Práctica 11

Clasificación de imágenes

1.NS_. Haz una clasificación generando 6 clases. Consulta el fichero de signaturas e intenta deducir, a partir de los valores de ND medios para cada una de las bandas, a que clase informacional pertenece.

Valores obtenidos con un clasificación no supervisada y generando 6 clases

2.NS_. ¿Cómo harías para reducir el número de clases de 6 a 5 a partir de los datos del fichero de signaturas?

Considerando una nueva clase uniendo las 2 clases con los valores más próximos con valor ND la media del de las dos clases.

Eliminando las dos clases y considerando la nueva, valor medio de las dos, obtendríamos 5 clases.

1.S_ Haz una clasificación supervisada de tu zona de trabajo. Intenta obtener un mínimo de 4 clases.

La clasificación supervisada se realiza a través del comando i.class y, tras ejecutar la oportunas sentencias, se obtiene el fichero de signaturas correspondiente que se guarda en el subdirectorio sig (por signatura) que cuelga del subdirectorio del subgrupo.

Valores obtenidos con un clasificación supervisada - fichero de signaturas - generando 4 clases, cultivo, vegetación natural, zona urbana y suelo desnudo

1.S_ ¿ Que puedes decir sobre la hipótesis de normalidad de las clases?.

Dentro de una calsificación por máxima verosimilitud y manteniendo que la hipótesis de que los datos de reflectividad siguen una distribución normal no siempre se cumple, debería verificarse de alguna manera la fiabilidad de los resultados.

1.S_ Compara los resultados con los de la clasificación no supervisada. ¿Puedes establecer alguna correspondencia entre ambos conjuntos de clases?.

Mapa de signatura no supervisada con 6 clases	Mapa de signatura supervisada con 4 clases
Se observa en el mapa no supervisado, izquierda, una mayor distribución de la información no solo por tener dos clases más sino por asociar a distintas clases pixels que en la clasificación supervisada son adjudicados a una clase por ¿mínima distancia? que puede desvirtuar su naturaleza. Se observa esta circunstancia en el interior de la ciudad de Murcia que toma una mayor diversidad de posibles coberturas.

Información obtenida tras ejecutar i.maxlik sobre la signatura supervisada con 4 clases Mapa de Clases	Información obtenida tras ejecutar i.maxlik sobre la signatura supervisada con 4 clases Mapa de probabilidades

2.A_ Utiliza el módulo d.his para visualizar conjuntamente el mapa de clases y el de probabilidad de pertenencia:
d.his h_map=mapa_clases i_map=mapa_probabilidad

2.A_ Las zonas más oscuras son las peor clasificadas y las más claras las mejor clasificadas. ¿Que conclusiones obtienes?

Una vez realizadas la operaciones necesarias y usando el módulo d.his tomando como h_map e i_map los mapas arriba anotados, obtenemos el mapa que se observa en el que podemos destacar: - dificultad para clasificar las zonas de umbría al no ser consideradas como una clase. -dificultad para clasificar la zona intermedia, probablemente solares y secano, que no han sido clasificados y que puede confundirse con zona urbana - destacar la amplia cobertura de zona clasificada a pesar de la premura de tiempo conque se ha realizado el supuesto y la necesidad de ampliar el número de clases a considerar.