See discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/279173866 Análisis comparativo entre ENVI y Orfeo Toolbox SVM Research · June 2015 DOI: 10.13140/RG.2.1.1991.1844 CITATIONS READS 0 480 1 author: Juan Castellon Universidad Distrital Francisco José de Caldas 1 PUBLICATION 0 CITATIONS SEE PROFILE All content following this page was uploaded by Juan Castellon on 24 June 2015. The user has requested enhancement of the downloaded file. uno comercial –ENVI. validando los resultados generados con las mismas muestras para ambos casos Orfeo Toolbox y ENVI. SPOT 6. Análisis comparativo del método de clasificación de máquina de soporte vectorial (SVM) en imágenes de alta resolución usando los software ENVI y Orfeo Toolbox. clasificación de imágenes. Palabras clave: SVM. análisis de señales biomédicas.y una librería de algoritmos de código abierto -Orfeo Toolbox-. Lo anterior teniendo en cuenta de que a pesar de que se usa el mismo método de clasificación los requerimientos para ejecutarlo y la implementación varían de un software a otro. a . imagen satelital de alta resolución. 2010). reconocimiento de rostros. Introducción: Desde que la información de imágenes satelitales se dispuso a la comunidad civil en 1970. clasificación supervisada. predicción financiera de series de tiempo. ha encontrado un amplio rango de aplicaciones en problemas de reconocimiento de patrones. 2005). se ha invertido en grandes esfuerzos en la creación de mapas temáticos de alta calidad para establecer inventarios precisos de la cobertura del suelo (Wilkinson. Las máquinas de vectores de soporte recientemente han sido foco de estudios y aplicaciones debido a que generan clasificaciones precisas sin requerir gran cantidad de muestras (Foody & Mathur. Juan Castellón Procesamiento Digital de Imágenes Avanzado Resumen: Este trabajo compara y evalúa los resultados de la clasificación supervisada de una imagen satelital de alta resolución espacial SPOT 6 usando el algoritmo de clasificación de máquinas de soporte vectorial (SVM) usando dos softwares diferentes. Desde su comienzo en los 90s. diagnósticos médicos y minería de datos (Hwang & Chiang. En este artículo mediante la aplicación del SVM como clasificador tratamos de rastrear si existen diferencias cuando es utilizado en diferentes software. Este clasificador pertenece a la familia de los clasificadores lineales puesto que inducen separadores lineales o hiperplanos en espacios de características de muy alta dimensionalidad. 2004). Clasificador Support Vector Machine (SVM) SVM es un clasificador relativamente nuevo que tiene fuertes bases en el campo de la teoría de entrenamiento estadística. com/files/pmedia/public/r12785_9_spot6-7_ficha_tecnica. Las clasificaciones se realizaron a partir de una imagen SPOT 6. Entre las latitudes norte 3° 4’ y 3° 15’ y las longitudes oeste 74° 25’ y 74° 35’ (Figura 1). utilizando para ello un proceso de optimización basado en la obtención de vectores que definen los límites de las clases (Rojas. Su principal objetivo es obtener una superficie (o hiperplano) capaz de separar las diferentes clases en las que se puede agrupar una distribución de datos en un espacio N-dimensional. cuyo tamaño es de 3025 x 3372 pixeles (Figura 1. Localización relativa de la zona de interés. Área de estudio y Datos En esta investigación la zona de interés cubre una parte del municipio de Uribe en el departamento del Meta al costado este de la cordillera oriental con un área de 353 km 2.pdf . a) b) c) Figura 1. la cual cuenta con las 3 bandas del espectro electromagnético visible (azul. SPOT 6| SPOT 7.pesar de que se pueden adaptar de forma sencilla para actuar como clasificadores no lineales mediante la aplicación de una función o kernel no lineal sobre los datos de entrada. Ficha Tecnica. http://www2.a). Como se ve en la figura 2: 1 Astrium. cuenta con una resolución espacial de 6 metros. verde y rojo) y 1 banda en el Infrarrojo cercano1. 2009).geo- airbusds. Entrenamiento de los datos: Las muestras de los datos fueron recolectadas sobre la imagen satelital distribuidas por toda la zona. para que el clasificador extraiga la información requerida y que la misma sea validada. sombras (3c): . suelo desnudo (2c). composición falso color RGB (421) Métodos La clasificación supervisada parte de la identificación previa de ciertas clases. Figura 2. cuerpos de agua (3a). 65 en total seleccionadas aleatoriamente a lo largo de la imagen sin que estas tuvieran correspondencia el número de muestras con la clase a la que pertenecen (Figura 4). se tuvo en cuenta que fueran muestras claras de cada una de las clases temáticas que querían ser extraídas por medio de la clasificación. Las figuras 2 y 3 ejemplifican cada clase que se quiere extraer bosque (2a). 1995). Imagen a clasificar. arbustales- herbazales (2b). Lo cual permite generar áreas de entrenamiento (Chuvieco. nubes (3b). Ejemplos de Clases 4.5 y 6.2 y 3. Ubicación y distribución de las muestras de entrenamiento . composición falso color RGB (421) Figura 5. composición falso color RGB (421) Clase 4 Clase 5 Clase 6 Cuerpos de Agua Nubes Sombras a) b) c) Figura 4. Clase 1 Clase 2 Clase 3 Bosque Arbustales – Herbazales Suelo Desnudo a) b) c) Figura 3. Ejemplos de Clases 1. El resultado es un archivo TXT que contendrá el modelo derivado de las muestras de entrenamiento que permite clasificar cada uno de los pixeles en las clases ya definidas. por medio del algoritmo Image Classification. (Orfeo Toolbox. Los algoritmos de Orfeo Toolbox es posible utilizarlos mediante la interfaz de Monteverdi2 o mediante la interfaz de QGIS2.html . 2 QGIS. En ambos casos el costo aplicado fue de 100 para controlar el intercambio entre los errores de entrenamiento. Clasificación en ENVI ENVI combina procesamiento de imágenes avanzado y provee tecnologías para el análisis geoespacial para ayudar a extraer información importante que mejore la toma decisiones (Exelis. Entre los métodos de clasificación supervisada cuenta con el algoritmo Support Vector Machine Classification el cual requiere como insumo la imagen a clasificar junto con los archivos vector que poseen las muestras de entrenamiento de clases que se quieren extraer en la clasificación. El tipo de kernel utilizado es el lineal (Tso & Mather. tiene como objetivo hacer posible el procesamiento de imágenes de gran tamaño incluso en portátiles de recursos limitados. http://www. Documentación. 2009) ya que varias pruebas empíricas han demostrado que genera los mejores resultados. Las muestras estan compuestas por los valores de los pixeles en cada banda y un archivo de estadísticas XML producido por el algoritmo ComputeImagesStatistics. 2015). 2015). y suministra un conjunto de herramientas para la realización de tareas clásicas de teledetección. Usando el algoritmo Train a classifier from multiple images en el cual realiza una clasificación entrenada de múltiples pares de imágenes (mascara e imagen a clasificar) y un vector de entrenamiento. Clasificación en Orfeo Toolbox (OTB): Orfeo Toolbox es un repositorio de librerías de código abierto C++ para el procesamiento de imágenes de sensores remotos. El vector de entrenamiento debe contener polígonos con un atributo tipo entero positivo que representara cada una de las clases. Durante este trabajo se usó la interfaz de QGIS para realizar la clasificación. el cual requerirá las estadísticas ya generadas junto con el modelo y la imagen a clasificar (Monteverdi2. 2015).qgis. el nombre de este atributo debe ser el mismo que se use en el parámetro "Class label field".org/es/docs/index. Im.OTB 99. Resultados de las clasificaciones SVM comparando ENVI vs. .75% 0. Resultado de la clasificación en OTB Figura 7. & Ogole.9943 Los resultados de ambos casos en la exactitud temática es bastante alta. lo cual ayuda a evidenciar por que el SVM ha incrementado popularidad (Mountrakis.52% 0. OTB Resultados de la Clasificación Clasificador Overall acurracy Kappa SVM . 2011).ENVI 99. Figura 6. Tabla 1. Resultado de la clasificación en ENVI Al momento de validar la clasificacón con muestras de validación determinadas visualmente ya que la zona no cuenta con información de terreno oficial.9967 SVM . Resultados y validación de la clasificación Las figuras 5 y 6 muestra los resultados de las clasificaciones realizadas en OTB y en ENVI respectivamente. no es posible encontrar una brecha significativa entre alguno de los dos clasificadores (Tabla 1). & Ogole. lo que permite concluir que el algoritmo es implementado de una forma similar. En ambos cosas la realización de la clasificación no presenta mayor dificultad y es adaptable fácilmente a cualquier otra zona sin requerir un conocimiento de fondo de la imagen satelital que se llegara a usar. 2008). 2011). Conclusiones Los resultados obtenidos de las clasificaciones utilizando SVM en la imagen SPOT 6 de la zona de estudio de esta investigación no muestra una variación importante de un software a otro. Alejándonos un poco de la comparación entre los software. Sin embargo es importante realizar más pruebas para constatar si la similitud persiste. Cabe también resaltar la versatilidad del software libre al momento de optimizar los costos computacionales (Lizarazo. el clasificador SVM demuestra que es confiable y se adapta fácilmente a las características particulares de cada imagen sin que requiera mayores insumos (Mountrakis. lo que incrementa aún más las funcionalidades que ya posee. . Im. A. Im. SPOT 6 | SPOT 7 Ficha Técnica.-T.).com/ProductsServices/ENVIProducts/ENVI. (2009). Recuperado el 1 de 5 de 2015. (6 de Mayo de 2015). España. Monteverdi2.orfeo-toolbox. Classification Methods for Remotely Sensed Data. ISPRS Journal of Photogrammetry and Remote Sensing. 433-440. M. 247-259.. (2015).. (s.. Fundamentos de Teledetección Espacial. de http://www. & Ogole. P. I. C. A.exelisvis. International Journal of Remote Sensing. E.f. ENVI. Results and implications of a study of fifteen years of satellite image classification experiments.org//packages/OTBCookBook. H. O. IEEE. G. (Diciembre de 2009). & Chiang.-c. G.org/ Rojas. Tso. 1-6. Wilkinson. Burges. (2015). Chuvieco. Data Mining and Knowledge Discovery 2. Caracterización de imágenes hiperespectrales utilizando Support Vector Machines y técnicas de extracción de características. Lizarazo.pdf Exelis. de https://www. A tutorial on support vector machine for pattern recognition. 7277-7283. Boca Raton. SVM-based segmentation and classification of remotely sensed data. & Mathur. Orfeo Toolbox.aspx Foody. View publication stats . (2010). de https://www. Madrid: Ediciones Rialp. J. B. & Mather. Support vector machines in remote sensing: A review. (Mayo de 2015). 121-167. Orfeo Toolbox. (2008). IEEE. G.. Recuperado el 7 de Mayo de 2015. The study of high resolution satellite image classification based on suppor vector machine. A relative evaluation of multiclass image classification by support vector machines. S. Universidad Extremadura. T. Recuperado el 1 de Mayo de 2015. Taylor and Francis Gruop. J.. (2004). (2005). IEEE.orfeo-toolbox. (1998). (1995). Florida: CRC Press. C. Documentation. CookBook. Hwang. (2011). Referencias Astrium. Mountrakis.