2.1. Clasificación de imágenes

La clasificación de imágenes es un proceso que consiste en agrupar los pixeles de una imagen en un número finito de clases, basándose en los valores espectrales de las distintas bandas, convirtiendo de este modo la información captada por los sensores como niveles digitales a una escala categórica fácil de interpretar (^{Mather & Tso, 2009}). Los pixeles que pertenezcan a la misma clase deberán tener unas características espectrales similares (^{Schowengerdt, 1985}). Los algoritmos de clasificación de imágenes son una de las técnicas más importantes utilizadas en el ámbito de la teledetección, ya que facilitan la interpretación de una gran cantidad de información contenida en sus bandas. El objetivo de los algoritmos de clasificación de imágenes consiste en dividir los pixeles de la imagen en distintas clases, llamadas clases espectrales, teniendo en cuenta la similitud existente entre dichos pixeles. La clasificación de una imagen es una tarea que se realiza con el propósito de convertir datos cuantitativos (generalmente los niveles digitales de los píxeles en cada banda espectral) en datos cualitativos (temas o clases que son importantes en un dominio específico del conocimiento) (^{Richards & Jia, 1999}). La motivación principal de una clasificación es la de representar un fenómeno que ocurre sobre la superficie terrestre a partir de la generalización y agrupación de datos obtenidos mediante sensores remotos (^{Jensen, 2005}). Una buena clasificación debe representar de manera exacta la realidad a partir de las características pictórico-morfológicas presentes en las imágenes (^{ASPRS, 1997}).

2.2. Máquinas de Soporte Vectorial (MSV)

Las MSV son un conjunto de algoritmos de aprendizaje supervisado desarrollados por (Vapnik & Cortés, 1995) y su equipo AT&T, que han surgido como métodos relacionados con problemas de clasificación y regresión. Su buen desempeño ha llevado a su uso en una gran variedad de problemas. Algunos investigadores (^{Fletcher, Hussain & Shawe-Taylor, 2010}; ^{Huang, Nakamori & Wang, 2005}; ^{Argañaraz & Entraigas, 2011}; ^{Mountrakis, Im & Ogole, 2011}; ^{Espinosa, Sánchez & Castilla, 2014}), han utilizado MSV para solucionar problemas de clasificación y regresión relacionados a la predicción de series de tiempo y clasificación de imágenes, mostrando tener muy buenos resultados en comparación a otras metodologías tradicionales como modelos econométricos, redes neuronales, entre otras. La construcción de las MSV se basa en la idea de transformar o proyectar un conjunto de datos pertenecientes a una dimensión n dada, hacia un espacio de dimensión superior aplicando una función kernel - Kernel Trick (^{Alpaydin, 2010}) para que a partir del nuevo espacio creado, se operen los datos como si se tratase de un problema de tipo lineal, resolviendo el problema sin considerar la dimensionalidad de los datos (Alpaydin, 2010). La idea detrás de las MSV es que, a partir de unos inputs de entrada al modelo, se etiquetan las clases y se entrena la máquina construyendo un modelo que sea capaz de predecir la clase de los nuevos datos que se introduzcan al modelo.

2.2.1. Funciones de decisión dentro de las MSV

Se considera el problema de clasificación de un pixel cuyas características están dadas por el vector X tal que X = (X1,… , XP)T pertenece a una de dos clases posibles. Ahora se supone que se tienen las funciones F1(x) y F2(x) que definen las clases 1 y 2 y se clasifica al pixel X dentro de la clase 1 si:

F1(x) > 0, F2(x) < 0,

O clasificamos al pixel X dentro de la clase 2 si:

F1(x) < 0, F2(x) > 0,

Estas funciones se denominan funciones de decisión. Al proceso de encontrar las funciones de decisión a partir de pares de entrada-salida es llamado entrenamiento. Los métodos convencionales de entrenamiento determinan las funciones de decisión de tal forma que cada par entrada-salida sea correctamente clasificado dentro de la clase a la que pertenece. La Figura 1 muestra un ejemplo que asume a los cuadros como la clase 1 y los círculos como la clase 2, resulta claro que los datos de entrenamiento no se interceptan en ningún momento y es posible trazar una línea separando los datos de manera perfecta (^{Canales et al., 2009}):

Fuente: ^{Canales et al., 2009}

Figura 1 Funciones de decisión. 

3.1. Desarrollo

Esta sección se centra en la arquitectura de la herramienta, está formada por una combinación de componentes relacionados con el ámbito de la teledetección y componentes relacionados con el modelo matemático de máquinas de soporte vectorial. La Figura 3, muestra la arquitectura principal del algoritmo.

Figura 3 Arquitectura del algoritmo desarrollo. 

El algoritmo MSV tiene varios componentes de entrada y un solo componente de salida: la imagen clasificada. Para la aplicación desarrollada se tienen dos entradas: la aplicación de lectura de la imagen y la aplicación de lectura del conjunto de muestras (Polígonos de entrenamiento) los cuales fueron seleccionados, tomando de la propia imagen de satélite, varias muestras de las diferentes clases, dichas muestras están formadas por pixeles representativos que componen el denominado conjunto de entrenamiento (o firmas), sobre el que posteriormente se basó el proceso de clasificación. Este algoritmo por ser de tipo supervisado compara cada pixel de la imagen con las firmas elegidas y, a continuación, cada pixel es etiquetado en la clase a la que más se asemeja espectralmente a partir de los pixeles que pertenecen a las clases elegidas para el proceso de clasificación.

3.2. Preprocesamiento

Esta sección se centra en la recolección, obtención y procesamiento digital de las imágenes a trabajar. La Figura 4 muestra la arquitectura principal de la etapa de preprocesamiento.

Figura 4 Preprocesamiento. 

El preprocesamiento consiste en dejar la imagen con el menor porcentaje de ruido posible a partir de correcciones radiometrías y geométricas, para aumentar las posibilidades de éxito en las siguientes fases. Dentro de este proceso se definieron las siguientes etapas:

3.3. Almacenamiento en la base de datos

En esta etapa se definen los parámetros para realizar el almacenamiento de las imágenes en la base de datos espacial que se utilizó posteriormente para realizar la clasificación supervisada de las imágenes. La extensión para el almacenamiento de imágenes para el gestor de base de datos PostgreSQL se denomina PostGIS la cual permite convertir datos ráster que estén en formatos soportados por GDAL (por su sigla en inglés, Geospatial Data Abstraction Library) en un archivo SQL (por su sigla en inglés, Structure Query Language), que posteriormente puede ser ejecutado desde el motor de base de datos. Figura 5

Figura 5 Imagen cargada en Qgis almacenada desde la base de datos Postgis. 

3.4. Extracción de características

Para la extracción de características se analizó la imagen según la combinación de bandas elegida, teniendo en cuenta que es necesario realizar un estudio de las variables ecológicas de vegetación más relevantes dentro de la zona de estudio, esto con el fin de poder establecer de manera más precisa las clases que se deben tener en cuenta dentro del algoritmo y comenzar a realizar una separación de pixeles según las características identificadas. La Tabla 2 muestra las principales características encontradas en la imagen de satélite.

Una vez establecidas las clases, se definió una sentencia SQL dentro de la base de datos que permitió ejecutar una función de análisis espacial denominada intersección entre los polígonos de entrenamiento almacenados y los pixeles de la imagen. De esta manera se establecieron las zonas consideradas como verdad absoluta de terreno y se asociaron los niveles digitales correspondientes a cada una de las clases definidas anteriormente. Esta sentencia SQL recorre pixel a pixel la imagen y genera un recorte de la misma solo con aquellos registros de pixeles que se encuentran dentro de algún polígono de entrenamiento, cumpliendo con la particularidad de seleccionar los pixeles si y solo si el centroide de este, se encuentra dentro del polígono, esto es muy importante ya que gracias a esta particularidad se estableció una condición de frontera que permite eliminar ruido en la muestra.

3.5. Clasificación MSV

Esta investigación propone una aplicación que implemente el algoritmo de clasificación de imágenes supervisado MSV. El algoritmo se ejecutó directamente sobre una base de datos espacial dentro del gestor PostgreSQL, aprovechando las propiedades ráster definidas en la extensión PostGIS sobre las imágenes, con el propósito de ejecutar un proceso de clasificación supervisado espectral. Esta etapa corresponde a la aplicación del algoritmo planteado en la etapa de desarrollo sobre una imagen satelital Landsat 8 OLI para una zona piloto en el municipio de la Macarena Meta perteneciente a la amazonia colombiana, donde se analizó el comportamiento del algoritmo comparándolo con los paquetes de procesamiento digital de imágenes ENVI para el caso de uso de software comercial y ORFEO para el caso de software libre, y se establecieron las ventajas y desventajas de cada uno de los algoritmos, además se comparó a través de cada matriz de confusión y coeficiente Kappa el rendimiento de cada clasificador para concluir según los resultados obtenidos.

3.6. Etapa de validación de la clasificación de imágenes

Para la validación de la clasificación existen dos posibilidades, evaluar una estimación teórica del error en función de las características del algoritmo de clasificación o analizar una serie de áreas test obtenidas del mismo modo que las áreas de entrenamiento. Para la presente investigación se ha implementado el segundo modo de proceder ya que permite obtener una estimación más realista de los errores mientras la muestra de pixeles para la estimación del error sea lo suficientemente grande y representativa. Para la evaluación de los errores se utilizó una matriz de confusión de clases ya que, con este tipo de análisis, se obtuvo, no sólo una caracterización del error cometido, sino también una medida sobre la adecuación de la clasificación considerada a la realidad y de los parámetros utilizados para caracterizarlas.

4.1. Matriz de confusión del aplicativo desarrollado

Ahora comprobaremos los resultados obtenidos a través de la matriz de confusión y su respectivo coeficiente Kappa para el aplicativo desarrollado durante este trabajo de investigación (Tabla 4), como también para el software ENVI (Tabla 5), y Monteverdi ORFEO (Tabla 6).

Según las Tablas 4, 5 y 6, y la escala de valoración propuesta por Landis y Koch podemos decir que las tres clasificaciones superan el índice kappa del 80% y se pueden considerar como clasificaciones “casi perfectas”. Sin embargo, el clasificador desarrollado en esta investigación fue el que mejor eficiencia presento, ya que obtuvo el índice Kappa más alto entre las tres clasificaciones propuestas, esto se ve reflejado tanto en la imagen como en su matriz de confusión, logrando de esta manera realizar una clasificación con un alto índice de exactitud temática. En consecuencia, el aplicativo desarrollado optimiza la funcionalidad general de cualquier clasificación que se realice, y cuyo funcionamiento se base en la identificación adecuada de los pixeles de las imágenes en sus clases correspondientes.