Clasificación no supervisada con imágenes a color de cobertura terrestre

  1. Antonia Macedo-Cruz
  2. Gonzalo Pajares-Martinsanz
  3. Matilde Santos-Peñas
Revista:
Agrociencia

ISSN: 1405-3195,  2521-9766

Año de publicación: 2010

Volumen: 44

Número: 6

Páginas: 711-722

Tipo: Artículo

DIALNET GOOGLE SCHOLAR lock_openAcceso abierto editor

Otras publicaciones en: Agrociencia

Resumen

La cobertura terrestre es un elemento geográfico que constituye la base de referencia para diversas aplicaciones relacionadas con la planificación del uso de los recursos naturales, la biodiversidad y la deforestación, como indicador del cambio climático y la desertificación. Hay diversos métodos para clasificar imágenes, pero no todos son aplicables a la clasificación de la cubierta terrestre. Por tanto, el objetivo de esta investigación fue generar y evaluar un modelo de clasificación no supervisada aplicable a imágenes de cobertura terrestre en modelo de color RGB (Red, Green, Blue; o Rojo, Verde, Azul [RVA]), que clasifique automáticamente las diferentes cubiertas y usos del suelo. La metodología desarrollada corresponde al grupo de procedimientos de clasificación no supervisada y se derivó del criterio de umbralización sugerido por el método de Otsu, basado en la varianza entre clases y dentro de clases. Para aplicarla se usaron fotografías aéreas con resolución espacial de 1:19 500, resolución espectral de tres bandas visibles RVA, y resolución radiométrica de 0 a 255 niveles. Los resultados se compararon con los reportados por un experto conocedor de la zona de estudio. El aporte principal de esta investigación fue generar y evaluar un método de clasificación de imágenes no supervisado de alta precisión y bajo costo computacional; como es el uso alternativo del método de Otsu, utilizado en la segmentación y la clasificación de imágenes a color. Por tanto, el resultado fue un clasificador por agrupamiento no supervisado que reconoce y clasifica hasta 95% de los elementos identificados en campo por el experto.

Referencias bibliográficas

  • Bow, S. T. (2002). Recognition and Image Preprocessing. 2. Marcel Dekker. New York^eNY NY.
  • Buxton, B. F, Abdallahi, H, Fernandez-Reyes, D, Jarra, W. (2007). Development of an extension of the Otsu algorithm for multidimensional image segmentation of thin-film blood slides. International Conference on Computing: Theory and Applications (ICCTA'07). Washington DC.
  • Chen, D, Stow, D.A. (2003). Strategies for integrating information from multiple spatial resolutions into land-use/ land-cover classification routines. Photogrammetric Eng. and Remote Sensing. 69. 1279-1287
  • Chen, D, Stow, D.A, Gong, P, P. (2004). Examining the effect of spatial resolution and texture window size on classification accuracy: an urban environment case. Int. J. Remote Sensing. 25. 2177-2192
  • Chen, Q, Luo, J., Zhou, C. 24 Asian Conference on Remote Sensing. Busan.
  • Chen, W, Fang, K. (2008). Multilevel thresholding algorithm based on particle swarm optimization for image segmentation. 27 Control Conference. Kunming Yunnan.
  • Congalton, R. G, Green, K. (1999). Assessing the Accuracy of Remotely Sensed Data: Principles and Practices. Lewis Publishers. Boca Raton^eFL FL.
  • Congalton, R. G, Green, K. (2009). Assessing the Accuracy of Remotely Sensed Data: Principles and Practices. 2. CRCTaylor & Francis. Boca Raton^eFL FL.
  • Chuvieco, E. (2008). Teledetección Ambiental. 3. Ariel. Barcelona.
  • Du, Q. (2007). Unsupervised real-time constrained linear discriminant analysis to hyperspectral image classification. Pattern Recognition. 40. 1510-1519
  • Du, Y, Chang, C. I, Thouin, P.D. (2004). Unsupervised approach to color video thresholding. Optical Eng. 43. 282-289
  • Duda, R.O, Hard, P.E, Stork, D.G. (2001). Pattern Classification. 2. John Wiley. New York^eNY NY.
  • Liao, P.S, Chen, T.S, Chung, P.C. (2001). A fast algorithm for multilevel thresholding. J. Comput. Information Sci. Eng. 17. 713-727
  • Lu, D, Weng, Q. (2007). A survey of image classification methods and techniques for improving classification performance. Int. J. Remote Sensing. 28. 823-870
  • Lunetta, R. S, Lyon, J. G. (2004). Remote Sensing and GIS Accuracy Assessment. Lewis Publishers. Boca Raton^eFL FL.
  • Otsu, N. (1979). A threshold selection method from gray-level histogra. IEEE Trans. on System Man Cybernetics. 9. 62-66
  • Pajares, M, G, de la Cruz, M. (2001). Visión por Computador: Imágenes Digitales y Aplicaciones. Rama. Madrid.
  • Polidório, A M, Flores, F. C, Imai, N. N, Tommaselli, A. M. G, Franco, C. (2003). Automatic shadow segmentation in aerial color images. XVI Brazilian Symposium on Computer Graphics and Image Processing.
  • Rowe, N. C, Grewe, L.L. (2001). Change detection for linear features in aerial photographs using edge-finding. IEEE Trans. Geosci. Remote Sensing. 39. 1608-1612
  • Saeed, F. (2006). Digital image processing of high resolution aerial photograph of shallow marine sanctuary. Advances in Space Technologies, International Conference. Victoria.
  • Shah, C. A, Arora, M. K, Varshney, P. K. (2004). Unsupervised classification of hyperspectral data: an ICA mixture model based approach. Int. J. Remote Sensing. 25. 481-487
  • Tseng, M. H, Chen, S. J, Hwang, G. H, Shen, M. Y. (2008). A genetic algorithm rule-based approach for land-cover classification. J. Photogrammetry and Remote Sensing. 63. 202-212
  • Villegas, R, I. (2006). Degradación del suelo por impacto del huracán Paulina, en la cuenca del río La Sabana, Guerrero. 71-96
  • Villegas R, I, Oropeza, J. L, Martinez, M, Mejía, E. (2009). Trayectoria y relación lluvia-escurrimiento causados por el huracán Paulina en la cuenca del río La Sabana, Guerrero, México. Agrociencia. 43. 345-356
  • Zhu, B, Ramsey, M, Chen, H. (2000). Creating a large-scale content-based airphoto image digital library. IEEE Trans Image Process. 9. 163-167
Fuente de los datos: Dialnet