Loading

Module 1: Filtrado de imágenes y clasificación

Apuntes
Study Reminders
Support
Text Version

Filtrado y clasificación de imágenes-Demostración

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

    +

Vídeo 1

En éste vamos a discutir tres manifestaciones o 3 técnicas que ya hemos cubierto en nuestras discusiones o en conferencias. Uno es el filtrado de convolución que voy a mostrar cómo puede editar los filtros disponibles en un determinado software. Y luego el análisis de componentes de principio y una técnica más es el tramo de decoro. Así que primero voy a ir a esta manifestación. En este software como hemos estado usando esta imagen voy a seguir usando que es imagen de punto de Moscú y luego y lo que vamos para comprobar esta técnica de filtrado y en este vamos aquí para un su hogar y luego multiespectral y esta opción de filtrado aquí. Así que vamos a ir a filtrar opciones y aquí vamos por conversión de convolución de conversión. Muchos de los filtros ya hechos están ahí y cada vez que elijo cualquiera de estos en este lado derecho en la imagen en sí y los efectos se toman y la vista previa se muestra básicamente. Así que si acepto cualquiera de estos esto es lo que voy a conseguir voy a obtener resultados por ejemplo como este. Así que puedo elegir cualquiera pero lo que quiero me gustaría mostrar que uno también puede hacer como. Supongamos que si voy para la mejora de borde y utilizando un filtro 7/7 es así como el 7 este filtro se ve. Así que porque hay decir que es un filtro grande y el valor central es de tosca +97 porque este es un filtro de paso alto. Por lo tanto, la variación local sería resaltada y las variaciones regionales se reducen, por lo tanto, todos los demás valores celulares de este filtro de convolución son negativos o -1. Y así, pero si quiero cambiar el tamaño aquí puedo diseñar mi propio filtro. Así que puedo cambiar mi tamaño como de 7 automáticamente irá a 9 y lo siento 9 y luego 11 puedo elegir 11/11. Y entonces tengo que proporcionar los valores para todas estas cosas. Y una vez que esté ahí puedo ejecutar el este filtrado de convolución. Muchas opciones ya están en el software. Así que diferentes softwares de grueso proporcionará un tipo diferente de filtros y uno también puede diseñar y si veo el ejemplo de filtro de paso bajo que también de 11/11 como se puede ver aquí estas son 11 filas y 11 columnas están allí 11 columnas están allí y en el ya que es low pass filtro por lo que cada valor es 1.Tanto de promediar se hará y luego obtendrá resultados en consecuencia. Pero si quieres ver una rápida revisión de lo que vas a tener en la ventana de la derecha automáticamente llega muy rápido aquí. Así que es el que hay otros filtros bien bien establecidos como Sobel 1 2 y 7 por 7 5/5 y los filtros direccionales todo tipo de posibles filtros que uno puede pensar que ya están en construcción. Pero un todavía requerido según sus requisitos también puede agregar el diseño de su propio filtro y luego ejecutar las cosas en consecuencia. Ahora vamos a estar en la misma imagen que vamos a ver este análisis de componente principal. Así que cuando vamos para el análisis de componentes principales nosotros lo que encontramos aquí que esta es la opción que está disponible a través de botones espectrales. Y aquí podemos elegir si puedo realizar en toda la imagen o en una imagen pequeña y luego puedo de tosco tengo que proporcionar y el lugar donde me mantendré. Por lo tanto, me mantengo aquí y entonces puedo decir que el coordinador de bilk de donde van a venir para que estos detalles también se pueda proporcionar. Voy a decir que lo que usted sabe en el registro de sesión y también escribir estas eigen matriz y valores de eigen como este, así que estos también se pueden escribir en una ubicación que voy a proporcionar. Así que la ubicación que estoy proporcionando es temporal aquí y mismo aquí estoy proporcionando la ubicación de la carpeta temporal y la C Drive ok. Y una vez que vaya usted también puede abrir el registro más tarde y puede ver la matriz también. Así que voy a aceptar si es un archivo grande una vez puede ir en modo de proceso por lotes o uno quisiera realizar en múltiples y hay algunas otras opciones también están allí. Así que por el momento no soy de ordinario cuántos componentes se desean ya que es un compuesto de tres bandas de color falso. Así que los tres componentes son deseados a partir de esto. Ahora el proceso puede tardar algún tiempo y seguirá mostrándonos el estado. Y una vez que se hace entonces se pueden ver componentes individuales también. Como usted sabe que en el componente principal a la máxima variabilidad vendrá en el componente 1 y en el componente 3 podría estar teniendo la variabilidad mínima o simplemente el componente de ruido podría estar allí. Si hubiera dicho 6 bandas escenario como en Landsat allí TM y luego entonces podemos saber que no incluye bandas de banda térmica. Así que estoy diciendo 6 de lo contrario hay 7 bandas. Así que si tomo este escenario de 6 bandas entonces la última banda que puedo ir para 6 componentes y el último componente swill tiene completamente ruido allí. Así mismo, puedo conseguir esos valores pero muy fácilmente. Ahora voy a ir y comprobar que donde ha guardado el grueso y estos archivos estarían allí, pero déjenme que me deje ir por esto estos son los dos archivos que ha creado. Y si abro estos archivos voy a encontrar tal vez el bloc de notas que puedo abrir y luego voy a encontrar estos dos vectores eigen y la matriz de eigen también. Así se puede obtener la información estadística sobre los principales componentes. Y en segundo lugar de grueso voy a conseguir la imagen aquí y así que vamos a tener imagen también. Así que abro que uno vaya por esto y esta es la imagen que se ha creado aquí. Y este es el y estos componentes están aquí y yo puedo de grueso obtener diferentes imágenes y hay así que puedo conseguir sólo la una capa aunque se le asigna color rojo no importa. Puedo cambiar mi multiespectral que tengo todas las capas justo en uno y este es el componente uno que está teniendo la máxima variabilidad. Si voy por el componente tres, entonces voy así y tendrá una mínima variabilidad en comparación con el componente uno. Así mismo usted consigue no sólo la matriz eigen vectores eigen, sino que también obtiene tres componentes principales que siempre puede hacer los compuestos de color también y como voy a hacer aquí y obtener tal resultado que son de grueso la parte de interpretación de un compuesto principal compuesto componente va a ser diferente, pero proporcionará muchas variaciones en los valores de píxeles y uno puede incluso ir para la clasificación de tales compuestos o puede utilizar para otras interpretaciones o discriminaciones de diferentes objetos. Así mismo, el análisis de los componentes de principio se puede hacer si la imagen es más grande que puede tomar mucho tiempo, pero si las imágenes es esta imagen no era de tamaño muy grande por lo que tomó sólo un minuto y será obtener información muy rápidamente. Ahora voy a ir por otra técnica que hemos discutido también. Así que de nuevo voy a ir roster espectral y luego decora estiramiento. Así que en el tramo de decoro volveré a la imagen aquí que la misma imagen de la mancha de Moscú que estoy tomando y donde voy a poner esta imagen que tiene que ser proporcionada así que estoy poniendo en esa temp y sólo ok. Así que ahora he decidido mi salida y si quieres también puedes crear salida en coma flotante o lo que sea pero por el momento estoy eligiendo como el valor por defecto y estoy pidiendo que se deba estirar también. Para que me llegue a todo un asunto en este sistema de coordenadas de donde van a venir estos. Así que deje que continúe como de lo que estén allí porque ya es su referencia por lo que no necesito hacer ningún cambio aquí y luego voy para el estiramiento de decoro de nuevo y tomará algún tiempo se está inicializando y luego va a crear de nuevo una gran cantidad de variabilidad porque recordar en principio análisis de componentes cuando se ve en el análisis de componentes principales lo que se hace básicamente dos pasos está allí. El origen se desplaza al clúster donde está teniendo entonces que está alineado el eje se alinean según la variabilidad máxima presente dentro de un clúster y que se convierte en su principal componente uno y perpendicular a esa alineación que axis PC1. Habrá otro componente que es el componente 2 del principio de PC2 y perpendicular a estos dos componentes habrá otro que es el componente principal tres del mismo modo. Lo que estamos haciendo en el tramo de decora estamos estirando aún más estos componentes de principio de compo y tratando de que las imágenes los valores de pixel así ocupen el espacio máximo disponible dentro de ese espacio tridimensional o en un rango dinámico completo. Así mismo vamos por más variabilidad y presentes en las imágenes dentro de esta imagen. Así que ahora agregaremos esa imagen y esta es la imagen de estiramiento de decoro como se puede ver aquí voy a cambiar de esta y tomar este aquí y de grueso cambio estos colores y esto es lo que están llegando aquí y usted puede elegir los diferentes esquemas aquí ok. Y sí ahora sólo comparar aquí esta fue nuestra imagen original y esta es la imagen de estiramiento de decoro. Tanta discriminación entre los objetos se puede hacer en comparación con el simple compuesto de color falso. No importa que la imagen lo que realzará no llegará a esta etapa como usted puede hacer a través del estiramiento de decoro. Por lo tanto, el estiramiento de la decora creará muchos colores de variabilidad debido a que estos principales componentes están siendo estirados. Y más van a ir a ellos están ocupando el espacio máximo que está disponible para cada banda o por cada componente entre 0 a 255. Esto es de un escenario de 24 bits que significa para 8 cada 8 cada banda que tenemos 8 bandas y 8 bits (()) (15:28) para cada pixel. Así que en total 3 3 cada uno de los componentes están allí o 3 bandas están allí y por lo tanto usted está teniendo 24. Pero la salida como puedes ver que volveré a demostrarte y esta es tu imagen original casi no ves la discriminación y una vez que traes este estiramiento de decoro que se puede hacer muy rápidamente y obtener resultados hermosos. A continuación, estas imágenes van para la clasificación o interpretación simple de la imagen y de esa manera y la fiabilidad de su interpretación y clasificación puede aumentar muy significativamente.

Vídeo 2

Y ahora vamos para otra demostración y eso es sobre esto usando este software de dominio público que es DIPS porque aquí podemos desarrollar una mejor comprensión de las cosas y luego para el procesamiento real se puede ir para el software comercial. Así que hoy en esta demostración particular de usar este estimulador de procesamiento de imágenes digitales primero voy a mostrarles el corte de densidad que ya hemos discutido cuando discutimos la clasificación no supervisada y la división de la densidad e incluso como una conferencia separada. Ahora como usted sabe que el propósito principal de la clasificación o como la división de la densidad que podría haber muchos píxeles de variabilidad que tienen un gran rango o en una imagen continua queremos discretizar y crear sólo pocas clases y de la misma manera podemos hacerlo. Y esto aquí en esta demostración a través de este software podemos ver dos o podemos ver la vista de datos como siendo mostrado o podemos ver la vista de la imagen. Así que mantengamos la vista de datos y porque queremos entender que cómo está pasando esto y luego intentaremos añadir diferentes clases aquí. Así que si me escanea rápidamente y entonces lo que encuentro que en esta imagen los valores son valores más bajos están aquí es 10 y el valor más alto es lo de 68. Así que vamos a rebanar esta imagen en pocas rodajas. Así que lo que la primera rebanada que vamos a elegir es entre 10 y entre 10 a esta entre 10 a tendremos un 30 aquí y luego agregaremos valores aquí. Entonces vamos por otra rebanada que es decir 31 a tener 20 gama aquí. Así que 50 y luego iremos por otra rebanada que es un 51 a nosotros decimos 70 y de igual manera lo que hemos completado los tres. Y luego cuando seleccionamos este, entonces decimos ok rebanar esta imagen. Ahora ves que esta imagen ahora podemos ver la vista de imagen y también una vista en rodajas. Tenemos sólo por la simplicidad que hemos creado sólo 3 rebanadas. Uno puede crear más rebanadas o más clases si hay información previa, ya que puede ver que toda la imagen que tiene un montón de valor de píxel que comienza de 10 a 68 se está rebanando sólo en tres clases. Así es como y esto es un rebanado de densidad se realiza en imagen real. Esto es un estimulador sólo para la demostración, pero claramente saca el concepto de la división de la densidad aquí que usted puede ver. Ahora lo siguiente que vamos a ver es el clasificador y aquí lo que haremos vamos a crear estos conjuntos de entrenamiento o firma eligiendo diferentes. Así que cuando pongo el cursor en esta imagen o estos valores lo sé. Así que digo que este va a ser mi un conjunto de entrenamiento y luego digo si algún valor que esté más cerca de esto entonces también puedo incluir en mi set de entrenamiento como este de grueso. Y si quiero incluir 9 entonces 10 también está ahí, así que sólo en dos lugares como estaba mencionando cuando estábamos discutiendo en la discusión de la teoría sobre la clasificación supervisada dije dentro de cada imagen siempre es mejor elegir por lo menos dos firmas o dos conjuntos de entrenamiento. Así que uno de los juegos de entrenamiento que estoy eligiendo y luego voy a decir poner un valor aquí y decir que este es un terreno desnudo todo bien. Y entonces por lo que ahora tengo nuestro máximo mínimo que sé porque sólo tres píxeles estaban allí y las estadísticas de desviación estándar también disponibles entonces yo elijo otro conjunto otro entrenamiento establecido por usted sabe hacer clic aquí crear nuevo conjunto de entrenamiento y yo digo que esta zona negra que quiero ser como un cuerpo de agua. Así que un conjunto de entrenamiento aquí y estos valores también están bastante cerrados, pero por lo que elijo estos como un conjunto de entrenamiento y luego decir guardar firmas aquí y luego guardar el cuerpo de agua. De nuevo recibo la estadística de mis sets de entrenamiento y entrenamiento de cuerpo de agua. Ahora de nuevo voy y creo una clase más aquí o uno más conjuntos de entrenamiento usando este valor gris que están arreglando entre 66 68 y de la misma manera. Y un conjunto de entrenamiento más usando no este puede estar bien puede ser este y este. Así que dos juegos de entrenamiento para esta clase particular que he elegido. Y yo, según mi información previa, estoy diciendo que esto podría ser una tierra agrícola y entonces yo obtengo esta. Ahora último un conjunto de entrenamiento más voy a elegir usando estos y el valor aquí los valores grises claros aquí que están teniendo valor dicen 91 80 93 89 un conjunto de entrenamiento que he elegido. Otro podría estar en este 89 y este va muy lejos. Así que pueden ser 70 y estos dos y luego guardar bien. Así que este podría ser mi bosque de salvar. Ahora se han elegido cuatro conjuntos de entrenamiento ahora digo que ok dejar de recoger y clasificar. Dos métodos se apoyan aquí en este software de demostración uno es el MDM que representa la distancia mínima a mí que ya hemos discutido en la discusión anterior sobre y esta clasificación supervisada y la segunda es paralelepípedo. Y así en la clase de teoría hemos discutido dos tipos de paralelepípedo estándar o paralelepípedo preciso. Aquí sólo hay una opción disponible así que voy para la distancia mínima a la media y cuando voy para la clasificación así es como obtengo mis resultados de clasificación. Todos los valores que he asignado están mostrando diferentes clases del mismo modo. Así que elijo aquí y sé que cómo se están haciendo estos cálculos que uno también puede comprobar las clases individuales y ver qué tipo de estadística está pasando. Creo que algo salió mal no está bien. Así que ahora puedo seguir comprobando mis resultados de clasificación muy fácilmente usando estos métodos. Dos métodos están disponibles puedo ir para otro método otra vez clasificar y decir ok número de desviación estándar que digo sólo mantener uno y esto es cómo el como un discutido en la clase de teoría que a la misma formación establece la misma imagen de entrada de imagen, pero 2 algoritmo diferente en la clasificación supervisada dos resultados diferentes. Así que uno tiene que ser muy cuidadoso aquí muchos pixels fueron desclasificados porque tiré esta demostración que no coleccioné exhaustivamente todos los conjuntos de entrenamiento. Debería haber ido por 7 8 al menos los conjuntos de entrenamiento entonces probablemente toda la imagen habría clasificado en diferentes clases. Pero, sin embargo, en el software real se pueden añadir más conjuntos de entrenamiento y luego volver atrás y hacer correcciones y luego ir para la clasificación hasta que usted satisface con la coincidencia con otros resultados o haciendo la parte de evaluación de la precisión. Así que esas cosas se pueden hacer con bastante facilidad. Así podremos completar esta demostración sobre clasificación y corte de densidad.

Vídeo 3

Ahora el último que es muy importante en caso de clasificación es sobre la evaluación de la precisión. Así que esta evaluación de precisión es una primera como una de las mejores imágenes que usted está viendo es básicamente la imagen clasificada y que tiene cinco clases de agua, urbana, arbusto, bosque y tierra árida.
Y estas clases están ahí ahora vamos para la evaluación de la exactitud de cómo exactamente estas clases se han clasificado en la misma imagen que hemos estado utilizando. Ahora quiere usted saber que cuántos porcentajes de referencias se deben tomar si el 50% de esta referencia total del suelo o la información previa que estamos teniendo o el 10%. Así que si elijo decir que quiero sólo un 10% de selección porque un gran que voy a ir aunque pueda obtener resultados diferentes, pero se necesita más tiempo. Amway así que voy por el 10 por ciento y luego elegir ok luego identificar píxeles simples. Así que ahora hay 77 píxeles al azar en la imagen clasificada han sido identificados con referencia correspondiente a la imagen del suelo que usted está viendo aquí. Y, finalmente, crear la matriz de errores. Así que aquí obtenemos la matriz de errores que requiere poca interpretación aquí y que es decir, básicamente, dos dimensiones de la tabla. Así que aquí de nuevo usted está diciendo que el agua es un bosque todas esas clases están allí 5 clases como estaban aquí y entonces de nuevo esas 5 clases están allí y lo que usted está viendo que el total de la columna o el eje de la fila o diagonal es todo 5 y la precisión total es decir 71.43 está aquí. Así que este tipo de evaluación rápida también puede hacerse en el software profesional o en el software comercial también. Ahora en lugar de esta matriz de errores también puedo ir por el coeficiente kappa y puede ir para los cálculos de nuevo. Así que obtengo sólo este gran parte de y que voy a saber seguir moviéndose a través de esto y obtengo los valores en contra de esta fila que es una columna total y luego ahora una fila. Así que para cada uno de ustedes conocen la célula de esta tabla bidimensional el cálculo se está haciendo como pueden ver y esto es lo que ahora los resultados serán bienvenidos.
Así que digo que se ha completado el cálculo correcto. Así que en desviación estándar el resumen de la matriz que está diciendo que todo lo que dijeron es y la diagonal lo siento la suma diagonal es 16 que estamos obteniendo y el gran total de todo este cálculo de coeficiente kappa es 49. Y de nuevo esto es igualmente cómo se hace este cálculo es que el observado menos esperado. De lo esperado procede y de estos 10% de selección que hemos elegido en etapas muy tempranas. Si vamos por el 50% espero que nuestra precisión mejorará aún más porque hay menos posibilidades de obtener más errores si el número de usted sabe puntos aleatorios o píxeles aleatorios se seleccionan para comparar con la imagen clasificada. Así que esta es una imagen de referencia en el suelo o tal vez tierra después de la verdad o tal vez a través de algún otro mapa. Así que aquí se ha elegido algún otro mapa y este coeficiente kappa clave llega en torno a 0,576 que puede que no sea muy bueno. Pero en esta demostración lo hemos hecho.
Intentemos de nuevo lo mismo con el 50% y veamos qué pasa con este. Y el 50% vamos en lugar de un 10% de muestreo y luego identificar píxeles. Así que todos esos ahora 32 puntos aleatorios que significa que el este está teniendo un total de 64 píxeles en esta imagen de muestra. Así que el 30 al 50% de los puntos han sido seleccionados aproximadamente la mitad al azar que han sido creados. Ahora vamos para esta matriz, pero lo que estaba diciendo que no es exactamente como esta la exactitud ha reducido allí estamos consiguiendo que este porcentaje total de precisión estaba en algún lugar cerca de un 71 ahora estamos recibiendo 62.5. Así que no siempre es necesario y que se obtiene un resultado muy preciso. Y de grueso de la misma manera que vas para el cálculo de kappa y de igual forma mantener el recorte para todas las células y luego se obtiene este tipo de valores están ahí. Este es el punto por lo que el valor es y la parte de precisión ha bajado definitivamente. Y tan bien esto es en ese caso en ese ejemplo a veces usted puede obtener mejores resultados también. Así que cada vez que la clasificación se realiza o bien la clasificación supervisada o la clasificación no supervisada se debe hacer una evaluación de la precisión y en sus resultados en su informe una declaración también debe ser allí que la precisión de la clasificación es de 0.625 es una clasificación no muy buena que se ha logrado, pero no obstante y así es como uno tiene que informar. Para que las fotos reales salgan después de la clasificación. Cuando cualquier imagen que está teniendo mucha heterogeneidad en los valores de pixel, su exactitud va a ser reducida o muy inferior. Sin embargo, si una imagen que es muy homogénea le daré ejemplo supongamos que está trabajando en una zona de postre o en una zona boscosa densa o en un área cubierta de nieve allí la mayoría de los píxeles podrían estar teniendo unos valores muy cercanos los mismos valores valores cercanos. Y su clasificación logrará una precisión muy alta. Pero si usted está trabajando en el área donde hay una gran cantidad de heterogeneidades y digamos que tal vez en tierras agrícolas y pequeñas parcelas agrícolas están teniendo diferentes tipos de cultivos y su característica espectral va a ser completamente diferente. Y por lo tanto cuando se accede a la parte de precisión no se logrará una muy buena precisión. Así que las imágenes homogéneas correctas que están teniendo características homogéneas o valores de píxeles se cierran para entonces usted puede lograr una muy buena precisión.
En una imagen heterogénea no se puede lograr una precisión muy buena. Así que y esto lleva al final de esta y esta discusión sobre esta manifestación. Así que primero lo que nosotros a través de este software comercial y nosotros hicimos la demostración sobre esta convolución filtrando cómo editar cómo diseñar el suyo propio. A continuación, un análisis de componentes de principio y cómo ver el matt que conoce el acceso a la matriz y los componentes individuales se puede ver combinado combinado también se puede tener. Y luego decora estiramientos en comparación con la imagen original y también por último y a través de este software de DIPS hemos visto la demostración de slicing de densidad. De manera similar puedes hacerlo en softwares comerciales. En segundo lugar, es un clasificador y tercero sobre la evaluación de la precisión. Tiempo completo todo el tiempo que no estoy usando software comercial porque el propósito aquí no es promover ningún software uno y yo soy yo preferiría usar DIPS dondequiera que sea posible porque es primero de todo el software no comercial que ha sido desarrollado en un instituto académico. Es mejor entender primero lo que va detrás en cada proceso en el software comercial y que sólo puede ser entendido a través de software como DIPS que he estado usando. Así que esto lleva al final de esta manifestación muchas gracias.