Académique Documents
Professionnel Documents
Culture Documents
RESUMEN
La clasificacin de la cobertura del suelo urbano a partir de imgenes multiespectrales de alta resolucin espacial es un
asunto problemtico debido a la similitud de la respuesta espectral que presentan diferentes categoras. Una posible
solucin a este problema consiste en la agrupacin de pixeles en objetos discretos y su utilizacin como elementos
bsicos de anlisis. Aunque exitosa en muchas ocasiones, esta tcnica no siempre produce exactitudes temticas altas.
Este artculo investiga el potencial de utilizar objetos de imagen con fronteras difusas, con el propsito de superar el
problema de confusin espectral entre clases. Para el efecto, se propone un mtodo de anlisis de imgenes que consta
de cuatro fases: (a) asignacin difusa de clases, (b) segmentacin difusa, (c) anlisis de atributos y (d) asignacin discreta
de clases. El mtodo se utiliza para realizar la clasificacin de la cobertura del suelo en una zona urbana de Bogot. Los
resultados demuestran que el mtodo permite alcanzar mejor exactitud temtica que otros mtodos basados en pixeles y
en objetos de imagen discretos. Se concluye que los objetos de imagen con fronteras difusas constituyen una alternativa
til para resolver problemas complejos de clasificacin.
Palabras clave: anlisis de imgenes orientado a objetos, cobertura del suelo urbano, objetos con fronteras difusas.
ABSTRACT
Urban land cover classification from high spatial resolution multispectral images is problematic due to similarity
of spectral response from different categories. One possible solution to this problem relies on grouping pixels into
discrete objects and using such image objects as building blocks for analysis. Although successful in many instances,
this technique does not always produce high thematic accuracies. This paper investigates the potential of using image
objects with fuzzy boundaries in order to overcome spectral confusion between classes. To this end, we propose an
image analysis method that consists of four phases: (a) fuzzy grouping, (b) fuzzy segmentation, (c) attribute analysis,
and (d) categorical class assignment. The method is used for the classification of urban land cover in an urban area of
Bogot. Results demonstrate that the proposed method achieves better accuracy than pixel and discrete object based
methods. We conclude that fuzzy image objects provide a useful framework to solve complex problems of classification.
Keywords: image objects based image analysis, urban land cover, objects with fuzzy boundaries.
Introduccin
Una apropiada clasificacin de la cobertura del suelo urbano
es til en diversas aplicaciones que incluyen modelamiento
hidrolgico y climtico, gestin ambiental y zonificacin de
usos del suelo. En las dcadas pasadas la mayora de aplicaciones
Revista GEOMATICA UD.GEO
No 6
Diciembre 2012
ISSN: 2011-4990
97
Ivn Lizarazo
El nuevo paradigma para analizar imgenes de alta resolucin espacial es el denominado anlisis de imgenes basado
en objetos geogrficos (Geobia, por sus siglas en ingls).
Geobia utiliza tcnicas de segmentacin para agrupar pixeles
en objetos de imgenes con fronteras discretas, como un
primer paso para extraer clases u objetos existentes en el
mundo real (Hay y Castilla, 2008). Diversos trabajos han
demostrado que usando objetos de imgenes discretos en
lugar de pixeles, es posible incluir propiedades espaciales
que mejoran los resultados del proceso de clasificacin
(Blaschke et al., 2006; Lang et al., 2006).
Lizarazo y Elsner (2008) propusieron la segmentacin difusa de imgenes como una alternativa para realizar anlisis
Geobia. La segmentacin difusa es un proceso supervisado
que reconoce que los pixeles de una imagen pueden tener
membresa parcial y mltiples a diferentes clases. A diferencia de la segmentacin discreta que produce una sola
imagen con regiones cuyos lmites estn bien definidos y
cuya asignacin temtica es desconocida, la segmentacin
difusa produce un conjunto de imgenes que representan
regiones con lmites indeterminados y con asignacin
temtica indefinida o ambigua. Estas regiones pueden ser
posteriormente transformadas en diferentes tipos de objetos
de imagen, cada uno representando caractersticas espaciales o temticas diferentes (Cheng et al., 2001). Existen
algunos trabajos previos que muestran el potencial de la
segmentacin difusa de imgenes para realizar clasificacin
categrica y clasificacin continua de cobertura del suelo
usando imgenes multiespectrales e hiperespectrales. El
lector interesado puede consultar, por ejemplo, Lizarazo y
Elsner (2009), Lizarazo y Barros (2010) y Lizarazo (2012).
Aunque el paradigma Geobia ha probado ser til en diversos estudios urbanos (por ejemplo, Wei et al., 2005; Zhou
et al., 2007), no puede considerarse como una panacea:
cuando las clases de inters se superponen en el dominio
espectral, es difcil obtener exactitudes de clasificacin muy
altas (Platt y Rapoza, 2008). En particular, la creacin de
objetos de imagen discretos requiere el uso de mtodos
de prueba y error para obtener los parmetros de segmentacin ptimos para cada imagen y aplicacin especfica.
En muchas ocasiones, la segmentacin de imgenes se
convierte en una tarea dispendiosa que no siempre tiene
xito (Lang et al., 2006). Dependiendo de la complejidad
del paisaje, la calidad de la imagen y las habilidades del
usuario, la segmentacin de una imagen puede producir
objetos de imagen que representan objetos geogrficos,
partes de dichos objetos, agrupaciones de dichos objetos
o simplemente ruido (Schiewe et al., 2001).
Una segmentacin exitosa produce objetos de imagen que
representan de una manera apropiada los objetos geogrficos
de inters. Sin embargo, una segmentacin es afectada por
anomalas del sensor, sombras, diferencias en iluminacin
(Bezdek et al., 1999). Este problema se agrava en zonas urbanas en las cuales existen objetos geogrficos de diferentes
tamaos que exhiben alta heterogeneidad espectral (Herold
et al., 2003). Ms an, diferentes categoras de coberturas
del suelo pueden estar compuestas de materiales similares y
no tienen fronteras discretas entre ellas (por ejemplo, las vas
con pavimento asfltico y las cubiertas de construcciones
98
No 6
Metodologa
rea de estudio
El rea de estudio es una pequea zona urbana localizada
en Bogot (Colombia), de dimensiones 842 m x 825 m, en
la cual existen siete categoras de cobertura del suelo: vas,
construcciones de media reflectancia, construcciones de alta
reflectancia, pastos, rboles, agua y suelo descubierto. El terreno
es plano con elevacin de 2.600 m sobre el nivel medio del
mar. Los usos del suelo son residencial y recreacional. La figura
1 muestra la localizacin y delimitacin del rea de estudio.
pp. 97-109
Diciembre 2012
ISSN: 2011-4990
Fuente: Autor
Figura 1. El rea de estudio, una zona urbana localizada en Bogot (Colombia), cubre el pequeo
rectngulo de color rojo que se muestra en el centro de una imagen Landsat (lado izquierdo).
Figura 2.Datos
Imagen multiespectral QuickBird: (a) Bandaradiomtrica
1 (azul) , (b)
Banda
2 (verde),
Banda 3 (roja)
es 11
bits. La
Figura 2 (c)
muestra
UD y La GEOMATICA. Vol. Z, Enero-Diciembre 201Z
las cuatrocercano)
bandas que
componen
con pixeles de entrenamiento superpuestos, (d) Banda 4 (infrarrojo
con
pixeles ladeimagen.
validacin superpuestos.
La imagen utilizada es una imagen multiespectral QuickBird adquirida en 2004 por
DigitalGlobe en cuatro bandas: azul (centrada
en 479.5 nm), verde (546.5 nm), roja (654
nm) e infraroja-cercana (814.5 nm). Dicha
imagen tiene 352 columnas y 344 filas. La
resolucin espacial es 2.44 m y la resolucin
Fuente: AutorFigura 2. Imagen multi-espectral QuickBird: (a) Banda 1 (azul) , (b) Banda 2 (verde), (c) Banda 3 (roja) con
pixeles de entrenamiento superpuestos, (d) Banda 4 (infrarojo cercano) con pixeles de validacin
superpuestos.
No 6
pp. 97-109
Diciembre 2012
ISSN: 2011-4990
99
Ivn Lizarazo
Datos
Pixeles de
Pixeles de
entrenamiento evaluacin
Vas
145
154
Construc.1
Tabla 1. Esquema de162
clases de cobertura 89
Construc.2
10
61
Cdigo Nombre
Pixeles de
Pixeles de
Pastos
59
62
entrenamiento evaluacin
rboles
23
49
148
Vas
145
154
Agua
25
34
180
Construc.1
162
89
Suelo
17 10
2961
183
Construc.2
441 59
47862
311
Pastos
Nombre
325Fuente:
Arboles
Autor
23
49
521
Agua
25
34
731
Suelo
17
29
Figura 3. Flujo esquemtico de los procesos utilizados para obtener clases de cobertura del suelo a partir de objetos
441
478
de imagen difusos. Cada
una de las
cuatro fases del mtodo se resalta en color gris.
100
pp. 97-109
Revista GEOMATICA UD.GEO
No 6
La fase de asignacin difusa de clases
permite obtener, a partir de la imagen multiespectral y de unas muestras de
entrenamiento, siete bandas nuevas que se
Diciembre 2012
ISSN: 2011-4990
difusa se entiende como una agrupacin de
objetos de imagen II, es decir objetos que
tienen lmites indeterminados (denotados por
la primera I) y categoras temticas inciertas
(2)
(1)
No 6
pp. 97-109
Diciembre 2012
ISSN: 2011-4990
101
Ivn Lizarazo
Figura 4. Regiones difusas agrupando objetos de imagen difusos II que representan valores de membresa de cada pixel a cada
una de las clases de inters: (a) vas, (b) construcciones de reflectancia media, (c) construcciones de reflectancia alta, (d) pastos,
UD y(fLa) GEOMATICA.
Vol. Z, descubierto.
Enero-DiciembreEn
201Z(h) se muestra una imagen pancromtica como referencia visual.
(e) rboles,
agua, (g) suelo
102
N 6
Diciembre 2012
ISSN: 2011-4990
Figura 5. Regiones difusas obtenidas en la fase de segmentacin: (a) objetos de imagen DI, (b) objetos de imagen DD, (c)
Clasificacin
dede
la cobertura
objetos de imagen ID con umbral de membresa de 0.80, (d) objetos de Lizarazo
imagen ID
con umbral
membresadeldesuelo
0.70.urbano
Autor
Figura 5. Regiones difusas obtenidas en Fuente:
la fase de
segmentacin: (a) objetos de imagen DI, (b) objetos de
imagen DD, (c) objetos de imagen ID con umbral de membresa de 0.80, (d) objetos de imagen ID
Core Team, 2012). Adems
la librera
base se utilizaron
objetos de imagen DD, (c) objetos de imagen ID con
conde
umbral
de membresa
de 0.70.
La figura 6 muestra propiedades de regiones difusas obResultados La Figura 6 muestra propiedades de regiones
reflectancia alta, (c) valor de la mediana de la
tenidas en banda
la fase de
anlisis de atributos: (a) ndice DAN
difusas obtenidas en la fase de anlisis de
1 en objetos de imagen DD, y (d)
entre
vas
y
construcciones
de reflde
ectancia
media,
(b)objetos
ndice
La figura 4 muestra
siete regiones
difusasDAN
II obtenidas
atributos:
(a) ndice
entre en
vas y
valor de la mediana
la banda
2 en
DAN entredevas
y construcciones
de reflectancia alta, (c)
la fase de asignacin
difusa: (a) vas,
construcciones
de (b)
construcciones
de (b)
reflectancia
media,
imagen
DD.
valor
de
la
mediana
de
la
banda
1
en objetos de imagen
reflectancia media,
(c)
construcciones
de
refl
ectancia
alta,
ndice DAN entre vas y construcciones de
DD,
y
(d)
valor
de
la
mediana
de
la
banda 2 en objetos
(d) pastos, (e) rboles, (f ) agua, y (g) suelo descubierto.
de imagen DD.
La figura 5 muestra cuatro regiones difusas obtenidas en la
fase de segmentacin difusa: (a) objetos de imagen DI, (b)
No 6
pp. 97-109
Diciembre 2012
ISSN: 2011-4990
103
Ivn Lizarazo
Figura 6. Propiedades de regiones difusas: (a) ndice DAN entre vas y construcciones de reflectancia media,
(b) ndice DAN entre vas y construcciones de reflectancia alta, (c) valor de la mediana de la banda 1 en objetos
de imagen DD, y (d) valor de la mediana de la banda 2 en objetos de imagen DD.
Fuente:
Autor DAN entre vas y construcciones de reflectancia media,
Figura 6. Propiedades de regiones difusas:
(a) ndice
(b) ndice DAN entre vas y construcciones de reflectancia alta, (c) valor de la mediana de la banda
1 en objetos de imagen DD, y (d) valor de la mediana de la banda 2 en objetos de imagen DD.
104
No 6
pp. 97-109
Diciembre 2012
ISSN: 2011-4990
Figura 7. Clasificacin de cobertura del suelo en la zona de estudio: (a) usando objetos difusos (PCC=0.86), (b) usando
objetos discretos (PCC=0.69), (c) usando clasificacin difusa por pixeles (PCC=0.75), y (d) usando clasificacin de mxima
Clasificacin de la cobertura del suelo urbano
probabilidad por pixelesLizarazo
(PCC=0.66).
No 6
11
UD97-109
y La GEOMATICA.
Vol. Z(Y),
201Z.
pp.
Diciembre
2012Enero-Diciembre
ISSN: 2011-4990
105
Ivn Lizarazo
Vas
Construc. 1
Construc. 2
Pastos
rboles
Agua
Suelo
Total
Vas
136
149
Construc. 1
16
85
20
131
Construc. 2
31
32
Pastos
61
64
rboles
43
43
Agua
34
34
Suelo
21
25
Total
154
93
57
62
49
34
29
478
PCC = 0.86
Intervalo de PCC en el 95% de confiabilidad = [ 0.83, 0.89 ]
Exactitud
global
Vas
Construc. 1
Construc. 2
Pastos
rboles
Agua
Suelo
Total
Vas
90
114
Construc. 1
63
92
24
188
Construc. 2
23
23
Pastos
42
47
rboles
44
46
Agua
25
25
Suelo
19
16
35
Total
154
99
51
62
49
34
29
478
PCC = 0.69
Intervalo de PCC en el 95% de confiabilidad = [ 0.66, 0.72 ]
Exactitud
global
Vas
Construc. 1
Construc. 2
Pastos
rboles
Agua
Suelo
Total
Vas
136
45
181
Construc. 1
17
37
57
Construc. 2
59
14
84
Pastos
36
37
rboles
46
48
Agua
20
20
Suelo
24
23
51
Total
154
89
61
62
49
34
29
478
Exactitud
global
PCC = 0.75
Intervalo de PCC en el 95% de confiabilidad = [ 0.72, 0.78 ]
Fuente: Autor
106
No 6
pp. 97-109
Diciembre 2012
ISSN: 2011-4990
Vas
Construc. 1
Construc. 2
Pastos
rboles
Agua
Suelo
Total
Vas
46
54
Construc. 1
106
72
14
197
Construc. 2
61
11
86
Pastos
56
62
rboles
46
47
Agua
19
19
Suelo
13
13
Total
154
89
61
62
49
34
29
478
PCC = 0.66
Intervalo de PCC en el 95% de confiabilidad = [ 0.63, 0.69 ]
Exactitud
global
Fuente: Autor
Discusin de resultados
La figura 7a muestra la clasificacin de cobertura del suelo
obtenida mediante el mtodo basado en objetos de imagen
difusos. Como referencia, la mejor clasificacin obtenida
mediante el mtodo basado en objetos de imagen discretos,
usando las tcnicas Geobia convencionales se muestra en
la figura 7b. Adicionalmente, el resultado de realizar la clasificacin basada en pixeles usando lgica difusa se muestra
en la figura 7c. Finalmente, el resultado de realizar la clasificacin basada en pixeles usando el mtodo de mxima
probabilidad se muestra en la figura 7d. La clasificacin
basada en objetos discretos se realiz utilizando el software
Erdas Imagine. Las dos clasificaciones basadas en pixeles
se realizaron usando el software Idrisi.
Es evidente que el mtodo de anlisis de imgenes basado
en objetos difusos permiti obtener clases de cobertura ms
limpias que las obtenidas mediante los otros mtodos.
La exactitud temtica global, medida como porcentaje de
clasificacin correcta (PCC), alcanz un valor de 86%. Las
matrices de error y los valores de PCC correspondientes
a cada uno de los mtodos indicados se muestran en las
tablas 2, 3, 4 y 5.
Aunque el mtodo basado en objetos difusos alcanz los
mejores resultados, es claro que la confusin entre vas
y construcciones de reflectancia media (indicadas como
Construc. 1 en las tablas) no se resolvi completamente. Esta
confusin puede ser explicada por el hecho de que muchos
objetos geogrficos pertenecientes a esas clases de cobertura
contienen asfalto y concreto en proporciones similares.
Revista GEOMATICA UD.GEO
No 6
pp. 97-109
Diciembre 2012
ISSN: 2011-4990
107
Ivn Lizarazo
Conclusiones
La principal contribucin de este artculo es que demuestra
que el mtodo de clasificacin basado en objetos difusos
permite resolver, hasta cierto punto, la ambigedad espectral
que caracteriza ambientes urbanos. Su aplicacin permite
obtener exactitudes temticas superiores a las obtenidas
mediante tcnicas de anlisis basadas en objetos de imagen
discretos o en pixeles individuales.
El mtodo propuesto tiene las siguientes ventajas respecto
a la clasificacin basada en objetos de imagen discretos:
(a) simplicidad: el usuario debe suministrar nicamente
muestras de entrenamiento confiables y puede olvidarse de
realizar pruebas de ensayo y error para obtener parmetros
ptimos de segmentacin; (b) flexibilidad: el usuario puede
utilizar diferentes mtodos de aprendizaje de mquina para
ejecutar cada una de las fases del mtodo; y (c) bajo costo: el
usuario puede usar herramientas de software libre y gratuito
para realizar clasificacin de la cobertura del suelo urbano.
Agradecimientos
El autor agradece a la Universidad Distrital Francisco Jos
de Caldas por suministrar la imagen multiespectral utilizada
en estos experimentos. Igualmente, agradece a los ingenieros
catastrales y geodestas Ricardo Cutiva y Samuel Mesa por
su apoyo en la recoleccin de las muestras de entrenamiento
y de validacin utilizadas en este estudio.
Referencias
Anderson, J.; Hardy, E. y Roach, J. (1976). A Land Use
And Land Cover Classification System For Use With
108
No 6
pp. 97-109
Diciembre 2012
ISSN: 2011-4990
No 6
pp. 97-109
Diciembre 2012
ISSN: 2011-4990
109