Entre los métodos más novedosos que se verán
en el próximo tema cabe destacar:
Evidentemente el pixel x se asignará a la clase respecto a la cual su distancia sea mínima (figura 5). En definitiva, se definen una serie de hiperesferas que rellenan el hiperespacio de variables sin intersectarse.
Este método no es demasiado bueno ya que sobreclasifica la imagen, es decir ningún pixel queda sin clasificar. Aunque algunos autores señalan esto como una ventaja, realmente es un problema ya que es preferible dejar áreas sin clasificar que clasificarlas sin garantías.
|
Se han propuesto diversos métodos para forzar la clasificación de todos los pixels a una u otra clase. Sin embargo lo más adecuado sería cartografiar estos pixels con problemas de clasificación para determinar cual es la razón e intentar solventarla. Normalmente serán los pixels de borde los que den problemas de clasificación por su propia naturaleza mixta.
|
Por otro lado no se tiene en cuenta las desviación típicas de cada una de las bandas para cada una de las clases, así un clase con una baja desviación típica no debería absorber pixels alejados de su centroide (figura 6).
Con este método pueden aparecer pixels sin asignar o pixels asignados a varias clases.
|
Este método puede usarse de forma automática, o puede establecerse algún criterio que permita asignar pixels a una clase sólo si la probabilidad correspondiente es superior a determinado umbral. Permite por otro lado definir algún tipo de criterio para medir la calidad de la asignación, por ejemplo la diferencia entre la máxima probabilidad y la siguiente.
En la figura 8 aparecen una serie de elipses rodeando a cada uno de los centroides, se trata de lineas de isoprobabilidad, por tanto el pixel se clasificará como perteneciente a la clase en la que sus valores resulten más probables.
Sin embargo la hipótesis de que los datos de reflectividad siguen una distribución normal no siempre se cumple y debería verificarse siempre.
|
Podemos probar a hacer dos clasificaciones por máxima verosimilitud. Una con los resultados de la clasificación supervisada y otra con los de la no supervisada.
Para la clasificación supervisada sería:
i.maxlik group=imagen subgroup=imagencl sigfile=signaturassup class=classup reject=classuprej
A continuación podemos dibujar el mapa de clases resultante y consultar sus valores junto con los del mapa de probabilidades.
d.rast classup
d.what.rast map=classup,classuprej
Para la no supervisada debemos ejecutar:
i.maxlik group=imagen subgroup=imagencl sigfile=signaturasnosup class=clasnosup
reject=clasnosuprej
Un método simple y apropiado de evaluaciones de los errores es
utilizar la matriz de confusión de clases:
|
Con este tipo de análisis, se obtiene, no sólo una caracterización del error cometido, sino también una medida sobre la adecuación de las clases consideradas a la realidad y de los parámetros utilizados para caracterizarlas. Puede por tanto utilizarse para definir un nuevo conjunto de clases para realizar una clasificación.
En la tabla aparece un ejemplo de matriz de confusiones, los valores en filas representan las clases reales y en columnas aparecen (en la parte izquierda de la tabla) las clases obtenidas tras la clasificación. Por tanto debe interpretarse como el número de pixels que perteneciendo a la clase fila han sido adjudicados a la clase columna.
En la parte derecha de la tabla aparece: Ni es el
número total de pixels de cada clase,
el porcentaje de pixels clasificados correctamente para cada clase. (ni)ci
es el número de pixels que correspondiendo a la clase i han sido
adjudicados a otras, y (nic)i
es el número de pixels adjudicados a i cuando en realidad
pertenecen a otra clase. La última fila presenta la totalización
de estos resultados.