Tema 12. Clasificación de imágenes.Técnicas avanzadas


Recientemente el desarrollo de los ordenadores ha permitido implementar técnicas de clasificación más sofisticadas que los métodos de mínima distancia o parelepípedos y más robustas que la clasificación de máxima verosimilitud (en el sentido de que no necesitan que los datos cumplan una determinada condición como la de seguir una distribución normal). En general si los datos cumplen estas condiciones es preferible utilizar máxima verosimilitud. El problema es que en muchos casos ni siquiera es posible saber si los datos cumplen esta condición o no.

Clasificación de contexto

Todos los métodos estudiados hasta ahora utilizan, para clasificar un pixel, sólo los valores de reflectividad recogidos en dicho pixel. Este hecho no es demasiado problemático si el tamaño de pixel es mayor que los elementos que los diferentes elementos físicos que componen el paisaje. Sin embargo si el tamaño del pixel es más pequeño que las unidades de paisaje podría utilizarse la información de los pixels de alrededor para estimar la pertenencia a una clase o confirmar la estimación.

Puede resultar un método útil en combinación con el de máxima probabilidad ya que permite incluir la información de los pixels circundantes para tomar una decisión en caso de que las probabilidades para dos clases sean similares o no exista una clase con probailidades de pertenencia suficientemente altas.
 

Contexto espacial

Se trata de incorporar otras fuentes de información distintas a las bandas para la clasificación. Entre esta información estaría la altitud, pendiente, litología, etc. Las distintas formaciones vegetales tienen mayor capacidad para desarrollarse en determinados entornos definidos en parte por estas variables. Por tanto puede ser útil establecer cual es la formación vegetal con mayor probabilidad de desarrollarse en un determinado pixel (en función de topografía y litología) y combinar esta información con la de las bandas.

Clasificaciones multitemporales

Si lo que se pretende es distinguir entre clases cuya respuesta espectral varían con el tiempo, por ejemplo entre diferentes usos del suelo, puede ser interesante integrar imágenes obtenidas en diferentes fechas. Imágenes de primavera y otoño tienen un gran valor discriminante ya que las superficies vegetales, especialmente las de cultivo muestran grandes diferencias.

Si se utiliza esta técnica, resulta imprescindible realizar una buena coreección atmosférica de las imágenes. Si todas son de la misma fecha, la influencia de la atmósfera es la misma para todas por tanto podemos asumir que no influye demasiado en la clasificación. Sin embargo si las imágenes proceden de diferentes fechas, la diferente influencia de la atmósfera puede enmascarar y distorsionar los cambios en la respuesta espectral.
 

Clasificación por redes neuronales

Se basan en el uso de redes neuronales artificiales que, se supone, imitan a las redes neuronales reales en el desarrollo de tareas de aprendizaje. Una neurona artificial es un objeto lógico (se trata de software no de hardware) que recibe diversas entradas, hace una suma ponderada de las mismas y produce una salida a partir de la aplicación de una función umbral a la media ponderada.
 




Si conectamos las asalidas de unas neuronas como entradas de otras obtenemos una red neuronal. Uno de los ejemplos más típicos de red neuronal es el la Back Propagation Neural Network que aparece en el siguiente gráfico.

Consta de una capa de entrada con tantos neuronas como variables de entrada se vayan a introducir en el modelo (en el caso de la teledetección sería una por cada banda utilizada para clasificar), una capa oculta que realiza la mayor parte del cálculo y una capa de salida con tantas neuronas como posibles clases existan. En teledetección esta salida suele consistir en un valor numérico entre 0 y 1 para cada clase, cuanto mayor sea este valor más verosimil resulta que el pixel pertenezca a la clase en cuestión

Para trabajar con una red neuronal existen varias fases:
 

Se trata en definitiva de un método de clasificación no paramétrico robusto que da buenos resultados cuando las respuestas espectrales de las clases no siguen una distribución normal. La clave está en el conjunto de coeficientes de ponderación que constituyen un conjunto de parámetros que deben ajustarse a unos datos de entrada y salida. Por tanto en cierto modo es equivalente a una regresión.

Arboles de clasificación

Suponen un análisis exhaustivo de las respuestas espectrales de las clases y del conjunto de datos disponibles, consiste en ir haciendo preguntas a cada pixel cuya respuesta positiva o negativa conducirá a otra pregunta y asi sucesivamente hasta obtener la clase a la que pertenece. Se basa en los mismos principios que los sistemas expertos.

Clasificadores borrosos

Sea cual sea el procedimiento de clasificación utilizado, surge el problema de que algunos pixels resultan inclasificables, bien porque sus probabilidades de pertenencia a cualquier clase sean muy bajas (máxima verosimilitud, salidas de un método de redes neuronales, etc.) o porque aparezcan dos o más clases con muy alta probabilidad que se disputen el pixel. En estos casos tiene más sentido no clasificar los pixels de forma unívoca sino establecer cual es su posibilidad de pertenencia a cada una de las clases (el concepto de posibilidad no es exactamente igual al de probabilidad).
 
 

Martín del Brío,B. y Sanz Molina,A. (1997) Redes Neuronales y Sistemas Borrosos Ed. Ra-Ma, 387 pp.