UNIVERSIDAD DISTRITAL FRANCISCO JOSE DE CALDAS

FACULTAD DE INGENIERIA
INGENIERA CATASTRAL Y GEODESIA
PRACTICA NO. 6
CLASIFICACIN SUPERVISADA

OBJETIVO
Aprender a generar una clasificacin supervisada, para una imagen Landsat 8,
en el software ERDAS.

INSUMOS
Imagen landsat 8
Software ERDAS

METODOLOGA

En el proceso de clasificacin supervisada es necesario comenzar por asignar

las reas de entrenamiento. Es necesario tener claro cules son las clases que
se quiere obtener y que estn presentes en la zona de estudio:

Cultivos, suelo expuesto, cultivos en preparacin.

Vegetacin: bosques, pastos, 5. Vegetacin 2: bosques secundarios.
Cuerpos de agua: ros, embalses, represas, etc.
Zonas Urbanas.

1. Desde el visor, con la ayuda de las herramientas el Signature Editor, se

va a digitalizar reas de entrenamiento para cada una de estas clases.
Para ello abra la imagen landsat 8 en el visor con una combinacin de
bandas 5, 4, 3.
2. En el men Drawing Con la herramienta GROW vamos a generar un
semilleo para generar las muestras. Con la herramienta Polygon se
digitalizaran las reas de entrenamiento para luego aadirlas al editor
de firmas con la herramienta de Create New Signature from AOI :
 3. En el visor de signature editor, mediante la herramienta Create New
Signature from AOI, vamos a tomar las muestras de las diferentes
coberturas.

Colocamos en el campo Signature Name el nombre que la vamos a dar a la

cobertura, para este ejemplo empezamos con Agua. Tambin podemos cambiar
el color de acuerdo a la cobertura que estemos tomando.

Tomamos 4 muestras en diferentes cuerpos de agua pues todos no presentan

las mismas caractersticas, por ejemplo de reflectividad.
En este ejemplo, estos fueron los puntos sobres los cuerpos de agua donde se
tomaron las muestras.
4. Ahora realizamos un merge para minimizar la cantidad de muestras que
se han tomado.

Seleccionamos las 4 muestras

 Seleccionamos Merge Selected Signatures, de esta manera nos
quedara una muestra numeo 5 que ser nuestro merge, para este caso
de la coberturas agua. Al cual le asignamos u n signature name y un
color.

5. De esta misma manera vamos a capturar otras coberturas. Para el

ejemplo hacemos lo mismo pero seleccionando reas donde
encontremos tipo de cobertura Bosque.
El objetivo es que por cada una de las coberturas se distribuya la
mayor cantidad de muestreos, no sectorizarlos.

6. Que podemos evaluar de este muestreo?

Sepa3abilad distancia euclidiana

En esta ventana que se nos despliega podemos ver los parmetros de cada
una de las coberturas, distancias separabilidades, mnimo mximo, criterios
para luego hace ejercicios de agregacin de clases. Esto permite identificar qu
clases estn ms prximas espectralmente y pueden crear confusin a la hora
de realizar la clasificacin.
7. Guardamos el muestreo, como tambin el AOI.

8. Luego vamos de nuevo a Raster Supervised

Dejamos la imagen de entrada (imput raster), la imagen que estamos
trabajando. En imput signatures, seleccionamos el archivo de muestreo que
es un .sig y en la parte de abajo colocamos el nombres del archivo de salida.
La imagen la guardamos en la carpeta de resultados con el nombre que desee
y la extensin .img:

Este es el momento debemos elegir el mtodo a utilizar en la fase de

asignacin. Las reglas no paramtricas son en las que no se tiene en cuenta la
distribucin de los valores de las reas de entrenamiento, slo su posicin en el
espacio ndimensional que forman las n bandas de una imagen. Si
seleccionamos la opcin de paraleleppedos, por ejemplo, como regla no
paramtrica se activarn las dos casillas inferiores para especificar qu hacer
con los pxeles que no entren dentro de los lmites de los paraleleppedos
(Unclassified Rule) y con aqullos que caigan dentro de los lmites de varios
paraleleppedos (Overlap Rule).

Para la imagen no se va a seleccionar ninguna regla no paramtrica, sino la

regla paramtrica de mxima probabilidad, dejando la opcin Maximum
Likelihood en la casilla Parametric Rule.

9. ALGORITMOS DE CLASIFICACION

Mxima verosimilitud: De acuerdo a la veracidad de que cada uno de

los muestreos que realicemos, este algoritmo puede ser una buena
opcin como puede tener unos resultados malos.
 Distancia Mahalaobis: algoritmo que nos permite realizar una
clasificacin a partir de la distancia, pero teniendo en cuenta su factor
espectral, no distancia euclidiana, como si es el de mnima distancia
como es el que sigue en la imagen anterior.

Mnima distancia: algoritmo poco empleado, se utiliza ms para i a

campo, y saber asi que tipo de coberturas podramos encontrar.

Mapeador de ngulo espectral: depende de la calidad del muestreo,

del angulo de inclinacin en el momento de obturar.

Correlacin: varianzas estadsticas.

10.Luego de esto damos aceptar, y esperamos que cargue al 100%. Luego

hacemos lo siguiente:

Abrimos la imagen con el nombre que le asigamos, de la clasificacion.

11.Para quitar el efecto sal y pimienta, vamos a:
Dejamos en archio de entrada (imput file), la imagen clasificada y en archivo
de salida, el nombree qu queramos colocar al filtro.
Vemos como aplicandole este filtro, se mejora la calidad visual:
12.Mediante la herramienta Show Attributes donde podemos ver las
coberturas y podemos asignarnombre de las clases.
Como no se tomaron la totalidad de las coberturas, van haber
pixeles que van a quedar sin una clase asignada, estos
errores se deben corregir en el muestreo. Entre mejor
realicemos el muestreo menos errores de este tipo amos a
tener.