Loading

Module 1: Filtrado de imágenes y clasificación

Apuntes
Study Reminders
Support
Text Version

Filtrado de imágenes y clasificación-Resumen de lecciones

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

    +

Filtrado espacial de imágenes La técnica de filtrado espacial también se denomina Operación Local, Técnica de Convolución o Técnica de filtrado de Convolución. Se utiliza, después de la mejora de la imagen, para suavizar más la imagen. Las dos categorías de filtros espaciales que se conocen en el procesamiento de datos de detección remota son: Filtro de paso bajo: Esto enfatiza las tendencias espaciales regionales y deshace hincapié en la variabilidad local Filtro de paso alto: Esto hace hincapié en la variabilidad espacial local En el sensor remoto, es útil calcular medidas estadísticas multivariantes como la covarianza o la correlación entre varias bandas para determinar cómo varían las mediciones. El racionamiento de banda y el Análisis de Componentes Principales son dos técnicas utilizadas en la realización de medidas de estadísticas de imágenes multivariantes Técnica de transformación de Fourier Como las técnicas de filtrado espacial, la principal aplicación de la técnica de Filtrado de Fourier o de Filtrado de Dominio de Frecuencia es mejorar las imágenes. La transformación de Fourier permite que un determinado grupo de frecuencias y direcciones sean resaltadas o suprimidas por algoritmos conocidos como filtros.
El filtrado se puede implementar a través de Fourier Transform cuando se dice que opera en el dominio de frecuencia. También se puede implementar en el dominio espacial de una imagen en sí por un proceso llamado convolución.
La mayor parte del procesamiento de imágenes se implementa en el dominio espacial debido al número y complejidad de cálculos requeridos en el dominio de frecuencia.
Clasificación de imagen no supervisada La clasificación de imagen es la ciencia de convertir datos de detección remota o imágenes en categorías significativas que representan condiciones o clases de superficie. Los dos tipos de clasificación de imagen son: Clasificación de imagen supervisada, Clasificación de imagen no supervisada. Clasificación de imagen supervisada en Clasificación de imagen supervisada, hay intervención humana, y se requiere conocimiento previo de la zona donde se centra el satélite. Si hay confianza en la selección de los conjuntos de entrenamiento en la clasificación de supervisión, entonces es posible que la clasificación supervisada se pueda lograr con una buena precisión. En la Clasificación de imágenes supervisadas, los conjuntos de entrenamiento se eligen manualmente para varias clases. Siempre es una buena práctica que al menos 2 o más conjuntos de entrenamiento para cada clase deben ser seleccionados dentro de esa imagen. Cada conjunto de entrenamiento o clase da como resultado una nube de puntos que representa la variabilidad de diferentes características espectrales de píxel o firmas en esa clase. Los algoritmos de clustering miran las "nubes" de píxeles en el "espacio de medición" espectral de áreas de entrenamiento para determinar qué "nube" cae en un no pixel dado. Los algoritmos de agrupación en clúster que se pueden utilizar en la Clasificación de imagen supervisada son: Clasificación de distancia mínima a medias (Método de cadena), Clasificación de probabilidad máxima de Gauss, Clasificación de Parallelepiped