí estamos viendo que una imagen de entrada está aquí y se ha clasificado que los píxeles que tienen un valor entre 0 y 15 tienen un color rojo asignado. También se asignará un nombre de categoría en una región en la que los valores de 0 a 15 puedan ser cuerpos de agua. Ahora valora los valores de píxeles que 116 a 132 son verdes tal vez su vegetación y así sucesivamente. Así que aquí el slicing se hace así. Ahora aquí lo que es básicamente se hace en este ejemplo es una especie de corte de un conocido casi del mismo grosor. A veces no es necesario rebanar una imagen en el mismo espesor como una barra de pan como dije. Todas las secciones no tienen que ser del mismo grosor que puede cambiar y pueden crear una salida directa desde un mapa de nivel gris. Ahora hay algunas otras técnicas de clasificación que voy a discutir muy brevemente y que es un píxel basado en el que hemos estado discutiendo hasta ahora contra la clasificación orientada a objetos porque estos clasificadores también se hacen populares y estos han sido los clasificadores orientados a objetos se están volviendo populares y estos también se han implementado en varios programas de software. Así que en la mayoría de estos clasificadores de imágenes una clasificación que se basó en el procesamiento de todo el pixel de escena por pixel. En una base de pixeles y esto es común decimos por pixel o por pixel based classification. Sin embargo, ahora es posible hacerlo con una clasificación orientada a objetos que permite al usuario descomponer básicamente el segmento de la imagen en muchos objetos de imagen relativamente homogéneos. Los pixeles que tienen casi los mismos valores son considerados como un objeto referido como parches o segmentos usando un proceso de segmentacion de imagen de resolucion de mutli. Así que aquí en lugar de multiespectral también se puede tener una segmentación de imágenes de múltiples resoluciones. Por lo tanto, varias características estadísticas de estos objetos de imagen homogéneos en la escena son entonces sometidos a la estadística estadística tradicional o a la clasificación lógica difusa. La ventaja porque nos estamos moviendo de la clasificación basada en píxeles a la clasificación orientada a objetos porque para la misma área que usted puede tener puede ser tener imágenes de diferente resolución. Y Si quiero saber utilizar estas imágenes de resolución múltiple de la misma área para una mejor clasificación, entonces este es el enfoque que va para el clasificador orientado a objetos. Aunque la comprensión relativamente inteligente en el punto de software del punto de vista de la codificación es poco difícil. Sin embargo, esta clasificación orientada a objetivos que se basa en la segmentación o descomposición de la imagen se utiliza a menudo para el análisis de imágenes de alta resolución espectral. Por lo tanto, la clasificación no supervisada y generalmente es buena para las imágenes de resolución de curso moderado o conocido. Pero como una resolución espacial está mejorando día a día de todos los sensores en diferentes satélites. Así que las nuevas técnicas de clasificación tienen que ser evolucionadas y esta clasificación orientada a objetos es una de ellas. Por ejemplo, aquí un 1 por 1 metro de imágenes de espacio que es un IKONOS aquí es el nombre del satélite en el que los datos pancromáticos de una resolución de un metro se hizo posible o estaba disponible. Luego tuvimos un satélite de palabras rápidas por el mundo digital y esta es una resolución de 61 centímetros de 0.61 metros. Así que a medida que avanzamos hacia resoluciones más altas y más altas, no se pueden aplicar las técnicas convencionales de clasificación. Y por lo tanto uno tiene que moverse hacia la clasificación orientada a objetos. Así pues, esto pone fin a este debate, sobre todo sobre tres cosas que hemos debatido aquí. Y una es sobre su clasificación no supervisada y cuáles son la limitación también y cuáles son las ventajas.
Y la segunda es la densidad de corte de una técnica muy común para reducir el número de rangos en los píxeles a en cuatro grupos de categorías. Y tercero para la clasificación orientada a objetos de imágenes satelitales de alta resolución espacial. Esta parte lo hemos hecho de una manera muy breve. Pero esto trae consigo sólo la comparación de cómo se están moviendo las cosas y cuáles son los nuevos desarrollos que están teniendo lugar. Así que esto lleva al final de esta discusión muchas gracias.