1.5.1 Clasificación supervisada y no supervisada de imágenes
La clasificación de imágenes es un proceso que consiste en agrupar los pixeles de una imagen en un número finito de clases, basándose en los valores espectrales de las distintas bandas, convirtiendo de este modo la información captada por los sensores como niveles digitales a una escala categórica fácil de interpretar[40]. Los pixeles que pertenezcan a la misma clase deberán tener unas características espectrales similares[41].Los algoritmos de clasificación de imágenes son una de las técnicas más importantes utilizadas en el ámbito de la teledetección, ya que facilitan la interpretación de una gran cantidad de información contenida en sus bandas. El objetivo de los algoritmos de clasificación de imágenes consiste en dividir los pixeles de la imagen en distintas clases, llamadas clases espectrales, teniendo en cuenta la similitud existente entre dichos pixeles.
La clasificación de una imagen es una tarea que se realiza con el propósito de convertir datos cuantitativos (generalmente los niveles digitales de los píxeles en cada banda espectral) en datos cualitativos (temas o clases que son importantes en un dominio específico del conocimiento)[42]. La motivación principal de una clasificación es la de representar un fenómeno que ocurre sobre la superficie terrestre a partir de la generalización y agrupación de datos obtenidos mediante sensores remotos[43]. Una
buena clasificación debe representar de manera exacta la realidad a partir de las características pictórico-morfológicas presentes en las imágenes[44].
La función que relaciona los atributos que se consideran relevantes y las clases deseadas se puede establecer de manera analítica. Si el problema es muy complejo para ser resuelto analíticamente, es posible usar aproximaciones heurísticas, como las ofrecidas por las técnicas de Inteligencia Artificial conocidas como máquinas de aprendizaje inductivo[45].
La imagen que se obtiene como resultado consiste básicamente en un mapa temático de la imagen original[41]. Posteriormente la imagen clasificada se utiliza para interpretar de manera más sencilla la información contenida en la imagen.
La Figura 1-7 muestra el esquema general del proceso de clasificación de una imagen.
Figura 1-7 Esquema del proceso de clasificación de imágenes Fuente: [46]
Como se puede observar en la parte izquierda de la figura 1-6, la imagen tiene 4 bandas, y se han tomado los valores espectrales de un pixel concreto como ejemplo, con el
objetivo de clasificarlo en una de las cuatro clases existentes: Bosque, Pasto, Agua, Barbecho. En la parte derecha de la imagen se muestra un ejemplo de cómo quedaría el pixel original después del proceso de clasificación, en la que este ha sido etiquetado en su clase correspondiente, teniendo en cuenta sus cuatro valores espectrales.
En cualquier algoritmo de clasificación de imágenes podemos encontrar las siguientes fases genéricas[33]:
Definición del Problema: las clases objetivo deben ser definidas, al igual que el conjunto de atributos que se utilizarán para identificar las clases.
Selección de las muestras de entrenamiento (clasificación supervisada): Para que la clasificación sea exacta, esas muestras deben ser representativas de cada clase. Es recomendable realizar algún tipo de análisis exploratorio para establecer si las clases se están caracterizando de manera correcta, al igual que entender si existen dificultades para la separación de las clases. Si se descubre algún problema de caracterización, se deben modificar las clases objetivo y/o cambiar los atributos que se utilizarán para diferenciarlas.
Construcción del clasificador: usando criterios predeterminados, en Inteligencia Artificial (IA) este paso se conoce de manera indistinta como fase de entrenamiento o como aprendizaje inductivo[40].
Validación de los resultados del entrenamiento: Este paso busca evaluar el desempeño del clasificador usando datos nuevos que no se han utilizado en el entrenamiento. Si los resultados no son satisfactorios, puede ser necesario repetir el proceso de entrenamiento utilizando criterios diferentes.
Es importante tener en cuenta que la selección de un clasificador específico afecta principalmente la construcción de un clasificador y que tiene un impacto menor en los demás pasos. Sin embargo, los factores limitantes más grandes en una clasificación tienen que ver con la definición del problema y la selección de muestras de entrenamiento; específicamente la capacidad de diferenciar las clases depende del cuidado que se tenga en la selección de las clases objetivo y de los atributos que se utilizan para caracterizar esas clases y realizar su discernimiento.
Los algoritmos de clasificación de imágenes se pueden dividir en dos grandes grupos, dependiendo del método utilizado durante la fase de entrenamiento: clasificación no supervisada y clasificación supervisada, ambos tipos de clasificadores son basados en las propiedades espectrales de los pixeles de la imagen[33]. La utilización de procedimientos no supervisados o supervisados depende fundamentalmente del conocimiento que se posee sobre la zona de estudio[47]. Si se posee conocimiento humano experto de la zona de estudio, es recomendable usar siempre una clasificación supervisada[48].
1.5.2 Algoritmos de clasificación supervisada de imágenes
En los algoritmos de clasificación supervisados, se seleccionan varias muestras de los pixeles de cada clase, formando el denominado conjunto de entrenamiento, para que el algoritmo pueda realizar una clasificación más precisa basada en el conocimiento humano. En este tipo de algoritmos, el conocimiento que se posee sobre el área de estudio determina la calidad del conjunto de entrenamiento, y por lo tanto es un factor muy influyente en el resultado final de la clasificación. Los pixeles son etiquetados en la clase a la que más se asemejan a nivel espectral, teniendo en cuenta el conjunto de entrenamiento[49]. Existen muchos algoritmos de clasificación supervisados, como paralelepípedos, mínima distancia, máxima verosimilitud, Maquinas de Soporte Vectorial, entre otros.