c cómo comenzar l i a clasificación de imágenespágina 2 clasificación de imágenes traducido...

Clasificación de Imágenes

Traducido por GeoVectra S.A. www.geovectra.cl

Cómo Comenzar

Clasificación deImágenes

con

TNTmips®

CLASIFICACION

Traducido por

www.geovectra.cl


www.geovectra.cl Traducido por GeoVectra S.A.

Antes de Comenzar

Puede ser difícil identificar los puntos importantes en algunas ilustraciones sin una copia a color deeste folleto. Usted puede imprimir o leer este manual en color desde el sitio web de MicroImages.Este sitio es también su fuente para los nuevos folletos de Cómo Comenzar en otros temas. Ustedpuede descargar una guía de instalación, datos de ejemplos, y la última versión de TNTlite.

http://www.microimages.com

Este folleto presenta los procedimientos de TNTmips® para la clasificación automáticade imágenes multiespectral y multi-temporal. Los procesos incluyen métodos “nosupervisados”, los cuales agrupan automáticamente celdas de imágenes con propiedadesespectrales similares, y métodos “supervisados” los cuales requieren que usted identifiqueáreas de muestra para los materiales de la superficie. El análisis estadístico automático delas clases le ayudan a interpretar los resultados y le guía a través de las uniones interactivasopcionales de clases similares.

Habilidades Pre-requeridas: Este folleto asume que usted ha completado los ejerciciosen Cómo Comenzar: Desplegando Datos Geoespaciales y Cómo Comenzar: Navegando.Esos ejercicios presentan las habilidades esenciales y técnicas básicas que no estáncubiertas aquí nuevamente. Por favor consulte esos folletos y el manual de referencia deTNTmips para cualquier revisión que usted necesite.

Datos de Ejemplo: Los ejercicios presentados en este folleto utilizan datos de ejemploque son distribuidos con los productos TNT. Si usted no tiene acceso al CD con losproductos TNT, puede bajar los datos del sitio web de MicroImages. En particular, estefolleto usa los objetos en el Archivo de Proyecto RGBCROP de la colección de datos CROPDATA,el Archivo de Proyecto CB_TM en la colección de datos CB_DATA, y el Archivo de ProyectoBERMNDVI y BEREATRN en la colección de datos BEREA . Haga una copia para leer y escribir ensu disco duro; usted podría tener problemas si trabaja directamente con el CD-ROMsolamente de lectura.

Más Documentación: Este folleto esta pensado sólo como una introducción a losprocesos de Clasificación Automática. Para mayor información, consulte el manual dereferencia de TNT, el cual incluye más de 40 páginas de Clasificación Automática.

TNTmips y TNTlite™ : TNTmips viene en dos versiones: la versión profesional y laversión gratis de TNTlite. Este manual se refiere a ambas versiones como “TNTmips”. Siusted no compra la versión profesional (la cual requiere una llave de licencia de hardware),TNTmips opera en el modo TNTlite, el cual limita el tamaño del objeto y no permite laexportación.

El proceso de Clasificación Automática no está disponible en TNTview, TNTedit, oTNTatlas. Todos los ejercicios pueden ser completados en TNTlite usando las muestrasde ejemplos provistos.

Randall B. Smith, Ph.D., 12 August 1999 Traducido por GeoVectra S.A., Diciembre 2002



Muchos sistemas de sensores remotos graban los valoresde brillos en diferentes longitudes de onda que comúnmenteincluyen no sólo las porciones del espectro de luz visible,sino que también la foto-infrarrojo y, en algunos casos,las bandas infrarrojas medianas. Los valores de brillo paracada una de esas bandas están típicamente almacenadosen una imagen en escala de grises separada (raster). Cadacelda tiene una resolución del terreno en una imagen porlo tanto, tiene un conjunto de valores de brillo los cualesen efecto representan el “color” de este cuadro en lasuperficie terrestre, si extendemos nuestro concepto decolor para incluir bandas más allá del rango de luz visible.

El proceso de Clasificación Automática en TNTmips usalos “colores”, o patrones espectrales, de celdas de rasteren una imagen multiespectral para categorizarautomáticamente todas las celdas dentro de un númeroespecífico de clases espectrales. La relación entre clasesespectrales y los diferentes materiales de la superficie otipos de coberturas de la tierra puede ser conocida deantemano, o determinada después de la clasificación porel análisis de las propiedades espectrales de cada clase. Elproceso de Clasificación Automática ofrece una variedadde métodos de clasificación tan buenos como lasherramientas para ayudar en el análisis de los resultadosde la clasificación.

El patrón espectral de una celda en una imagenmultiespectral puede ser cuantificado mediante el trazadolos valores del raster desde cada banda en un eje decoordenadas distinta para localizar un punto en unhipotético “espacio espectral”. Este espacio espectraltiene una dimensión para cada banda en la imagen. Lamayoría de los métodos de clasificación usan algunasmedidas de la distancia entre puntos en un espacioespectral para determinar la similitud de patronesespectrales. Las celdas que están juntas cerca del espacioespectral tienen similares propiedades espectrales yposeen una alta probabilidad de reflejar las mismascaracterísticas de la superficie.

seleccione Procesos/Raster/Interpretar/Auto-Clasificacióndesde el menú principal deTNTmips.

Las páginas 4 a 12 le guían através de muchos métodos declasificación no supervisados ysus parámetros definidos por elusuario. Los ejerciciosintroducen las herramientaspara el análisis de losresultados de la clasificación yla unión de las clases seencuentran entre las páginas 13a 19. Las páginas 20 a 26introducen métodos declasificación supervisada deimágenes y uso de laherramienta Matriz de Error. Laserie de ejercicios finales entrelas páginas 27 a 34 le muestracómo crear un conjunto deentrenamiento y raster demáscaras con el Editor deConjunto de Entrenamiento.

Bienvenido a la Clasificación de Imágenes

Visión HumanaSistemas de Sensores

UV AZUL VERDE ROJO INFRARROJOCERCANO

INFRARROJOMEDIANO

0.4 0.5 0.6 0.7 1.5 Long Onda (en µm)Banda 1

Ban

da 2

Banda

3

Ubicación de un patrónespectral único en unespacio espectral de tresbandas.



En la Clasificación NoSupervisada, TNTmips usa unconjunto de reglas paraencontrar automáticamente elnúmero deseado de clasesespectrales ocurridosnaturalmente desde un conjuntode raster de entrada.Las reglas varían dependiendodel método de clasificación queusted elija desde el menú deopción Método.

Comencemos por realizar una clasificación no supervisadade los componentes de raster rojo, verde y azul de unafotografía aérea color natural escaneada. (Usted desplegaráesta imagen para compararla con los resultados de laclasificación en ejercicios posteriores).

Elija el método Agrupamiento Simple Un-Paso para esteejercicio. Este método establece centros de clases inicialesy asigna celdas a las clases en un paso del proceso paradeterminar la distancia espectral entre cada celda yestablecer centro de clases. Cada celda de raster estaasignada a la clase más cercana; una celda demasiado lejanade los centros de clases existentes puede llegar a ser elcentro de una nueva clase (sobre el número de clasesespecífico)

Clasificación No Supervisada

PASOSclic en el botón [Rasters...]en la ventana deClasificación Automáticaseleccione los objetos rasterRED, GREEN, y BLUE desde elArchivo de ProyectoRGBCROP en la colección dedatos CROPDATA

presione el botón del menúde opción Método yseleccione AgrupamientoSimple Un-Pasoseleccione Ninguno desde elmenú de opción IngresarRedistribucióncambie el Número de Clasesa 10elija Ejecutar desde el menúArchivouse el procedimiento deselección estándar del objetopara crear un nuevo Archivode Proyecto para los rasterde salida llamado CROPCLAS

nombre los rasters de salidade Clase y Distancia usandolos nombres por defectoproporcionadosclic [OK] en la ventana deSeleccionar Objetos paraconfirmar la selección ycomenzar el proceso declasificación.

Mantenga abierta la ventana deClasificación Automática con losvalores actuales para el siguienteejercicio.

Para cambiarel valor de unparámetro,destaque elcampo con elcursor delmouse yescriba elvalordeseado.

Clic en el botón[Rasters...] paraseleccionar un conjuntode raster de entradapara la clasificación.

Los raster deentradaseleccionados sonmostrados en elpanel con la barra enmovimiento.

Clic en el botónde opciónMétodo pararevelar unmenú demétodos declasificación.

El método de clasificación, el número de clases, yotros conjuntos que usted usó en una sesión declasificación son guardados por defecto y aparecenen la próxima oportunidad que abra el proceso.Asegúrese de chequear todos los valores antes deejecutar una nueva clasificación.



Los resultados de clasificación principal están contenidosen el raster Clase, el cual es automáticamente desplegadoen una ventana Vista. Algunos métodos de clasificacióntambién le dan la opción de crear un raster de Distancia,el cual también puede seleccionar para verlo. Sus rasterde salida deberían parecerse a las ilustraciones de abajo.

El raster de Clase es un raster categórico: cada valornumérico en el raster es un identificador de clase arbitrarioque ha sido asignado a la celda por el proceso declasificación. El proceso de Clasificación No Supervisadaasigna números de clases en el orden en el cual las clasesse crearon. Ya que el valor del raster no posee otrosignificado numérico, para desplegar un color único seasigna a cada clase desde una paleta de color estándar.

El raster de Distancia es un raster de escala de grisesque muestra cuan bien cada celda llenada es asignada a suclase. Cada valor de la celda del raster en el raster deDistancia graba la distancia entre la celda y su centro declase en el espacio espectral. Las celdas que están máscerca su centro de clase (más aptas) aparecen más oscurasen el raster desplegado que aquellas con valores dedistancia mas grandes (menos aptas).

PASOSexamine el raster de Claseen la ventana Vistadel menú Capa en laventana Vista, seleccioneControlesen la ventana de Controlesde Nivel que se abre, clic elbotón con el iconoAñadir Raster y elijaAñadir RápidoRaster Únicouse el procedimiento deselección estándar del objetopara seleccionar DST_SIMPLE

de su Archivo de ProyectoCROPCLAS

en la ventana de Control deDespliegue de Nivel Rasterque se abre, seleccione AutoNormalizar desde el botón dela opción Contraste y clic[OK]examine el Raster deDistanciaclic en el botón con elicono Remover en lacapa DST_SIMPLE yelija Remover Capa

Celdas menos aptas que aquellas quetienen tonos más claros en el Raster deDistancia

Raster de Clase y Distancia

Raster de Clase CLS_SIMPLE (raster categórico)El raster de Distancia de escala de grisesDST_SIMPLE con contraste auto-normalized realzado



La imagen de entrada a color cubre alrededor de 320 acresde granjas en el este de Nebraska. Fue adquirida durantela estación de verano, e incluye campos de maíz, trigo ysemillas de soya. Nuestro principal propósito en laclasificación de la imagen es mapear la distribución de lasdiferentes cosechas, pero la escena también incluye áreasde árboles y pasto, un camino, un lago y edificios degranjas con techos brillantes. El proceso de ClasificaciónAutomática está influido por los conjuntos de valores debrillo de todas las celdas en la escena, no sólo lascaracterísticas que usted intenta clasificar.

Ordene las ventanas de Vista de ClasificaciónVista y Vista de Grupo 1 en la pantalla paraque pueda comparar el raster de Clase de laimagen de entrada. Note que la mayoría de loscampos incluyen celdas de dos o incluso tresclases. La tabla con la barra en con movimientoen la ventana de Operaciones en Clases muestrael color asignado a cada clase numerada, y elnombre de la clase (para la clasificación nosupervisada, el nombre por defecto es elnúmero de clase). En ejercicios más adelanteusaremos esta ventana para renombrar lasclases, unir clases similares, y simplificar un

PASOSseleccione Despliegue /Datos Espaciales desde elmenú principal de TNTmipsclic en el botóncon el icono Abriren la barra deherramientas deDespliegue de DatosEspaciales y seleccione AbrirGrupo desde el menúseleccione GROUP1 desde elArchivo de Proyecto RGBCROP

Despliegue de una Imagen de Entrada

seleccione Grupo / Cerrar desde laventana de Controles de Grupoantes de continuar con la siguientepágina.

Despliegue RGB de los tres raster usadoscomo entrada para el primer conjunto deejercicios de clasificación

Raster de Clase mostrado a la misma escala.

Númerode Clase

Color deClase

Nombrede Clase

un raster de clase.



Con el propósito de interpretar los resultados de unaclasificación no supervisada, es útil comparar el raster deClase de cualquier información disponible sobre los tiposde materiales y la cobertura del terreno en la escena. Lainformación parcial “terrestre verdadera” para la fotografíaaérea RGBCROP está contenida en dos objetos vectores.

El objeto vector CROPMAP perfila los límites de los camposy tiene etiquetas que identifican los tipos conocidos decoberturas. Los campos para los cuales la cosecha no esconocida son etiquetados con un signo de interrogación.El objeto vector streams traza el patrón de drenaje delárea. Las corrientes están flanqueadas por fajas angostasetiquetadas “Arboles”, las cuales actualmente incluyena ambos: árboles y áreas pastosas.

Note el rango de clases encontrados en los campos demaíz. Los campos de maíz en la esquina nor-oeste de laimagen incluye clases 1, 3 y 6; el campo en el centro lamayoría de las clases 4 y 6; y aquellos que están en laesquina sur-este la mayoría de las clases 4 y 5. Estavariación en las características espectrales podrían resultarde las diferencias en el tamaño de la planta, la densidad dela hoja, tipo de aceite y condiciones, dirección de lapendiente, u otros factores.

Esta variabilidad es inherente en lamayoría de los tipos de coberturade la tierra que usted puede tratarde reconocer en fotografías aéreaso imágenes satelitales. Cuandousted realiza una clasificación nosupervisada, usted debería porconsiguiente poner el número declases de salida varias veces másgrandes que el número de tipos decoberturas de tierra que esperareconocer. Usted puede, entonces,utilizar las herramientas de análisisque están discutidas en ejerciciosmás adelante para reconocer yagrupar las clases espectralessimilares.

PASOSclic en el botón con elicono Abrir en la barrade herramientas deDespliegue de DatosEspaciales y seleccioneAbrir Grupo desde elmenúseleccione GROUP2 desdeel Archivo de ProyectoRGBCROP

Comparación con Datos Terrestres Reales

seleccione Grupo / Cerrar desde la ventanaControles de Grupo antes de continuar con elpróximo ejercicio

La foto a colorsuperpuesta con losobjetos vectores STREAMS

(en azul) y CROPMAP

(polígonos en amarillo)



El raster de Clase que usted hizo en el ejercicio de lapágina 6 no diferencia mucho los campos de semillasde soya de los de maíz particularmente bien, apesar de la misma clase se encuentra en ambos tiposde campos. Podemos mejorar la clasificaciónajustando los parámetros.

En el método de clasificación Agrupamiento Simpleun Paso, el parámetro Distancia de Agrupamiento

Mínima fija el umbral de distancia en elespacio espectral usado para designar unacelda de entrada como un nuevo centrode clase en lugar de asignarlo a las clasesmás cercanas. Ajustando este parámetrohacia abajo aumenta la probabilidad quediferentes tipos de coberturas de la tierraque están juntas en el espacio espectralsean asignadas a distintas clases.

El parámetro Número de Clases fija unlímite superior en el número de clases desalida. Aumentando el límite de clase desalida también hace más probable que lostipos de coberturas similares seránasignados a distintas clases más queagrupadas juntas en una única clase.

El nuevo raster de Clase muestra unaseparación mucho mejor de los campos de maíz,semilla de soya y trigo que los resultados previos.

En la base de esta clasificación, loscampos desconocidos en la parte sur-oeste de la imagen probablemente soncampos de trigo. Sin embargo, aún hayclases substanciales superpuestas entrelos campos de maíz y semillas de soya enla parte este de la imagen. Los camposdesconocidos más al este parecen sercualquiera de los dos, maíz o semillas desoya, pero es imposible asignarles unacategoría con cierta confianza.

PASOScambie el parámetroNúmero de Clases a 15cambie el valor de laDistancia deAgrupamiento Mínima a 7ejecute el proceso declasificación

Parámetros para Ajustar la Clasificación

Raster de Clase producido usando losparámetros ajustados, con 15 clases



Usted puede realizar una clasificación más fina dela foto rgbcrop aplicando una máscara durante elproceso de clasificación. Con el propósito deenfocar el proceso de clasificación en ladiferenciación de cosechas, el objeto FLD_MASKoculta todo lo que está fuera de lo cubierto porárboles y otras porciones no cultivadas de la imagenRGBCROP, así como los campos con márgenessombreados por los arboles adyacentes. (Ustedpuede crear una mascara por una imagen de entradausando el Editor del Conjunto de Entrenamiento, elcual es introducido en ejercicios más adelante).

El botón de Análisis aplica la máscara durante elproceso de construcción de clases, así que elconjunto de clases es determinado usando sólo lasáreas sin máscara. El botón de Salida restringe laclasificación final a las áreas sin máscaras. Las áreascon máscaras están asignadas a valores de 0 en elraster Clase, y aparecen en negro. (Si no le gustanotros métodos de clasificación no supervisadas, elmétodo de Agrupamiento un Paso combina ambasoperaciones en un solo paso a través de la imagen).

PASOSpresione el botón[Máscara...] en laventana de ClasificaciónAutomáticaseleccione el objetoraster FLD_MASK desde elArchivo de ProyectoRGBCROP

para el establecimientode Usar Máscara Paraencienda ambos botonesAnálisis y Salidaejecute el proceso declasificación

Aplicar una Máscara Durante la Clasificación

Las áreas con máscaras tienen un valorasignado de 0 en el raster de Clase yestán desplegadas en negro.

Encienda los botones de Análisis y Salida

Una máscara es un rasterbinario que restringe unaoperación para partesespecíficas en una imagen deentrada. Las áreas para serprocesadas tienen un valorde 1 en la máscara, mientrasque las áreas para serexcluidas del proceso tienenun valor de 0.



Aunque una fotografía aérea a color proporciona una vistafamiliar del paisaje, mejores resultados de clasificaciónpueden ser logrados usando imágenes multiespectralesque incorporan el infrarrojo así como las bandas de luzvisible. La próxima serie de ejercicios usa un conjunto deseis bandas Landsat TM como entrada para el proceso declasificación.

Todos los métodos de clasificación no supervisada(excepto Agrupamiento Simple un Paso) usan un númerode ciclos de procesos (iteraciones) para construir clasesdesde una muestra de las celdas de la imagen de entradaantes de aplicar las clases a la imagen completa. El métodode clasificación Promedio C Difuso usa reglas de difusiónlógica, las cuales reconocen que los límites de la clasepueden ser imprecisos o graduales. El método PromedioC Difuso crea un conjunto inicial de clases prototipo,luego determina un grado de calidad de miembro para cadaclase de todas las celdas. Los grados son usados para

ajustar las asignaciones de las clases y calcular nuevoscentros de clases, y el proceso se repite hasta que esalcanzado el límite de la iteración.

PASOSdesde el Archivo deProyecto CB_TM, seleccionelos objetos raster BLUE,GREEN, RED, PHOTO_IR, TM_5,y TM_7 para la clasificaciónseleccione Promedio CDifuso desde el menú deopción Métodoen los campos de texto deMuestreo para Análisis,cambie el valor de Líneas yColumnas a 2establezca el Número deClases en 15 y enIteraciones Máximas en 10ejecute el proceso declasificación, y dirija elraster de Clase de salida aun nuevo Archivo deProyecto CB_CLASS

Clasificación por Promedio C Difuso

El parámetro de Iteraciones Máximas fijaun valor límite superior en el número deiteraciones realizadas en la fase deconstrucción de clase del proceso.

Las celdas de muestra son seleccionadas enintervalos regulares a través de la imagen.Establezca los intervalos de la muestra en Líneasy Columnas usando los campos de texto deMuestreo para Análisis. Con el valor por defectode 1 todas las celdas de entrada son usadas paraconstruir clases. El aumento de esos valoresacelera el proceso para imágenes más grandes.Por ejemplo, cambiar ambos intervalos a 2 resultaen un conjunto de muestra pintadas en un cuartode las celdas de la imagen.

Rasterde ClasePromedioC Difuso.



El proceso de Clasificación Automática incluye un númerode métodos de clasificación no supervisada. Continúeexplorando estos métodos mediante la aplicación delmétodo de clasificación Promedios K en el raster CB_TM

que usó en los ejercicios previos.

El algoritmo Promedios K ejecuta más rápidamente queel método Promedio C Difuso, así podemos usarconvenientemente la imagen completa para construirclases. El método Promedios K analiza el conjunto deraster de entrada para determinar la localidad de los centrosde clases iniciales. En cada proceso de iteración, las celdasson asignadas a la clase más cercana y nuevos centros declases son calculados. El nuevo centro de clase es elpunto que minimiza la suma de la distancia cuadradasentre puntos en la clase y el centro de la clase. Con cadaiteración los centros de clases cambian y la asignaciónpara la clase para algunas celdas cambia también. Elproceso se repite hasta que el cambio en loscentros de clase cae en un valor específico o elnúmero máximo de iteraciones es alcanzado.

PASOSseleccione la opciónPromedios K desde elmenú de opción Métodoen los campos de textode Muestreo paraAnálisis, cambie el valorde Líneas y Columnas a 1acepte los valores pordefecto de los otrosparámetrosejecute el proceso declasificación, y dirija elraster de clase de salidaal Archivo de ProyectoCB_CLASS

Clasificación Promedios K

El Porcentaje de Agrupamiento EstableMínimo fija el porcentaje de los centrosde clases que deben llegar a serestables para aceptar los conjuntos declases actuales.

Un centro de clase es considerado que estáestable cuando su movimiento con iteracionessucesivas cae bajo el valor del parámetroMáximo Movimiento para la Estabilidad.

Raster de Clase Promedios K para laescena de CB_TM



Como un ejemplo final de clasificación no supervisada,aplique el método ISODATA al conjunto de raster CB_TM

actualmente seleccionado. El método ISODATA es similaral método Promedios K pero incorpora procedimientospara división, combinación, y descartar las clases deprueba para obtener un conjunto óptimo de clases desalida.

El método ISODATA determina un conjunto inicial decentros de clases de prueba y asigna celdas a los centros

de clases más cercanos. En cada iteración subsecuenteel proceso primero evalúa el conjunto de clases actual.Una gran clase larga puede ser dividida en la base desu número de celdas, de su máxima desviación estándaro en la distancia promedio de las muestras de clasesdesde el centro de clase. Una clase que cae bajo elcálculo del umbral mínimo de una celda es descartada,y sus celdas son asignadas a otras clases. Los paresde clases son combinadas si la distancia entre suscentros de clases cae bajo el valor del umbral. Despuésque las clases han sido ajustadas, los nuevos centrosde clases son calculados y el proceso se repite. Lasiteraciones del proceso continúan hasta que haya unpequeño cambio en las posiciones del centro de laclase o hasta que el límite de la iteración es alcanzado.

PASOSseleccione ISODATAdesde el menú de opciónMétodoacepte los valores pordefecto de losparámetrosejecute el proceso declasificación, y dirija elraster de clase de salidaal Archivo de ProyectoCB_CLASS

Clasificación ISODATA

Mantenga la ventana de ClasificaciónAutomática abierta con los valoresactuales para el próximo ejercicio.

El parámetro Distancia Mínima paraMedición aplica a la creación inicial decentros de clases. Establece el límiteinferior de la distancia entre dos clasespromedios.

El parámetro Agrupamiento de CeldasMínimo establece el límite inferior para elnúmero de celdas en una clase. Cualquierclase con algunas celdas es disuelta, y susceldas son reasignadas en otras clases.

El parámetro de Distancia Mínima aCombinar establece el umbral de ladistancia usada para determinar si dosclases cercanas deberían ser combinadas.

El parámetro de Máxima DesviaciónEstándar proporciona un criterio para ladivisión de grandes clases. Si la desviaciónestándar de la clase para cualquier bandade entrada excede este valor, la clase esdividida en dos clases.

Raster de Clase ISODATA para laescena CB_TM



El proceso de Clasificación Automática calcula muchostipos resúmenes estadísticos para las clases finales encada clasificación que ejecuta. Las estadísticas puedenser vistas en forma de tabla y en despliegue de variosgráficos. Esta información le permite investigar laspropiedades espectrales de cada clase y le permitecomparar clases para una posible fusión.

La ventana de Salidas Estadísticas de la Clasificación tabulael conteo de Agrupamiento (el número y porcentaje delas celdas asignadas a cada clase), AgrupamientosPromedios, y Desviaciones Estándar de losAgrupamientos para cada banda de entrada. LasDistancias deAgrupamientos entrematrices Promedios lista ladistancia espectral entrelos centro de clases paracada par de clases de salida.Una Matriz de Covarianzapara cada claseproporciona una medidarelativa del grado de lacorrelación espectral entrecada par de bandas deentrada para esta clase.

Después de ejecutar el proceso de clasificación, ustedpuede querer aplazar el análisis de las clases para másadelante. Puede usar la opción Abrir Clase en el menúArchivo para seleccionar un raster declase existente para el análisis. Lasbandas de entrada sonautomáticamente re cargadas, y todaslas estadísticas de clases soncalculadas dinámicamente comonecesitadas. En suma, cada objeto deestadística puede ser guardado comoun archivo (un archivo de texto en elcaso de Estadísticas).

PASOSseleccione Salida deEstadísticas desde elmenú Vista de laventana ClasificaciónAutomáticaclic en [Guardar Como...]en la ventana SalidasEstadísticas de laClasificaciónuse el procedimientoselección estándar paranombrar el archivo detexto en el cual guardarla estadística de salida

Visualización de Estadísticas de Salida

Clic [Cerrar] para cerrar la ventanaSalidas Estadísticas de la Clasificación.Mantenga abierta la ventana deClasificación Automática con los valoresactuales.

Use las barras paramoverse a través de lasdiferentes listasestadísticas.

Elija Abrir Clase paraseleccionar un rasterde calse existente parael análisis.



Elipse de Ploteo de DispersiónPASOS

seleccione Elipse de Ploteode Dispersión desde el menúVista en la ventana deClasificación Automáticaelija PHOTO_IR desde el menúde opción Xelija RED desde el menú deopción Yclic en la elipse grande,elongada que ocupa la parteinferior derecha de laventana de Ploteo deDispersiónpresione el botóncon el icono Pixelpara encender elmodo de vista de ploteo dedispersión de punto

La ventana Elipse del Ploteo de Dispersión muestra ladistribución de clases proyectadas en un plano 2D a travésdel espacio espectral. Usted determina la orientación delplano eligiendo un par de bandas para asignar los ejes X eY del diagrama. En el modo de vista por defecto cada clasees representada por una elipse (dibujado en la clase decolor) que rodea la mayoría de los puntos dispersos en laclase. Usted puede ajustar el porcentaje de puntosincluidos en la elipse usando la barra Porcentaje en elbotón de la ventana; el valor de defecto es 95 por ciento.Usted también tiene la opción de ver la dispersión de losvalores de celdas en adición o en lugar del despliegue de laelipse.

Las posiciones de las clases agrupadas en el espacioespectral pueden proporcionar importante informaciónacerca de la identidad de los materiales en cada clase. Porejemplo, ploteo de dispersión de una foto infrarroja versusbandas rojas muestran aquí su utilidad en el reconocimientode clases representando suelos pelados, áreas vegetales yagua. Usted puede ver varios planos espectrales al mismotiempo abriendo más de una ventana Elipse del Ploteo deDispersión.

Vista magnificada de un área decaja con despliegue de pixelesencendido o en adición aldespliegue de la elipse. Lospuntos negros representanposiciones donde los puntos dediferentes clases sonsuperimpuestos.

Una elipse de claseseleccionada es destacada conun relleno de color sólido.

Las clases seleccionadas en laventana de Elipse de Ploteo deDispersión (o con las otrasherramientas de análisisgráfico discutidassubsecuentemente) tambiénson simultáneamenteseleccionadas en la ventanaOperaciones en Clases. Lasoperaciones en clases estáncubiertas en ejercicios másadelante.

Mantenga la ventana Elipse de Ploteo de Dispersión abiertapara los siguientes ejercicios. Usted puede querer minimizarla ventana temporalmente para conservar el espacio de lapantalla.



Clasificación DendrogramaPASOS

seleccione Dendrogramadesde el menú Vista en laventana de Clasificación

La Clasificación Dendrograma es un ploteo como un árbolque muestra el grado de afinidad de las clases de salida. Elproceso dendrograma realiza un agrupamiento sucesivode pares de clases, comenzando con el par con el centrode clase más cercano en el espacio espectral. Como cadapar de clases es fusionado, una nueva unión de centro declase es calculada y las distancias de los centros de clasesson recalculadas. Este proceso se repite hasta que todaslas clases hayan sido fusionadas en una clase simple.

El dendrograma muestra las clasesfusionadas de izquierda a derecha, con eleje horizontal de Separabilidadrepresentando la distancia en el espacioespectral. Las líneas verticales uniendodos clases son ploteadas a la distanciaque separan los correspondientes centrosde clases antes que las clases fuerancombinadas. Los pares de clases que seunen juntas cerca del margen izquierdodel diagrama están cercanamenterelacionadas en sus propiedadesespectrales, y el grado de afinidaddisminuye hacia la derecha. En esteejemplo, las clases 6 y 7 son mássimilares, teniendo la más bajaseparabilidad.

Mantenga la ventanaDendrograma deClasificación abierta paralos siguientes ejercicios.

Una clase seleccionada (en este caso la únicaseleccionada en el ejercicio previo) estádestacada en negro en la ventana Dendrograma.

.

clic en el botón de selecciónpara la Clase 15 en laventana Operaciones enClases para deseleccionarlo

Las clases con similares propiedadesespectrales se unen cerca del ladoizquierdo de la ClasificaciónDendrograma.

ClaseNombre de la Clase

Tamaño de la Clase

Una clase seleccionada es marcada con un botón gris oscuro en laventana Operaciones en Clases. Usted puede usar esos botones paraseleccionar o deseleccionar clases individuales, o seleccionar clasesdesde la ventana Vista o cualquiera de las ventanas de herramientaspara análisis.

Incluir Todos Excluir Todos Invertir la Selección

El campo seleccionado muestra el número declases seleccionadas actualmente. El campoTodos muestra el número total de clases.



El procedimiento de co-occurrencia analiza lasasociaciones espaciales de pares de clases. Determina lafrecuencia con las cuales las celdas de cada par de clasesocurren adyacentes a cada una en la imagen. Esos valoresle permiten juzgar cuales clases están espacialmenteasociadas.

La ventana de Análisis de Co-ocurrencia muestra unamatriz con ambos valores de co-occurrencia (númerosuperior) y el valor de separabilidad (numero inferior)para cada par de clases. Los valores de co-ocurrencianormalizados son mostrados por defecto. Esos valoresson producidos por la comparación de la frecuencia purade adyacencia con el valor esperado de una distribución alazar de las celdas de clase, un cálculo que remueve losprejuicios relacionados con los tamaños de clasesdiferentes. Un valor positivo indica que dos clases sonadyacentes a otra más a menudo que la oportunidad queel azar predeciría. Un valor negativo indica que dos clasesno tienden a ocurrir juntas.

PASOSseleccione Co-occurrenciadesde el menú Vista en laventana de Clasificaciónseleccione las clases 6 y 7en la ventana Operacionesen Clases

Análisis de Co-ocurrencia

Mantenga la ventana de Análisis de Co-occurrencia para los siguientes ejercicios.

Valor deCo-ocurrencia paralas clases 6 y 7

Valor deSeparabilidad paralas clases 6 y 7

Las celdas de entrada en la Matriz son mostradaspara los 10 más altos valores de co-ocurrencia ypara los 10 más bajos valores de separabilidad.Usted puede usar las barras en la parte alta de laventana para seleccionar uno de los 10 nivelesregistrados; el despliegue automático se mueve alcorrespondiente par de clases y delinea la celda dela matriz en color.

Cuando usted seleccionaclases en una de las otrasventanas de Clasificación,la ventana de análisis deCo-ocurrenciaautomáticamente muestralos valores para las clasesseleccionadas, y cambia elcolor de fondo para susfilas y columnas en lamatriz



PASOSnote las posiciones de laselipses para las clases 6 y 7en Elipse de Ploteo deDispersiónclic en el iconoExcluir Todos en laventana deOperaciones de Clases paradeseleccionar todas lasclasesseleccione las clases 8 y 15determine los valores de Co-ocurrencia normalizados paralos pares de clases 8 y 15,y chequee sus posiciones enel Dendrograma y Elipse dePloteo de Dispersión

Analizando ClasesUsted puede usar el conjunto de herramientas de análisistratados en los ejercicios previos, junto con el mismoraster de clase, para analizar los conjuntos de clases,determinar las relaciones de la clase e identificar pares declases para fusionar. Examinemos algunos ejemplos desdeel raster de clase ISODATA que usted creó para la escenaCrow Butte TM.

Como notamos en la página 15, el dendrograma muestraque las clases 6 y 7 tienen propiedades espectrales muysimilares. Esta similitud es también evidente en el Elipsedel Ploteo de Dispersión, donde sus clases de elipses sesuperponen para todas las combinaciones de banda (elijaalguna asignación de banda diferente para los ejes de ploteoy confirmar esto). El valor de co-ocurrencia normalizadopara las clases 6 y 7 es alto (35.167), mostrandoque ellos también tienden a ser adyacentes paracada uno de las escenas. El raster clase (verilustración a la derecha) muestra que la clase 7comúnmente ocurre como una clase “margen” alo largo del límite entre la clase 6 y otras clases.Las clases 6 y 7 parecen ser buenas candidataspara la fusión.

En contraste, las clases 8 y 15 tienen propiedadesespectrales diferentes y sus valores de co-ocurrencia normalizados negativos (-46.177)muestran que ellos no están espacialmenteentremezclados. Si examinamos la imagen deentrada (ver ilustración abajo a la derecha),podemos ver que la Clase 8 corresponde acampos agrícolas rasos con suelo suavementecoloreado, mientras que la clase 15 incluye loscampos cultivados “más verdes”. Ambas clasesocurren en áreas de granjas uniformes (campos)con una pequeña entremezcla. Es evidente quelas clases 8 y 15 tienen pequeñas cosas en comúnespectralmente o espacialmente, así ellasdeberían permanecer como clases separadas.

Color “Natural” de la imagen de la misma áreapara comparación (bandas TM Red, Green andBlue asignadas a los canales R, G, y B,respectivamente)

15

8

6

7

Porción del raster de ClaseISODATA para Crow Butteilustrando las relaciones espacialesde las clases seleccionadas.



Fusionando ClasesPASOS

clic en el botón con el iconoExcluir Todos en la ventanaOperaciones en Clasesseleccion las Clases 6 y 7clic [Fusionar]

Las Operaciones en la ventana Clases proporciona loscontroles que le permiten a usted fusionar dos o másclases. La clase fusionada es asignada al número del primercomponente de clase seleccionado, y el raster de clasevisualizado y todas las ventanas de análisis de clases son

automáticamente actualizadas. Usted puederealizar un número de operaciones de fusión,y si no está satisfecho con el resultado, puedepresionar el botón Deshacer repetidamentepara retornar a cualquier fase en la secuencia.El raster de clase final es guardadoautomáticamente cuando usted sale delproceso. También puede usar la opciónGuardar Como en el menú de Archivo de laventana de Clasificación para guardarcualquier resultado de clase intermedio.

Encienda la opción Renumerar si usted quieretener las clases renumeradas para removerhuecos en el conjunto de clases numeradas.

La ventana Operaciones en Clases después defusionar la clase 7 con la clase 6

La opción Mezclar Color crea un nuevo color declase personalizado para las clases fusionadas através de la fusión de colores de las clases deentrada.

Parte de un raster de clase actualizadodespués de fusionar la clase 7 con la clase6. Compare con la ilustración de la páginaanterior.

Usted puede usar la opción Rellenando Agujerospara simplificar el raster de clase por la aplicacióndel filtro modal. El filtro reemplaza la clase decada celda con la clase de la mayoría de lasceldas del vecindario circundante, removiendolas celdas de clases aisladas. Usted puede elegirel tamaño del cuadrado de la ventana de filtradodesde el menú de opción Tamaño.

Cierre las ventanas de Análisis de Co-ocurrencia,Clasificación Dendrograma y Elipse de Ploteo deDispersión eligiendo Cerrar desde cada MenúArchivo de las ventanas.

Clic en el campo Nombre para abriruna ventana y renombrar una clase.



Histograma de DistanciaPASOS

seleccione Histograma deDistancia del menú Vista enla ventana de ClasificaciónAutomáticaen la ventana Histograma deDistancia, asegúrese que elbotón ActualizarAutomáticamente en loscontroles de Distancia seencuentre encendidoseleccione clase 1 en laventana Operaciones enClasesmueva los límites en laventana Histograma deDistancia para poner elnúmero de histograma límitea 64clic en el panel dehistograma y mueva elcursor en cruz hasta que elValor del Letrero Emergentesea 52clic en el botón Aplicar cercadel fondo de la ventana

Parte superior izquierda del raster de clase ISODATApara Crow Butte después de descartar la cola delhistograma de la clase 1. Las celdas negras fuerosreasignadas desde la clase 1 a las no clase (celdascon valor 0) por esta operación.

La nueva distancia del histograma para laclase 1 más pequeña. Note que no hayDeshacer para esta operación.

Si la opción Actualizar Automáticamente está apagada, usteddebe presionar el botón Actualizar para recalcular y desplegar elhistograma de distancia cuando seleccione una nueva clase ocambie el número de limite para la actual clase.

La ventana Histograma de Distancia puede ayudarle aapreciar la distribución de los puntos de la clase en elespacio espectral para cualquier clase. Despliega unhistograma de distancia para la última clase seleccionada,derivado de un raster de distancia que es creadoautomáticamente por el actual conjunto de clases actuales(ver página 5 para una discusión de raster de distancia).Una clase difusa con muchos puntos lejanos desde elcentro de clase tiene un histograma con una “cola”extendiéndose a los valores de distancia más altos. Esasceldas de más afuera pueden representar claramentediferentes materiales que las celdas cercanas al centro dela clase. Usted puede elegir remover las celdas más lejanasusando el histograma en cruz para poner una distanciaumbral y que descarte puntos en distancias mayores. Lasceldas descartadas tienen asignadas un valor de 0 en elraster de clase.



Now we move on to the Supervised Classification Ahoranos movemos en los métodos de ClasificaciónSupervisada. Para realizar una clasificación supervisada,usted debe tener conocimientos detallados de una porcióndel área de estudio, así puede designar áreas de muestrapara cada una de las clases de salida deseadas que seránusadas para “preparar” el algoritmo de clasificación. Lasáreas de muestra están incorporadas en un conjunto deentrenamiento especial de raster. El conjunto deentrenamiento podría incorporar muchas de las variablesespectrales en la escena como sea posible.

Los siguientes ejercicios de clasificación usan un conjuntode raster de Indice de Vegetación de DiferenciaNormalizada Modificada (MNDVI) para el CuadránguloBerea Creek West en el oeste de Nebraska – un áreaagrícola con cosechas tanto en campos secos comoirrigados. Cada raster MNDVI representa las variacionesen la densidad de capas vegetativas para diferentes fechasdurante la estación de cultivo de 1981 (Mayo a Octubre).Los rasters MNDVI fueron derivados desde los datosLandsat MSS en el Archivo de Proyecto BEREAMSS.Cada valor en el raster MNDVI es la razón escalada de labanda 7 MSS (infrarrojo cercano) a la suma de la banda 7y la banda 5 (rojo), con correcciones radiométricas encada banda.

En la Clasificación Supervisa-da usted proporciona un rasterde Conjunto de Entrenamiento elcual identifica áreas de muestrapara cada una de las clases desalida deseadas. El procesodetermina las propiedadesestadísticas de cada una de lasclases de entrenamiento, luegousa esas propiedades paraclasificar la imagen completa.La mayoría de los métodosasignan todas las celdas de laimagen a una de las clases deentrenamiento.

PASOSuse el proceso de desplieguepara ver cada uno de losobjetos raster MNDVI en elArchivo de ProyectoBERMNDVI (en la colección dedatos BEREA)clic el botón con elicono Abrir yseleccione AbrirFormato desde el menúseleccione el objetoTS_LAYOUT en el Archivo deProyecto BEREATRN para verel raster ConjuntoEntrenamiento y la leyenda

El raster MNDVI para el área Berea Creek Westel 24 de Junio de 1981. Los tonos más brillantesindican gran cobertura de vegetación verde.

Clasificación Supervisada

El raster de Conjunto de Entrenamiento para elárea Berea Creek West identifica los mayorestipos de cosechas en 1981 para el ciclo decosecha.

Trigo - Irrigado

Grasa & Pasto

Trigo de Invierno

Barbecho deVerano

Porotos SecosComestibles

Azúcar deRemolacha

Maíz

Alfalfa

Papas



Los datos de entrenamiento que usó en esos ejerciciosfueron derivados de un mapa vectores de cosechas de1981 en el Archivo de Proyecto BERCROPS. Muchos de lospolígonos de cosecha en este objeto incluyen más de unacosecha; los polígonos de una sola cosecha que quedanfueron usados para crear el raster de conjunto deentrenamiento usado aquí. Los ejercicios de más adelantemuestran como usar el Editor del Conjunto deEntrenamiento para crear conjuntos de raster deentrenamiento para usar en la clasificación supervisada.

Como un primer ejemplo de clasificación supervisada,aplique el clasificador de Mínima Distancia al Promediopara el conjunto de raster MNDVI Berea Creek. Estemétodo primero analiza las áreas designadasen el conjunto de entrenamiento, luego calculaun valor promedio en cada banda para cadaclase de entrenamiento. Esos valorespromedios definen la ubicación de los centrosde clase en el espacio espectral. El procesoentonces asigna a cada celda en el conjunto deraster de entrada a la clase con los centros de clases máscercanos en el espacio espectral.

PASOSdel Archivo de ProyectoBERMNDVI, seleccione losseis objetos raster MNDVI

para la clasificaciónseleccione Mínima Distanciaal promedio desde el menúde opción Métodoclic [Datos deEntrenamiento...] yseleccione el objeto rasterTRAINSET desde el Archivode Proyecto BEREATRN

rejecute el proceso declasificación y dirija el rasterde clase de salida en unnuevo Archivo de Proyecto

BEREASUP

Clasificación Mínima Distancia

Los métodos de clasificación bajo la divisiónhorizontal en el menú de opción Método sonmétodos supervisados

Raster de Clase producido por el métodoMínima Distancia. Los colores de claseestán mostrados en la leyenda en lapágina anterior.



Clasificación Modo de Pasos LinealEl método de clasificación Modo de Pasos Lineal aplicatécnicas de análisis discriminatorio de líneas para clasificardatos de imágenes. El análisis discriminatorio es una técnicaestadística que calcula un conjunto de variables derivadas(funciones discriminatorias) que son combinacioneslineales de las bandas en el conjunto raster de entrada. Lasfunciones discriminatorias definen un nuevo conjunto deeje de coordenadas comúnmente–perpendicular en elespacio espectral. El proceso analiza el conjunto deentrenamiento y elige el conjunto de funcionesdiscriminatorias que produce la mejor separación posibleentre las clases. Las funciones discriminatorias son elegidasusando un procedimiento de modos de pasos queselectivamente agrega y remueve las bandas de entradapara encontrar el número mínimo de bandas necesariaspara producir la separación óptima de entrenamiento declases. Todas las celdas de los raster de entrada sonentonces proyectadas dentro del nuevo sistema decoordenadasp a r aclasificación.

PASOSseleccione Modo dePasos Lineal desde elmenú de opción Métodoejecute el proceso declasificación y dirija elraster de Clase de salidaal Archivo de ProyectoBEREASUP

El método de Modo de PasosLineal incorpora unprocedimiento de reduccióndimensional automática. Lasbandas que no ayudansignificativamente a ladiscriminación de clases soneliminadas desde el proceso declasificación. Este método espor lo tanto particularmenteapropiado cuando su conjuntode raster incluye un grannúmero de raster de entrada.

Raster de Clase producido usando el método declasificación Modo de Pasos Lineal.

La redistribución de entrada es un paso depre-clasificación que calcula nuevos valoresde celdas para cada raster de entrada usandoprocedimientos similares a las opciones decontraste realzado en el proceso deDespliegue Espacial de Datos. Usted puedeelegir desde los métodos lineales,Normalizado, Ecualizado o Logarítmico. Laredistribución de entrada puede proporcionarmejor discriminación de clase para imágenesque requiere un contraste realzado para unavisualización efectiva.



Clasificación Máxima ProbabilidadEl método de clasificación Máxima Probabilidad aplica lateoría de la probabilidad en la tarea de clasificación. Desdeel conjunto de entrenamiento de clases el método determinalos centros de clase y la variabilidad en los valores delraster en cada banda de entrada para cada clase. Estainformación permite al proceso determinar la probabilidadde una celda dada en el conjunto raster de entrada pertenezcaa un conjunto de entrenamiento de clase particular. Laprobabilidad depende de la distancia desde la celda al centrode la clase, y el tamaño y la forma de la clase en el espacioespectral. El método Máxima Probabilidad calcula todaslas probabilidades de la clase para cada celda del raster yasigna la celda a la clase con el valor más alto deprobabilidad. Este método produce asignaciones de clasesmás exactas que el método Mínima Distancia al Promediocuando las clases varían significativamente en tamaño yforma en el espacio espectral

PASOSseleccione MáximaProbabilidad desde elmenú de opción Métodoejecute el proceso declasificación, y dirija elraster de Clase desalida al Archivo deProyecto BEREASUP

El uso de Imágenes desdemúltiples datos auxiliares endiscriminación de clases decosechas toma ventaja de lasdiferentes plantas, maduración,y tiempos de recolección de lasdiferentes cosechas. Las seriesde tiempo en los raster deíndices de vegetación retrata lasvariaciones en las coberturas devegetación a través del tiempoy permite al proceso declasificación trabajar con pocosraster de entrada comparadoscon los datos crudos MSS paracada fecha.

Raster de Clase producido usando el método declasificación de Máxima Probabilidad

El valor del Porcentaje Mínimo de Probabilidades un umbral que usted puede poner para excluirlas celdas que no se fijan en cualquiera de lasclases de entrenamiento particularmente bien. Sila probabilidad de clase máxima para las celdases menor que este valor, la celda no esclasificada, y es asignado un valor 0 en elraster de clase.



Los valores de probabilidad calculados por el clasificadorMáxima Probabilidad en su modo por defecto estánbasados únicamente en características espectrales. Peroen algunos casos usted podría conocer independientementeque una clase debería ser poco común en la escena mientrasotra clase debería ser muy común. Este conocimientoprevio podría venir de datos históricos (por ejemplo,registros de las proporciones del área plantada para

diferentes cosechas), o información actual en áreassimilares. Un valor de probabilidad basado en talinformación es llamado una probabilidad a priori.

Usted puede incorporar probabilidades a priori en elproceso de clasificación Máxima Probabilidad. Losvalores deben estar en forma decimal (entre 0 y 1.0) ydeben ser tabulados para cada clase en un campo únicoen una tabla de datos adjuntada al raster de conjunto de

entrenamiento. Los valores de probabilidad a priori sonusados como coeficientes ponderados en el cálculo de lasprobabilidades de asignación de clase.

PASOSclic [Probabilidad A Priori] enla ventana de ClasificaciónAutomáticaen la ventana SeleccionarValor del Atributo, seleccioneCroptype desde la lista deTabla y Probability desde lalista Campo, luego clic [Ok]

ejecute el proceso declasificación, y dirija elraster de Clase de salida alArchivo de ProyectoBEREASUP

Usando probabilidades A Priori

El raster de clase de Máxima Probabilidadproducido usando las probabilidades a priori tienepocas celdas asignadas a la clase poco comúnPapas.

La tabla CropType contiene los valores deprobabilidades a priori asignados a cada clase decosecha para este ejercicio.



Seleccionando la opción Matriz de Error se inicia unanálisis en el error de la clasificación, el cual usa un rasterterrestre real con áreas de muestra de clases conocidaspara evaluar la exactitud del raster de clase actual. Laclase de cada celda del área de muestra es comparada conla clase asignada a la celda correspondiente en el raster declase. Los resultados son mostrados en la Matriz de Error.

Cada fila en la Matriz de Error representa una clase desalida y cada columna una clase terrestre real. El valor encada celda de la matriz es el número de pixeles (celdas deraster) con la combinación correspondiente de la clase desalida y la clase terrestre real. Para cada celda en la direccióndiagonal de la matriz (destacada en color) la clase de salidaiguala la clase de entrada, así los valores en esas celdasdan el número correcto de los pixeles clasificadoscorrectamente para cada clase. Los valores de las celdasfuera de la diagonal de la matriz representan pixelesclasificados incorrectamente. El valor Exactitud Completaes calculado dividiendo el número total de celdas de rastercorrectamente clasificadas (la suma de los valores de ladirección diagonal) por el número total de las celdas en elraster terrestre real, y expresando el resultado como unporcentaje.

PASOSseleccione Matriz deError desde el menúVista de la ventana deClasificación Automáticaclic [Raster TerrestreVerdadero] en la ventanaMatriz de Error yseleccione el objetoTRAINSET desde el Archivode Proyecto BEREATRN

El valor Exactitud Completa para el raster conjunto deentrenamiento en este ejemplo significa que un95.05% de las celdas del área muestra en el rasterconjunto de entrenamiento fueron correctamenteclasificadas por el método Máxima Probabilidad.

Mantenga en mente que laMatriz de Error muestra laexactitud de la clasificaciónsólo relativa al conjunto declases que usted proporciona.Los valores de baja exactitudpara clases particulares podríanindicar que las áreas demuestra que usted usó no soncompletamente representativasde la clase, que la clase no essuficientemente diferente deotras clases en suspropiedades espectrales, o queel su conjunto de clases noincluye todos los materialessignificativos en la escena.

Mantenga la ventanaError de Matriz abiertapara el próximoejercicio.

Vista de la Matriz de Error en el Conjunto de Entrenamiento



PASOSclic [Raster TerrestreReal] en la ventanaMatriz de Error yseleccione el objetoCHECKSET desde elArchivo de ProyectoBEREATRN

Vista de la Matriz de Error Terrestre Verdadero

clic [Cerrar]en la ventanaMatriz deError

Ya que las celdas de raster en áreas de entrenamiento sonusadas para “entrenar” un clasificador supervisado, laclasificación de exactitud es usualmente más alta paraesas celdas de muestras que para otras áreas en la escena.Para obtener una mejor idea de la más extensa exactitud enla clasificación, se puede usar un segundo conjunto deáreas terrestres reales que no fueron usadas en el conjuntode entrenamiento. El objeto raster CHECKSET contiene unconjunto duplicado de las áreas terrestres reales para elconjunto de datos Berea Creek. Usando este raster terrestrereal, la Matriz de Error muestra una exactitud completade 93.38% algo menos que eso para el raster conjunto deentrenamiento.

La Matriz de Error muestra dos medidas de exactitudpara las clases individuales. Los valores de exactitud paracada columna indican el porcentaje de celdas en esta clase

de terreno real que fueron correctamente clasificadas.Los valores inferiores a 100% indican errores de omisión(las celdas de terreno real omitidas desde la clase desalida). Este valor es algunas veces llamado la exactituddel productor. Contrariamente, los valores de exactitudpara cada fila muestran el porcentaje de las celdas demuestra en cada clase de salida que fueroncorrectamente clasificadas. Los valores inferiores a 100%indican errores de comisión (celdas incorrectamenteincluidas en la clase de salida). Este valor es algunasveces llamado exactitud del usuario.

Raster Terrestre RealCHECKSET

La Clase 5 muestra las exactitudes de clasificación más bajas para el conjuntode datos de Berea Creek. La exactitud del productor es sólo 41.67% (sólo 20 delas 48 celdas con esta clase terrestre real correctamente clasificaron). Suexactitud del usuario es considerablemente más alta, 68.97 % (20 de las 29celdas en esta clase de salida clasificaron correctamente).



El Editor del Conjunto de Entrenamiento en el proceso deClasificación Automática proporciona una interfazflexible, perfeccionada para preparar o editar datos deentrenamiento. Cuando usted hace clic en el botón con elicono Nuevo Conjunto de Entrenamiento, el editor creaun raster de entrenamiento en blanco con las mismasdimensiones y georreferencia de los raster seleccionadospara la clasificación. El editor le permite crear un rasterde entrenamiento en varias formas, incluyendo el uso depolígonos vectoriales como una fuente.

PASOSclic [Editor del Conjunto deEntrenamiento] en laventana de ClasificaciónAutomáticaen la ventana Editordel Conjunto deEntrenamiento clicen el botón con el iconoNuevo Conjunto deEntrenamientoclic [Fuente] y seleccione elobjeto TRAINVEC desde elArchivo de ProyectoBEREATRN

seleccione Por Atributodesde el botón del menú deopción Claseclic [Atributo:]en la ventana SeleccionarCampo de Atributos,seleccione CropType desdela lista Tabla y Crop desde lalista Campo, luego clic [Ok]clic [Aplicar]clic en el botón conel icono GuardarConjunto deEntrenamiento y guarde elraster en un Nuevo Archivode Proyecto

Hacer un Conjunto de Entrenamiento desde Polígonos Vectoriales

Un raster de conjunto de entrenamientoes un raster categórico en el cual cadaárea de entrenamiento es una colecciónde celdas de raster con un valor únicono cero. Una única clase deentrenamiento puede por lo tanto incluirmuchas subáreas no contiguas.

Nuevo Conjunto deEntrenamiento

Guardar Conjuntode Entrenamiento

Los controles en el panel deImportación le permiten seleccionar unafuente de objetos vectoriales yespecificar una tabla y campo de basede datos conteniendo los nombres de laclase. Usted puede usar varias fuentesde objetos en secuencia para construirel raster de conjunto de entrenamiento

elija Cerrar desde el menú Archivo en laventana Editor del Conjunto deEntrenamiento



Crear un Conjunto de Entrenamiento desde Puntos Vectoriales

PASOSreabra el Editor delConjunto deEntrenamientoen esta ventanahaga clic en elbotón con el iconoNuevo Conjunto deEntrenamientoclic [Fuente] y seleccioneel objeto GTPOINTS desdeel Archivo de ProyectoBEREATRN

seleccione Por Atributodesde el botón de menúde opción Claseclic [Atributo]en la ventanaSeleccionar el Campo deAtributos, seleccioneCroptype desde la listaTabla y Crop desde lalista Campo, luego clic[Ok]seleccione Todos Igualdesde el botón de menúde opción Radioenter 120 en el CampoValorclic [Aplicar]

Mantenga el Editor del Conjunto deEntrenamiento abierto para el próximoejercicio.

Cuando usted importaclases, los colores declases son asignadosinternamente y nofaltan para colorear loque usted ha asignadoa los puntosvectoriales o clases depolígonos para eldespliegue por atributo.Usted puede hacer clicen la muestra de colorde clase para abrir unaventana estándar deEditor de Color ycambiar cualquier clasede color.

Usted también puede usar puntos en un objeto vector obase de datos de mapa de alfileres como una fuente dedatos de entrenamiento. Esos puntos podrían representarobservaciones de campo reunidas en ubicacionespreseleccionadas al azar usando una unidad de GPS paraverificar las coordenadas de posición. Cada punto generaun área de entrenamiento circular para lo cual usted debeespecificar un radio. Usted puede poner un radio únicopara todos los puntos (como en este ejercicio), o aplicarun radio único para cada clase de un campo en una tablade base de datos.

Use la opción Todos Igual y el campoValor para poner un radio único paratodos los puntos. Use la opción PorAtributo para especificar un campode base de datos conteniendovalores de radio específicos.

Si el objeto vectorseleccionado incluye tantopuntos como polígonos, useel botón de opción Tipo deElemento para seleccionarcual de los tipos deelementos va a usar.



PASOSclic en el campo Etiquetapara la clase SugarBeetsentre el número 6 en laventana y presione [Ok]

Mantenga el Editordel Conjunto deEntrenamientoabierto para elpróximo ejercicio.

Si las clases importadas no tienen el número de clasesdeseadas, usted puede usar el campo Etiqueta en la listade clase para asignar nuevos valores de raster de lasclases. Las Etiquetas son valores temporales que puedenser cambiados o limpiados hasta que se presione el botónAplicar Etiqueta, el cual permanentemente cambia losnúmeros de clase. Usted puede asignar valores de etiquetapara alguna o todas las clases antes de aplicar. Si ustedasigna el mismo valor etiqueta a más de una clase, esasclases serán fusionadas. Todas las clases para sercombinadas deben estar etiquetadas; los valoresetiquetados que duplican los existentes, los números declase no etiquetados son ignorados cuando las etiquetasson aplicadas.

La opción Guardar Tabla de Clase guarda el conjuntoactual de números de clase, nombres y colores asociadosen una base de datos especializada la cual puede ser re-abierta después en el Editor del Conjunto deEntrenamiento. La tabla puede ser guardada en un objetode base de datos de nivel principal o en una base de datosadjunta al raster de conjunto de entrenamiento actual.Esas opciones le permiten hacer y usar un conjuntoconsistente de clases y colores para conjuntos de datosrelacionados.

Uso de Etiquetas para Renumerar Clases de Entrenamiento

Abrir Tabla de Clase

Guardar Tablade Clase

Combinar las ClasesSeleccionadas a laEtiqueta

Borrar de la Etiquetalas clasesseleccionadas

AplicarEtiqueta

Lista de Clasedespués de aplicarlas etiquetasmostradas en laizquierda

repita los pasos previospara asignar un valor 7para Summer Fallow, 8para Wheat Irrigated, 9para Winter Wheat, y 5para Potatoesclic [AplicarEtiqueta]clic [Guardar Tabla deClase] y guardeel objeto base dedatos con la Tablade Información de Claseen el mismo Archivo deProyecto como susraster de conjunto deentrenamientoclic en el botóncon el iconoGuardar Conjuntode Entrenamiento, yguarde el raster en suArchivo de Proyecto deconjunto deentrenamiento

Usted puede abrir una Tabla de Información de Clase anteriorpreviamente guardada para importar áreas de entrenamiento desdeotro objeto. Usted puede aún asignar áreas de entrenamiento aclases usando la opción Por Atributo, pero asegúrese que losnombres de clases en el campo de base de datos designado igualalos nombres en la Tabla de Información de Clase. El procedimientode Importación asigna las áreas de entrenamiento a sus listas declase enfrentando esos campos.



PASOSclic en el botón conel icono Estadísticasclic en el botón conel iconoDendrogramacierre la ventanaEstadísticas de Conjunto deEntrenamiento y la ventanaConjunto de Entrenamientode Dendrograma despuésque los haya examinado

Estadísticas de Entrenamiento y DendrogramaEl Editor del Conjunto de Entrenamiento proporcionavarias herramientas para ayudarle a evaluar su raster deconjunto de entrenamiento antes de usarlo en elprocedimiento de clasificación. Las Estadísticas deConjunto de Entrenamiento y el Dendrograma de Conjuntode Entrenamiento proporcionan la misma informaciónpara conjunto de entrenamiento como la ClasificaciónDendrograma y Estadísticas de Salida proporcionan paraun raster de clase (ver páginas 13 y 15). Usted puede usaresta información para juzgar las características espectralesy la separación de las clases de entrenamiento.

Los objetos que usted está usando como una fuente paraimportar áreas de entrenamiento deben sergeorreferenciados, pero no necesitan igualar lasextensiones del raster de Conjunto de Entrenamiento. ElEditor del Conjunto de Entrenamiento automáticamenteregistra el objeto fuente para el raster conjunto de

entrenamiento, y transfiere áreas deentrenamiento sólo para el áreasuperpuesta. El objeto fuente puede seraún otro objeto raster con diferenteextensión y tamaño de celda (tan grandecomo un raster no signado 4-, 8- o 16 bit).Las clases están asignadas por el valor delraster, y usted puede usar la opción PorAtributo para especificar la base de datosde un raster que contiene los nombres dela clase. Por ejemplo, usted podría tenerun conjunto de imágenes y un raster deconjunto de entrenamiento para una gran

área, pero se desea ejecutar una clasificación supervisadaen una imagen de alta resolución cubriendo sólo unaporción del área. Usted podría importar áreas deentrenamiento y la lista de clase desde el raster de conjuntode entrenamiento existente para asegurar consistenciaentre los raster de clases.

Un raster de conjunto deentrenamiento que usted estéeditando puede ser desplegadocon sus celdas sin clasificarparcialmente transparentessobre otro objeto raster. Paraasegurar que esta opción seapermitida en los próximosconjuntos de ejercicios, haga losiguiente:

elija Controles del menúNivel en la ventana Vista delConjunto de Entrenamientoen la ventana Controles deNivel del Conjunto deEntrenamiento, seleccioneVista Espacial del menúOpciones

encienda el botón HabilitarEfecto de Transparencia enla ventana Opciones deVistacierre el Editor del Conjuntode Entrenamiento



El Editor del Conjunto de Entrenamiento también lepermite crear un nuevo raster de conjunto deentrenamiento manualmente agregando y nombrandoclases y dibujando áreas sobre una imagen de referencia,tal como un mapa terrestre verdadero escaneado ygeorreferenciado. El primer paso es configurar una listade clases. Después usted agrega las clases a la lista, puedenombrar y seleccionar clases en la ventana Editor delConjunto de Entrenamiento en el mismo modo como enOperaciones en la ventana Clases (ver páginas 15 y 18).La ventana Editor del Conjunto de Entrenamiento permiteponer cualquiera de los modos de selección simple omúltiple para seleccionar clases de la lista de clase.

Crear Clases de Entrenamiento ManualmentePASOS

re-abra el Editor del Conjuntode Entrenamientoseleccione Controles desdeel menú Nivel en la ventanaVista del Conjunto deEntrenamientoen la VentanaControles de Niveldel Conjunto deEntrenamiento, clic en elbotón Añadir Raster yseleccione Añadir RápidoRaster Único del menúseleccione el objetoREFERENCE del Archivo deProyecto BEREATRN

clic en el botónNuevo Conjunto deEntrenamiento en laventana Editor del Conjuntode Entrenamientoclic en el botón conel icono Añadir Claseen la ventana Editordel Conjunto deEntrenamiento cinco vecespara agregar cinco clasesclic en el campo Nombrepara la primera clase, entreel nombre Alfalfa en laventana emergente, y clic[OK]repita para las siguientescuatro clases, entrando losnombres mostrados en lailustración

Este ejercicio continua en la próximapágina.

El nivel de referencia para esteejercicio es una imagen de satéliteen escala de grises del área deBerea con áreas terrestresverdaderas indicadas en color.Usted podría probablemente usar unmapa topográfico o planimétricoescaneado o una fotografía aéreacon áreas de entrenamientodibujadas a mano.

Añadir Clase

Borar ClasesSeleccionadas

Selección ÚnicaEl Modo de Múltiple Selección esútil para operaciones de grupos de

clases tales comofusionar, etiquetar,borrar y liberar.



Dibujar un Área de EntrenamientoPASOS

use los controles de laventana Vista para acercar alos campos verdes cerca dela parte superior de laimagen de referenciaclic en el botón conel icono SelecciónÚnico en la ventanaEditor del Conjunto deEntrenamientoclic en el botón de selecciónpara Clase 2 (Beans)clic en el botón conel icono SeleccionarÁrea en la ventanaVista del Conjunto deEntrenamientouse los Controles de Ediciónde Líneas / Polígonos paradelinear el campo circularverde oscuro (1) como esmostrado (manténgase biendentro del margen)clic en el botón derecho delmouse y seleccione AsignarTodas las Celdas desde elmenú emergente

1

Para dibujar un área de entrenamiento, usted primero debeseleccionar una clase única desde la lista en la ventanaEditor del Conjunto de Entrenamiento. Cualquiera de lasáreas que usted dibuje está asociada con la claseactualmente seleccionada. El icono con el botón Seleccionarel Área en la ventana Vista del Conjunto de Entrenamientoabre una ventana estándar de Controles de Edición deLíneas / Polígonos. Esos controles le permiten dibujarfiguras delineadas de polígonos simples o complejos enlas áreas de entrenamiento. Después de dibujar unpolígono, usted debe elegir una opción de asignación conel botón derecho del mouse antes de proceder a dibujarpolígonos adicionales.

Para instrucciones detalladasen el uso de los Controles de Edición de Líneas / Polígonos,consulte el Folleto Cómo Comenzar: Edición de GeodatosVector

Después de dibujar un polígono, haga clic enel botón derecho del mouse para ver el menúemergente (No use el botón Aplicar). Lasopciones de asignación hacen más fáciltrabajar con áreas de diferentes clases queestán juntas cerca.

Asignar a las Celdas Libres: todas las celdasen el polígono que aún no tienen una asignaciónde clase son añadidas a la clase deentrenamiento seleccionada.

Asignar Todas la Celdas: todas las celdas enel polígono son añadidas a la clase deentrenamiento seleccionado sin hacer caso dela asignación de clase previa.

Liberar Todas la Celdas: todas las celdas enel polígono son marcadas como no clasificadas.

Liberar los Seleccionados: todas las celdasde la clase seleccionada (o clases) son marcadascomo no clasificadas

Este ejercicio continua en la próximapágina.

BorrarMoverVértice

Añadiral Final



PASOSrepita los dos últimos pasospara el campo rectangularverde oscuro (2)repita nuevamente para elrectángulo café oscuro (3)para mal asignarintencionalmente esta área ala clase 2dibuje otro polígono cerrandocompletamente el campoincorrecto 3 del área deentrenamientoclic en el botón derecho delmouse y seleccione LiberarTodas las Celdas desde elmenú emergenteseleccione la Clase 4(Grass)dibuje un polígonodelineando campo verdebrillante (4)clic en el botón derecho delmouse y seleccione AsignarTodas las Celdas desde elmenú emergente

Liberación de Asignaciones de Clase

4

Si usted asigna a un área de entrenamiento la claseequivocada, o hace el área demasiado grande, puede tambiénusar la herramienta Seleccionar el Área para corregir esosproblemas. Para “deshacer” una asignación de clase previay retornar el área a un estado sin clasificar, trace alrededordel área y use una de las opciones Liberar en el menú del

b o t ó nderecho delmouse.

.

3

2

El Campo 1 está dibujado en verde brillantedespués de asignarle la clase 2. Por defecto, elraster de conjunto de entrenamiento esdesplegado con transparencia parcial sobrecualquier objeto de referencia de fondo. Estaopción está controlada en la opción de vistaDibujar los Niveles cuando se muestrenHabilitar Efecto de Transparencia (desde laventana Controles de Nivel del Conjunto deEntrenamiento Opciones / Vista Espacial).

Usted también puede usar la herramientaSeleccionar el Área para realizar lasoperaciones de selección de clase paracualquier clase con un área de entrenamiento.

Mantenga el Editor del Conjunto de Entrenamiento abiertopara el próximo ejercicio..

Usted puede añadir áreasde entrenamiento encualquier orden. Sóloasegúrese de seleccionarla clase apropiada antesde dibujar el áreadeseada.



El Manual con las funciones de dibujo en el Editor delConjunto de Entrenamiento también le permite crear unraster de máscara para el uso en la clasificación (vea página9). Usted puede dibujar sobre una imagen de referencia ydefinir áreas para incluir o excluir desde la máscara. Elraster que usted hace en este ejercicio enmascara el áreade un pequeño pueblo, el cual usted probablemente querríaexcluir de la clasificación enfocada en las cosechas.Después de seleccionar la imagen de referencia deseadapara desplegar en la ventana Vista del Conjunto deEntrenamiento, abra un nuevo raster de conjunto deentrenamiento, el cual llegará a ser la máscara. Elija laherramienta Seleccionar el Área para abrir la ventanaControles de Edición de Líneas / Polígonos, y dibuje áreaspoligonales como en los ejercicios previos. Use lasopciones de máscara en el menú del botón derecho delmouse para cualquiera de las dos áreas con y sin máscaradentro del polígono. (Las opciones de máscaras adicionalesserán implementadas en futuras versiones). Las áreasenmascaradas son desplegadas en un gris oscurotransparente en la ventana Vista. Use la función GuardarMáscara para guardar la máscara como un raster binario.

Hacer una Máscara de Conjunto de EntrenamientoPASOS

clic en el botón conel icono NuevoConjunto deEntrenamiento en la ventanaEditor del Conjunto deEntrenamientoclic [No] en la ventana deverificación que pregunta siusted quiere guardar el rasterde conjunto deentrenamientouse los controles de laventana Vista para tener unapanorámica de los polígonosblancos en el cuadrante nor-oeste de la imagen dereferenciaclic en el botón conel icono Seleccionarel Área en la ventanaVista del Conjunto deEntrenamientouse los Controles de Ediciónde Líneas / Polígonos paradelinear el polígono blancocomo se muestraclic en el botón derecho delmouse y seleccioneEnmascarar Dentro desde elmenú emergenteclic en el botón conel icono GuardarMáscara en laventana Editor del Conjuntode Entrenamiento y guardeel raster en su Archivo deProyecto de conjunto deentrenamiento

d

Enmascarar Dentro: el áreadentro del polígono llega a serparte de la máscara (asigna unvalor 0 al raster binario).

Quitar Máscara Dentro: cualquierárea previamente enmascaradadentro del polígono es removidodesde la máscara (asigna un valor1 al raster binario).

Esas opciones también pueden serusadas para crear y editar áreasenmascaradas dentro de un rasterde conjunto de entrenamientoregular.

Usted puede usar la función AbrirMáscara para seleccionar un rasterbinario existente para editarlo en elEditor de Conjunto de Entrenamiento.

GuardarMáscara



Ahora que ha completado estos ejercicios en la clasificación automática deimágenes, usted está listo para comenzar a experimentar con sus propias imágenes.Usted no necesita limitar el proceso de clasificación a los tipos de imágenesópticas multiespectrales mencionadas aquí. La banda infrarroja termal de lasImágenes Landsat Thematic Mapper (banda 6) puede agregar una dimensión útilal proceso de clasificación en algunas aplicaciones. El reciente advenimiento delas imágenes de radar de satélites comerciales también hace posible combinar lasimágenes ópticas y de radar cubriendo la misma área, proporcionando altos nivelesde discriminación en los tipos de características de la superficie. Mantenga enmente, sin embargo, que todos los raster en un conjunto de raster de entradadeben tener las mismas extensiones geográficas y el mismo tamaño de celdas.Usted puede usar el proceso de remuestreo automático de raster (Preparar / Raster/ Remuestreo / Automático) para producir un conjunto de raster coextensivoapropiado desde un conjuntos de raster georreferenciados superpuesto desdediferentes fuentes.

Encontrando Información Adicional

Este folleto ha proporcionado no sólo una breve introducción a los métodos declasificación de imágenes y sus conceptos. Todos lo métodos disponibles en elproceso de Clasificación Automática están descritos con más detalle en el Manualde Referencia de TNTmips. Las referencias listadas abajo también proporcionanbuenos lugares para comenzar si usted está interesado en encontrar informaciónadicional sobre la clasificación automática de imágenes y los métodos declasificación individual.

Jensen, John R. (1996). Introductory Digital Image Processing: a Remote SensingPerspective (2nd ed.). Chapter 8, Thematic Information Extraction: ImageClassification. Upper Saddle River, NJ: Prentice-Hall. pp. 197-256.

Johnston, R. L. (1978). Multivariate Statistical Analysis in Geography: A Primeron the General Linear Model. Chapter 8, Discriminant Analysis. NewYork: Longman, Inc. pp. 234-252.

Lillesand, Thomas M. and Kiefer, Ralph W. (1994). Remote Sensing and ImageInterpretation (3rd ed.). Chapter 7, Digital Image Processing. New York:John Wiley and Sons. pp. 585-618.

Schowengerdt, Robert A. (1997). Remote Sensing: Models and Methods forImage Processing. Chapter 9, Thematic Classification. New York: AcademicPress. pp. 389-438.

Tou, Julius T. and Gonzales, Raphael C. (1974). Pattern Recognition Principles.Reading, MA: Addison-Wessley. 377 pp.

¿Qué Continúa?



Software Avanzado para Análisis GeoespacialCLASIFICACION

MicroImages, Inc.201 North 8th StreetLincoln, Nebraska 68508-1347 USA

Voice: (402) 477-9554 email: [email protected]: (402) 477-9559 internet: www.microimages.com

MicroImages, Inc. publica una completa línea de software profesional para una avanzadavisualización de datos geoespaciales, análisis, y publicación. Contáctenos o visite nuestrositio web para una detallada información del producto.

TNTmips TNTmips es un sistema profesional para una completa integración GIS, análisisde imágenes, CAD, TIN, cartografía de escritorio, y manejo de Base de Datosgeoespaciales.

TNTedit TNTedit proporciona herramientas interactivas para crear, georreferenciar, yeditar vectores, imágenes, CAD, TIN, y Base de Datos relacionales de sus proyectos.TNTedit puede acceder a datos geoespaciales en una amplia variedad de formatoscomerciales y públicos.

TNTview TNTview tiene las mismas poderosas características de despliegue para una complejavisualización e interpretación de materiales geoespaciales como TNTmips. TNTviewes perfecto para aquellos que necesitan acceso flexible a los materiales de proyectos deTNT pero que no necesitan el procesamiento técnico ni las características de preparaciónde TNTmips.

TNTatlas TNTatlas le permite publicar y distribuir el material de sus proyectos geoespacialesen CD-ROM a bajo costo. Los CDs de TNTatlas contienen múltiples versiones desoftware de TNTatlas así que un único CD puede ser usado en cualquiera de lasplataformas de computación más comunes

TNTserver TNTserver le permite publicar sus TNTatlas en Internet o en su intrranet. Naveguea través de atlas con masivos datos geoespaciales con su navegador web usando TNTclientJava gratis de código abierto (o cualquier applet personalizado que usted haya creado)para comunicarse con TNTserver.

TNTlite TNTlite es una versión gratis de TNTmips, TNTedit, y TNTview para estudiantesy profesionales con pequeños proyectos. Usted puede descargar TNTlite para sucomputador (alrededor 100 MB) desde el sitio web de MicroImages, o lo puede ordenaren CD-ROM con el actual conjunto de folletos tutoriales de Cómo Comenzar (envíoy cargos de reproducción aplican).

GeoVectra S.A. Granada 2101, Ñuñoa, Santiago de Chile (56-2) 341-84-32 www.geovectra.cl

c cómo comenzar l i a clasificación de imágenespágina 2 clasificación de imágenes traducido...

Documents