Clasificación de imágenes con la Extensión ArcGIS Spatial Analyst
Con la Extensión ArcGIS Spatial Analyst, el conjunto de herramientas Multivariante proporciona herramientas tanto para la clasificación supervisada como sin supervisión. La barra de herramientas Clasificación de imágenes proporciona un entorno fácil de usar para crear los ejemplos de formación y archivos de firma utilizados en clasificación supervisada. La herramienta Clasificación de probabilidad máxima es el método de clasificación principal. Un archivo de firma, que identifica las clases y sus estadísticas, es una entrada requerida para esta herramienta. Para la clasificación supervisada, el archivo de firma se crea utilizando los ejemplos de formación a través de la barra de herramientas Clasificación de imágenes. Para la clasificación sin supervisión, el archivo de firma se crea ejecutando una herramienta de clustering. Spatial Analyst también proporciona herramientas para el procesamiento posterior a la clasificación, tales como filtrado y limpieza del límite. Los pasos detallados del flujo de trabajo de la clasificación de imágenes se muestran en el siguiente gráfico.
 |
Flujo de trabajo de clasificación de imágenes |
1. Exploración de datos y procesamiento previo
Exploración de datos
El análisis de la clasificación está basado en la hipótesis de que los datos de la banda y los datos del ejemplo de formación siguen una distribución normal. Para comprobar la distribución de los datos en una banda, utilice la herramienta interactiva Histograma 
en la barra de herramientas de Spatial Analyst. Para comprobar la distribución de las muestras de capacitación individuales, utilice la herramienta Histogramas 
en el Administrador de muestras de capacitación.
Extensión de datos de la banda
El proceso de la clasificación es sensible al intervalo de valores en cada banda. Para considerar del mismo modo los atributos de cada banda, el rango de valores de cada banda debería ser similar. Si el rango de valores de una banda es demasiado pequeño (o demasiado grande) en relación a las demás bandas, puede utilizar las herramientas matemáticas de la caja de herramientas de Spatial Analyst para extenderlo. Por ejemplo, puede utilizar la herramienta de matemática Multiplicación para multiplicar la banda por un valor constante para extender su rango de valores.
Análisis de los componentes principales
El análisis de los componentes principales transforma una imagen multibanda para quitar la correlación entre las bandas. La información en la imagen de salida se concentra principalmente en las primeras bandas. Mejorando las primeras bandas, se pueden ver más detalles en la imagen cuando se muestra en ArcMap. Esto podría ser útil para recopilar los ejemplos de formación. La herramienta Componentes principales del conjunto de herramientas Multivariante le permite realizar el análisis de componentes principales.
Crear una imagen multibanda
La barra de herramientas Clasificación de imágenes funciona con una capa de imagen multibanda. Para cargar las bandas individuales en una nueva imagen multibanda, utilice la herramienta Bandas compuestas.
Crear un subconjunto de bandas para la clasificación
Para utilizar todas las bandas de un dataset de imágenes en la clasificación, agregue el dataset de imágenes a ArcMap y seleccione la capa de la imagen en la barra de herramientas Clasificación de imágenes.
Para utilizar solo ciertas bandas de un dataset existente para la clasificación, cree una nueva capa ráster para ellas utilizando la herramienta Crear capa ráster. La nueva capa ráster solo contendrá el subconjunto de bandas especificado y se podrá utilizar en la barra de herramientas Clasificación de imágenes.
2 Recopilar ejemplos de formación
En la clasificación supervisada, los ejemplos de formación se utilizan para identificar las clases y calcular sus firmas. Los ejemplos de formación se pueden crear interactivamente utilizando las herramientas de dibujo de ejemplos de formación en la barra de herramientas Clasificación de imágenes . Crear un ejemplo de formación es similar a dibujar un gráfico en ArcMap, excepto en que las formas de ejemplos de formación se administran con el Administrador de ejemplos de formación en lugar de una capa gráfica de ArcMap.
Para crear un ejemplo de formación, seleccione una de las herramientas de dibujo de ejemplos de formación (por ejemplo, la herramienta de polígono) en la barra de herramientas Clasificación de imágenes y dibuje en la capa de imagen de entrada. El número de píxeles en cada ejemplo de formación no debe ser demasiado pequeño ni demasiado grande. Si el ejemplo de formación es demasiado pequeño, es posible que no proporcione suficiente información para crear adecuadamente la firma de clase. Si el ejemplo de formación es demasiado grande, podría incluir píxeles que no forman parte de dicha clase. Si el número de bandas en la imagen es n, el número óptimo de píxeles para cada ejemplo de formación estaría entre 10n y 100n.
 |
Recopilar ejemplos de formación |
. 3. Evaluar ejemplos de formación
Cuando los ejemplos de formación se dibujan en la visualización, se crean nuevas clases automáticamente en el Administrador de ejemplos de formación. El administrador le proporciona tres herramientas para evaluar las muestras de capacitación: la herramienta Histogramas , la herramienta Diagramas de dispersión 
y la herramienta Estadísticas 
. Puede utilizar estas herramientas para explorar las características espectrales de distintas áreas. También puede utilizar estas herramientas para evaluar los ejemplos de formación para ver si existe suficiente separación entre las clases.
 |
Evaluar ejemplos de formación |
Editar las clases
Dependiendo del resultado de la evaluación del ejemplo de formación, es posible que necesite fusionar en una sola las clases que se solapan entre sí. Para hacerlo, puede utilizar la herramienta Fusionar 
en la ventana del administrador. Además, puede cambiar el nombre o volver a numerar una clase, cambiar el color de la visualización, dividir una clase, eliminar clases, guardar y cargar ejemplos de formación, etc. La siguiente imagen muestra cómo fusionar dos clases:
 |
Editar las clases |
. 4. Crear el archivo de firma
Una vez que se determina que los muestras de capacitación son representativos de las clases deseadas y distinguibles entre sí, se puede crear un archivo de firma utilizando la herramienta Crear archivo de firma 
en la ventana del administrador.
 |
Crear el archivo de firma |
5 6 7 Clustering (clasificación sin supervisión)
En una clasificación supervisada, el archivo de firma se crea a partir de clases definidas conocidas (por ejemplo, tipo de uso de suelo), identificadas por píxeles encerrados en polígonos. En una clasificación sin supervisión se crean clústeres, y no clases, a partir de las propiedades estadísticas de los píxeles. Los píxeles con propiedades estadísticas similares en espacio multivariante se agrupan para formar clústeres. Los clústeres no tienen ningún significado de categoría (por ejemplo, tipo de uso de suelo) a diferencia de las clases en una clasificación supervisada.
Para la clasificación sin supervisión mediante la barra de herramientas Clasificación de imágenes, el archivo de firma se crea ejecutando la herramienta Clasificación sin supervisión de clúster Iso. También puede utilizar la herramienta Clúster ISO del conjunto de herramientas Multivariante.
La herramienta Clúster ISO solo crea un archivo de firma que se puede utilizar subsiguientemente en la clasificación (paso 9 en el gráfico de flujo de trabajo anterior). Se ha creado una nueva herramienta, Clasificación sin supervisión de clúster Iso, a la que se accede desde la barra de herramientas Clasificación de imágenes y desde el conjunto de herramientas Multivariante, para permitirle crear el archivo de firma y la imagen clasificada de salida con una herramienta única (pasos 6 y 9).
. Examinar el archivo de firma
La herramienta Dendograma le permite examinar las distancias de atributo entre las clases fusionadas secuencialmente en un archivo de firma. El resultado es un archivo ASCII con un diagrama de árbol que muestra la separación de las clases. A partir del dendrograma, puede determinar si dos o más clases o clústeres son lo suficientemente distinguibles; si no lo son, podría decidir fusionarlos en el próximo paso.
Se puede acceder a la herramienta Dendrograma desde el conjunto de herramientas Multivariante de Spatial Analyst.
. Editar el archivo de firma
El archivo de firma no se debería editar directamente en un editor de texto. En lugar de ello, debe utilizar la herramienta Editar firmas del conjunto de herramientas Multivariante. Esta herramienta le permite fusionar, renumerar y eliminar firmas de clase.
. 8. Aplicar clasificación
Para clasificar la imagen, se debe utilizar la herramienta Clasificación de probabilidad máxima. Esta herramienta se basa en la teoría de probabilidad máxima. Asigna cada píxel a una de las clases diferentes según las medias y varianzas de las firmas de clase (almacenadas en un archivo de firma). También se puede acceder a la herramienta desde la barra de herramientas Clasificación de imágenes.
La herramienta Clasificación supervisada interactiva es otra manera de clasificar la imagen. Esta herramienta acelera el proceso de la clasificación de probabilidad máxima. Le permite ofrecer rápidamente una vista previa del resultado de clasificación sin ejecutar la herramienta Clasificación de probabilidad máxima.
9 10. Procesamiento posterior a la clasificación
La imagen clasificada creada por la herramienta Clasificación de probabilidad máxima podría clasificar incorrectamente ciertas celdas (ruido aleatorio) y crear pequeñas regiones no válidas. Para mejorar la clasificación, es posible que desee volver a clasificar estas celdas incorrectamente clasificadas a una clase o clúster que los rodee inmediatamente. Las técnicas utilizadas normalmente para limpiar la imagen clasificada incluyen el filtrado, el suavizado de límites de clase y la eliminación de pequeñas regiones aisladas. A partir de las herramientas de limpieza de datos se consigue un mapa más atractivo visualmente.
Filtrar la salida clasificada
Este proceso eliminará los píxeles aislados únicos de la imagen clasificada. Se puede llevar a cabo mediante la herramienta Filtro mayoritario o la herramienta Estadísticas focalizadas con Mayoría como tipo de estadística. La diferencia de las dos herramientas es que la herramienta Filtro mayoritario supone una vecindad cuadrada de 3 x 3 durante el procesamiento, mientras la herramienta Estadísticas focalizadas admite más tipos de vecindad (corona circular o círculo, por ejemplo).
Suavizar los límites de clase
La herramienta Refinado de límite amontona las clases y suaviza los ejes desiguales de las clases. La herramienta funciona expandiendo y, a continuación, reduciendo las clases. Así, aumentará la coherencia espacial de la imagen clasificada. Las regiones adyacentes podrían quedar conectadas.
Generalizar la salida quitando pequeñas regiones aisladas
Después del proceso de filtrado y suavizado, la imagen clasificada debe estar mucho más limpia que antes. Sin embargo, puede haber todavía algunas pequeñas regiones aisladas en la imagen clasificada. El proceso de generalización permite limpiar la imagen aún más quitando esas pequeñas regiones de la imagen. Se trata de un proceso de varios pasos que implica el uso de varias herramientas de Spatial Analyst.
- Ejecute la herramienta Grupo de regiones con la imagen clasificada para asignar valores únicos a cada región de la imagen.
- Abra la tabla de atributos de la nueva capa ráster creada por la herramienta Grupo de regiones. Utilice el recuento de píxeles para identificar el umbral de regiones pequeñas que desea quitar.
- Cree un ráster de máscara para las regiones que desea quitar. Para hacerlo, ejecute la herramienta Establecer Nulos para establecer las regiones con un número de píxeles pequeño en un valor nulo.
- Ejecute la herramienta Nibble en la imagen clasificada. Utilice el ráster de máscara creado a partir de la herramienta Establecer Nulos del paso anterior como Ráster de máscara de entrada. Así, se disolverán las regiones pequeñas en la imagen de salida.