⚠️Dat at 13:47, 5 August 2016

2016-08-05T13:47:36Z

← Older revision		Revision as of 13:47, 5 August 2016
Line 311:		Line 311:

	== Más lecturas sobre clasificación con GRASS ==		== Más lecturas sobre clasificación con GRASS ==
	* Micha Silver: [~~http~~://my.~~arava~~.co.il/~~~micha/blog~~/~~?p=3~~ Analyzing acacia tree health in the Arava with GRASS GIS]		* Micha Silver: [https://www.surfaces.co.il/analyzing-acacia-tree-health-in-the-arava-with-grass-gis/ Analyzing acacia tree health in the Arava with GRASS GIS]
	* Perrygeo: [http://www.perrygeo.net/wordpress/?p=104 Impervious surface deliniation with GRASS]		* Perrygeo: [http://www.perrygeo.net/wordpress/?p=104 Impervious surface deliniation with GRASS]
	* Dylan Beaudette: [http://casoilresource.lawr.ucdavis.edu/drupal/node/159 Working with Landsat Data]		* Dylan Beaudette: [http://casoilresource.lawr.ucdavis.edu/drupal/node/159 Working with Landsat Data]
	* Dylan Beaudette: [http://casoilresource.lawr.ucdavis.edu/drupal/node/548 Canopy Quantification via Image Classification]		* Dylan Beaudette: [http://casoilresource.lawr.ucdavis.edu/drupal/node/548 Canopy Quantification via Image Classification]
	* [http://istgeo.ist.supsi.ch/site/node/24 Segmentazione o classificazione d'immagini con GRASS] (in italiano)		* [http://istgeo.ist.supsi.ch/site/node/24 Segmentazione o classificazione d'immagini con GRASS] (en italiano)
			* [http://www.mdpi.com/2220-9964/5/7/109 Di Palma, F.; Amato, F.; Nolè, G.; Martellozzo, F.; Murgante, B. 2016: A SMAP Supervised Classification of Landsat Images for Urban Sprawl Evaluation. ISPRS Int. J. Geo-Inf. 2016, 5, 109.]
	[[Category: Documentation]]		[[Category: Documentation]]
	[[Category: Tutorial]]		[[Category: Tutorial]]
	[[Category: Image processing]]		[[Category: Image processing]]
	[[Category: Languages/es]]		[[Category: Languages/es]]

⚠️Dat: image classification /es

2016-07-30T05:04:41Z

image classification /es

New page

== Clasificación de imágenes ==

'''Métodos de clasificación en GRASS'''

{| {{table}}
| ||'''radiométrica <BR> no supervisada'''||'''radiométrica <BR>supervisada 1'''||'''radiométrica <BR>supervisada 2'''||'''radiométrica y geométrica<BR> supervisada'''
|-
| '''Prepocesamiento de imágenes''' || colspan="4" style="text-align: center;"| {{AddonCmd|r.smooth.seg}} (opcional, en caso de que los datos originales tengan ruido)
|-
| '''Segmentación''' || colspan="4" style="text-align: center;"| {{cmd|i.segment|version=70}}
|-
| '''Preprocesamiento'''||{{cmd|i.cluster}}||{{cmd|i.class}} (monitorea digitalización), {{cmd|g.gui.iclass|version=70}} (en GRASS 70)||{{cmd|i.gensig}} (usando mapas de entrenamiento)||{{cmd|i.gensigset}} (usando mapas de entrenamiento)
|-
| '''Clasificación'''||{{cmd|i.maxlik}}||{{cmd|i.maxlik}}||{{cmd|i.maxlik}}||{{cmd|i.smap}}
|-
| '''Aclaraciones'''||automático basado ||necesita digitalización previa||necesita digitalización previa||necesita digitalización previa
|-
| ||en estadísticas de imágenes||de áreas de etremiento||de áreas de entreamiento||de áreas de entrenamiento
|}

Es posible digitalizar áreas de entrenamiento con r.digit (no recomendado) o
You can digitize training areas with either r.digit (not recommended), o la [[herramienta de digitalización de GRASS]] + v.to.rast (recomendado). En versiones < 7.0 era posible usar el módulo v.digit.

=== Preprocesamiento de imágenes (opcional) ===
* {{AddonCmd|r.smooth.seg}} - produce una aproximación suaviada de los datos y detecta discontinuidades. El módulo está basado en el modelo de variación Mumford-Shah para segmentación de imágenes. Usado como un análisis previo a la clasificación.
: Para más detalles revise el maual {{AddonCmd|r.smooth.seg}}. Este módulo anteriormente se llamaba r.seg.
* {{cmd|i.segment}} - identifica segmentos (objetos) de datos de imágenes basado (actualmente) en un algoritmo de crecimiento y unión. El resultado de la segmentación puede ser útil (por si misma) como un paso previo a la clasificación, por ej. reduciendo el ruido y aumentando la velocidad de la clasificación.
** Clasificación de estos segmentos: ver abajo en "Clasificación no supervisada".

=== Modo interactivo ===

* {{cmd|i.class}} - Genera las firmas espectrales para una imagen al permitir al usuario marcar las regiones de interés.
: El archivo de firmas puede ser usado como entrada para {{cmd|i.maxlik}} o como un archivo inicial (semilla) para {{cmd|i.cluster}}.
* {{cmd|g.gui.iclass|version=70}} - Herramienta de clasificación supervisada de datos de imágenes.

=== Preprocesamiento ===

* {{cmd|i.cluster}} - Genera firmas espectrales para tipos de cobertura en una imagen, usando un algoritmo de cluster.
: El archivo de firmas resltante es usado como entrada para {{cmd|i.maxlik}}, para generar una clasificación no supervisada.
* {{cmd|i.gensig}} - Genera estadísticas para {{cmd|i.maxlik}} a partir de capas de mapas ráster.
* {{cmd|i.gensigset}} - Genera estadísticas para {{cmd|i.smap}} a partir de capas de mapas ráster.

Información relativa a {{cmd|i.cluster}}:
* Discusión: [https://lists.osgeo.org/pipermail/grass-user/2012-October/066046.html Is "i.cluster" an implementation of the ISODATA algorithm?]
* [[User:NikosA/About Clustering|About Clustering]]

=== Clasificación no supervisada ===

Para una introducción, revise por ejemplo {{wikipedia|Cluster_analysis}}.

* {{cmd|i.maxlik}} - Clasifica reflectancias espectrales de las celdas de datos de imágenes.
: La clasificación está basada en la información de las firmas espectrales generada por {{cmd|i.cluster}} (ver abajo).
* GRASS GIS 7: {{cmd|i.segment}}
** La clasificación de estos segmentos puede realizarse con los siguientes complementos: {{AddonCmd|v.class.mlR}}, {{AddonCmd|v.class.mlpy}}, {{AddonCmd|v.class.ml}}.

Vea el ejemplo de más abajo.

=== Clasificación supervisada ===

* {{cmd|i.maxlik}} - Clasifica la reflectancia espectral de la celda de datos de imágenes.
: La clasificación está basada en la información de las firmas espectrales generada ya sae con {{cmd|i.class}}, o {{cmd|i.gensig}}.
* {{cmd|g.gui.iclass}} - Herramienta para clasificación supervisada de datos de imágenes.
* {{cmd|i.smap}} - Realiza una clasificación de imágenes contextual (segmentación de imágenes) usando la estimación secuencial máxima a posteriori (SMAP).
* En caso de mapas pancromaticos o de una cantidad limitada de canales, generalmente se recomienda generar canales sintéticos a través de análiss de texturas ({{cmd|r.texture}}).

Vea el ejemplo de más abajo.

== Pequeño tutorial de clasificación ==

Se necesita: GRASS >= 6.4 . Las instrucciones para GRASS 7 están señaladas con un ''#'''GRASS7''' '' al final del comando, si corre estas instrucciones en la consola de comandos de la GUI, copie la instrucción sin el ''#'' y todo lo que le sigue.

Se usan los datos del satélite Landsat preparados para los datos de muestra de [http://www.grassbook.org/data_menu3rd.php North Carolina]. Es un conjunto de datos multiespectrales en donde cada canal está guardado en un mapa separado.

Se usa la Localización North Carolina.

=== Calentando motores con Landsat TM ===

Ver qué mapas hay
g.list rast
g.list type=rast mapset=landsat # '''GRASS7'''
# definir la región a partir de uno de las bandas y mostrar la configuración de la región
g.region rast=lsat7_2002_10 -p

Ver algunos mapas Landsat (1: azul, 2: verde, 3: rojo, 4: cercano al infrarojo, etc.)
d.mon x0
d.mon wx0 # '''GRASS7'''
d.rast lsat7_2002_10
d.rast lsat7_2002_20
d.rast lsat7_2002_30
d.rast lsat7_2002_40

Consultar el valor de puntos individuales
d.what.rast lsat7_2002_10,lsat7_2002_20,lsat7_2002_30,lsat7_2002_40

Histograma de un canal:
d.histogram lsat7_2002_10
d.erase

Crear vistas RGB (rojo,verde,azul) al vuelo, con colores verdaderos y falsos:
d.rgb b=lsat7_2002_10 g=lsat7_2002_20 r=lsat7_2002_30
d.rgb b=lsat7_2002_70 g=lsat7_2002_20 r=lsat7_2002_30
d.rgb b=lsat7_2002_70 g=lsat7_2002_50 r=lsat7_2002_30
d.rgb b=lsat7_2002_70 g=lsat7_2002_50 r=lsat7_2002_10

Revisar los canáles térmicos (codificados para ajustar a rango de datos 0-255):
# http://landsathandbook.gsfc.nasa.gov/handbook/handbook_htmls/chapter11/chapter11.html
# Vea el LMIN/LMAX: "Table 11.2 ETM+ Spectral Radiance Range watts/(meter squared * ster * µm)"
# no se detalla el procedimiento, pero se usa r.mapcalc para convertir grados Kelvin/Celsius.

# ver el canál térmico codificado
d.rast lsat7_2002_61

Cálculo de NDVI como ejemplo de álgebra de mapas:
r.mapcalc "ndvi = 1.0 * (lsat7_2002_40 - lsat7_2002_30)/(lsat7_2002_40 + lsat7_2002_30)"
d.rast.leg ndvi
r.colors ndvi color=ndvi
d.rast.leg ndvi

Mostrar algunas "clases" seleccionadas de NDVI:
d.erase
d.rast ndvi val=0.3-1.0
d.rast ndvi val=-1.0--0.1
d.rast ndvi val=0.0-0.2
d.rast ndvi val=0.0-0.3

Ver el canal pancromático, comparar la resolución:
r.info -g lsat7_2002_80
r.info -g lsat7_2002_30
g.region rast=lsat7_2002_80 -p
d.erase -f
d.rast lsat7_2002_80
d.zoom # '''no usar en GRASS7'''
d.rast lsat7_2002_30
d.rast lsat7_2002_80

=== Clasificación de imágenes ===

Definir región al canal rojo:
g.region rast=lsat7_2002_30 -p

Crear un grupo:
i.group group=lsat7_2002 subgroup=lsat7_2002 \
input=lsat7_2002_10,lsat7_2002_20,lsat7_2002_30,lsat7_2002_40,lsat7_2002_50,lsat7_2002_70

==== Clasificación no supervisada ====

Generar estadísticas no supervisadas:
i.cluster group=lsat7_2002 subgroup=lsat7_2002 sigfile=lsat7_2002_sig classes=10 reportfile=lsat7_2002.txt
i.cluster group=lsat7_2002 subgroup=lsat7_2002 signaturefile=lsat7_2002_sig classes=10 reportfile=lsat7_2002.txt # '''GRASS7'''

# ver el archivo de reporte
cat lsat7_2002.txt # se puede usar también el comando gedit

Asignar pixeles a clases, revisar la calidad de la asignación:
i.maxlik group=lsat7_2002 subgroup=lsat7_2002 sigfile=lsat7_2002_sig class=lsat7_2002_class reject=lsat7_2002_reject
i.maxlik group=lsat7_2002 subgroup=lsat7_2002 signaturefile=lsat7_2002_sig output=lsat7_2002_class reject=lsat7_2002_reject # '''GRASS7'''

# color compuesto falso
d.mon x0 ; d.font Vera
d.mon wx0; d.font Vera # '''GRASS7'''
d.rgb b=lsat7_2002_70 g=lsat7_2002_50 r=lsat7_2002_10
# classification result
d.mon x1 ; d.font Vera
d.mon wx1 ; d.font Vera # '''GRASS7'''
d.rast.leg lsat7_2002_class
# mapa de rechazo
d.mon x2 ; d.font Vera
d.mon wx2; d.font Vera # '''GRASS7'''
d.rast.leg lsat7_2002_reject
# histograma de rechazo
d.mon x3 ; d.font Vera
d.mon wx3; d.font Vera # '''GRASS7'''
d.histogram lsat7_2002_reject

<center>
{|
| [[Image:Map_lsat7_2002_r1g5b7.png|thumb|center|300px|Mapa NC Landsat 2002 - falso color compuesto]]
| [[Image:Map_lsat7_2002_class.png|thumb|center|300px|Clasificación no supervisada]]
|}
</center>
<center>
{|
| [[Image:Histogram_lsat7_2002_reject.png|thumb|center|300px|Histograma de rechazo de la clasificación no supervisada]]
| [[Image:Map_lsat7_2002_reject.png|thumb|center|300px|Mapa de rechazo de la clasificación no supervisada]]
|}
</center>

Juegue con diferentes separaciones de los clusters:
i.cluster group=lsat7_2002 subgroup=lsat7_2002 sigfile=lsat7_2002_sig classes=10 reportfile=lsat7_2002.txt separation=1.5
i.cluster group=lsat7_2002 subgroup=lsat7_2002 signaturefile=lsat7_2002_sig classes=10 reportfile=lsat7_2002_2.txt separation=1.5 # '''GRASS7'''
i.maxlik group=lsat7_2002 subgroup=lsat7_2002 sigfile=lsat7_2002_sig class=lsat7_2002_class2 reject=lsat7_2002_reject2
i.maxlik group=lsat7_2002 subgroup=lsat7_2002 signaturefile=lsat7_2002_sig output=lsat7_2002_class2 reject=lsat7_2002_reject2 # '''GRASS7'''
d.mon x4
d.mon wx4 # '''GRASS7'''
d.rast.leg lsat7_2002_class2
d.rast.leg lsat7_2002_reject2
d.rast.leg lsat7_2002_reject
d.rast.leg lsat7_2002_reject2
d.rast.leg lsat7_2002_reject
d.rast.leg lsat7_2002_reject2
d.rast.leg lsat7_2002_class2

Comparar con RGB:
d.rgb b=lsat7_2002_70 g=lsat7_2002_50 r=lsat7_2002_10
d.rast lsat7_2002_class2 cat=1 -o
d.rast lsat7_2002_class2 values=1 -n # '''GRASS7'''
d.rgb b=lsat7_2002_70 g=lsat7_2002_50 r=lsat7_2002_10
d.rast lsat7_2002_class cat=1 -o
d.rast lsat7_2002_class values=1 -n # '''GRASS7'''
d.rgb b=lsat7_2002_70 g=lsat7_2002_50 r=lsat7_2002_10
d.rast lsat7_2002_class cat=1 -o
d.rast lsat7_2002_class values=1 -n # '''GRASS7'''

Un tercer intento con más clases:
i.cluster group=lsat7_2002 subgroup=lsat7_2002 sigfile=lsat7_2002_sig classes=15 reportfile=lsat7_2002.txt
i.cluster group=lsat7_2002 subgroup=lsat7_2002 signaturefile=lsat7_2002_sig classes=15 reportfile=lsat7_2002.txt # '''GRASS7'''
i.maxlik group=lsat7_2002 subgroup=lsat7_2002 sigfile=lsat7_2002_sig class=lsat7_2002_class3 reject=lsat7_2002_reject3
i.maxlik group=lsat7_2002 subgroup=lsat7_2002 signaturefile=lsat7_2002_sig output=lsat7_2002_class3 reject=lsat7_2002_reject3 # '''GRASS7'''
d.rast.leg lsat7_2002_class3

[[Image:Map_lsat7_2002_class_unsupervised_15.png|thumb|center|300px|Clasificación no supervisada con 15 clases]]

====Clasificación supervisada====

Lazar la GUI para digitalizar:
g.gui wxpython

Ahora digitalice las áreas de entrenamiento de agua, asfalto, bosque, suelo descubierto en el compuesto RGB en la GUI.
Digitalizar polígonos/centroides con atributos. La ventaja: sabemos que clases son.

[[Image:Training_map_supervised.png|thumb|center|300px|Mapa NC Landsat 2002 - áreas de entrenamiento]]

Asignar también una ID numérica para cada clase en una nueva columna:
v.db.select lsat7_training
v.db.addcol lsat7_training col="id integer"
v.db.addcolum lsat7_training col="id integer""id integer" # '''GRASS7'''
v.db.select lsat7_training
v.db.update lsat7_training col=id where="name = 'water'" val=1
v.db.update lsat7_training col=id where="name = 'forest'" val=2
v.db.update lsat7_training col=id where="name = 'asphalt'" val=3
v.db.update lsat7_training col=id where="name = 'soil'" val=4
v.db.select lsat7_training

Transformar mapa vectorial de entrenamineto a modelo ráster:
g.region vect=lsat7_training align=lsat7_2002_10 -p
v.to.rast in=lsat7_training out=lsat7_training use=attr col=id labelcol=name --o
v.to.rast input=lsat7_training out=lsat7_training use=attr attribute_column=id label_column=name --o # '''GRASS7'''

d.mon x0
d.mon wx0 # '''GRASS7'''
d.rast.leg lsat7_training

Generar estadísticas a partir de áreas de entrenamiento:
i.gensigset group=lsat7_2002 subgroup=lsat7_2002 sig=lsat7_2002_smap training=lsat7_training
i.gensigset group=lsat7_2002 subgroup=lsat7_2002 signaturefile=lsat7_2002_smap training=lsat7_training # '''GRASS7'''

Realizar clasificación supervisada:
i.smap group=lsat7_2002 subgroup=lsat7_2002 sig=lsat7_2002_smap out=smap
i.smap group=lsat7_2002 subgroup=lsat7_2002 signaturefile=lsat7_2002_smap out=smap # '''GRASS7'''

Colorear:
r.colors smap rules=- << EOF

1 aqua
2 green
3 180 180 180
4 brown
EOF

d.rast.leg smap
d.rgb b=lsat7_2002_10 g=lsat7_2002_20 r=lsat7_2002_30

<center>
{|
| [[Image:Map_lsat7_2002_r1g5b7.png|thumb|center|300px|Mapa NC Landsat 2002 - compuesto de color falso]]
| [[Image:Map_lsat7_2002_class_supervised.png|thumb|center|300px|Clasificación supervisada SMAP]]
|}
</center>

Vectorizar el resultado:
r.to.vect smap out=smap feat=area
r.to.vect smap out=smap type=area # '''GRASS7'''
d.rgb b=lsat7_2002_10 g=lsat7_2002_20 r=lsat7_2002_30
d.vect smap type=boundary col=red

Y ahí lo tienes :)

=== Clasificación basada en objetos ===
''Created based on [http://lists.osgeo.org/pipermail/grass-user/2014-June/070384.html Summary of object-based classification possibilities in GRASS GIS (June 2014)]. Feel free to merge this with other content or with different page.''

* [http://lists.osgeo.org/pipermail/grass-dev/2013-October/066181.html Moritz's steps and the main discussion: Object-based image classification in GRASS] ([http://osgeo-org.1560.x6.nabble.com/Object-based-image-classification-in-GRASS-td5086693.html nabble link])
* [http://geo.fsv.cvut.cz/gwiki/153ZODH_/_15._cvi%C4%8Den%C3%AD Moritz's steps in a nice guide by Martin, in Czech with images] ([http://translate.google.com/translate?sl=cs&tl=en&js=n&prev=_t&hl=en&ie=UTF-8&u=http%3A%2F%2Fgeo.fsv.cvut.cz%2Fgwiki%2F153ZODH_%2F_15._cvi%25C4%258Den%25C3%25AD&act=url English Google-translation])
* [http://lists.osgeo.org/pipermail/grass-user/2013-November/069254.html Alternative notes by Moritz: Classification of segments] ([http://osgeo-org.1560.x6.nabble.com/Re-Classification-of-segments-td5088837.html nabble link])
* [http://lists.osgeo.org/pipermail/grass-dev/2014-January/066804.html Pietro's steps and tools] ([http://osgeo-org.1560.x6.nabble.com/Object-based-image-classification-in-GRASS-tp5086693p5096826.html nabble link])
* [http://lists.osgeo.org/pipermail/grass-dev/2013-August/065287.html Another discussion about what variables to use: Object-based classification] ([http://osgeo-org.1560.x6.nabble.com/i-segment-invalid-region-id-0-tp5066102p5070201.html nabble link])
* The source code of the classification tools (for inspiration in writing your own scripts):
** v.class.ml: http://svn.osgeo.org/grass/grass-addons/grass7/vector/v.class.ml/ (Pietro's tool)
** v.class.mlpy: http://svn.osgeo.org/grass/grass-addons/grass7/vector/v.class.mlpy/ (Vaclav's tool)
** i.mlpy.py: http://svn.osgeo.org/grass/sandbox/turek/i.mlpy.py (Stepan's tool)
* List of Python machine learning libraries:
** scikit-learn, http://scikit-learn.org/ (used by v.class.ml)
** mlpy, http://mlpy.sourceforge.net/ (used by v.class.ml, v.class.mlpy and i.mlpy)
** Pandas, http://pandas.pydata.org/
** Milk, http://luispedro.org/software/milk

== Más lecturas sobre clasificación con GRASS ==
* Micha Silver: [http://my.arava.co.il/~micha/blog/?p=3 Analyzing acacia tree health in the Arava with GRASS GIS]
* Perrygeo: [http://www.perrygeo.net/wordpress/?p=104 Impervious surface deliniation with GRASS]
* Dylan Beaudette: [http://casoilresource.lawr.ucdavis.edu/drupal/node/159 Working with Landsat Data]
* Dylan Beaudette: [http://casoilresource.lawr.ucdavis.edu/drupal/node/548 Canopy Quantification via Image Classification]
* [http://istgeo.ist.supsi.ch/site/node/24 Segmentazione o classificazione d'immagini con GRASS] (in italiano)

[[Category: Documentation]]
[[Category: Tutorial]]
[[Category: Image processing]]
[[Category: Languages/es]]

Image classification/es - Revision history

⚠️Dat at 13:47, 5 August 2016

⚠️Dat: image classification /es