Page 7 - MAPPING_182
P. 7

Mapeado de invernaderos mediante teledetección orientada a objetos: relación entre la calidad de la segmentación y precisión de la clasificación
                                      Object based greenhouse mapping: relationship between segmentation quality and classification accuracy




          1. INTRODUCCIÓN                                      neidad media y maximiza su respectiva homogeneidad. El
                                                               resultado de este algoritmo de segmentación es controlado
             La disponibilidad de la última generación de satélites co-  por tres términos  principales, tales como: (i) el criterio  de
          merciales de muy alta resolución (Very High Resolution, VHR)   homogeneidad o parámetro de escala, el cual determina la
          que ha sido lanzada con éxito en estos últimos años (e.g.,   heterogeneidad máxima permitida de los objetos imagen
          GeoEye-1, WorldView-2 y WorldView-3), capaces de tomar   resultantes (Escala, scale), (ii) el peso del color y los criterios
          imágenes de la superficie terrestre con una resolución infe-  de forma en el proceso de segmentación (Forma, shape),
          rior a 0.5 m, hace que el concepto de teledetección basada   (iii) el peso de la compacidad (Compacidad, compactness) y
          en píxeles haya tenido que ser reconsiderado. Las imágenes   los criterios de suavizado (i.e. cuanto mayor sea el peso de la
          de satélite VHR están siendo intensamente utilizadas para   compacidad, los objetos serán más compactos). La determi-
          detección y clasificación de diferentes usos o coberturas de   nación óptima de estos tres parámetros, algo abstractos por
          suelo (e.g., Carleer y Wolff, 2006; Stumpf y Kerle, 2011; Pu et   otra parte, no es ni mucho menos trivial. Normalmente es
          al., 2011; Pu y Landry, 2012; Aguilar et al., 2013; Fernández et   necesaria una validación de los posibles errores sistemáticos
          al., 2014; Heenkenda et al., 2015) incluyendo la detección de   mediante una inspección visual de la calidad de los objetos
          invernaderos (Aguilar et al., 2014, 2015, 2016). La mayoría de   resultantes de la segmentación (i.e. ensayo y error) para esta-
          estos trabajos fueron realizados utilizando técnicas de análi-  blecer el valor apropiado de dichos parámetros (Mathieu et
          sis de imágenes basado en objetos o teledetección orienta-  al., 2007; Tian y Chen, 2007). Por otra parte, los parámetros de
          da a objetos (Object Based Image Analysis, OBIA).    configuración óptimos dependen de los objetos que quera-
             Un proyecto de clasificación OBIA se compone de dos   mos segmentar (e.g., Tian y Chen, 2007).
          etapas: (i) Segmentación, formación de objetos mediante la   Para ayudar al usuario con la selección «objetiva» de los
          unión de píxeles, y (ii) Clasificación, utilizando las caracterís-  parámetros que dominan el algoritmo de segmentación
          ticas de los objetos generados previamente. Si la segmenta-  multi-resolución, recientemente se han propuesto métodos
          ción es adecuada, los objetos generados a partir de píxeles   no supervisados basados en la varianza local como las he-
          en la imagen representarán los elementos del mundo real   rramienta ESP y ESP2 (Estimation of Scale Parameters tool)
          en los que estemos interesados (e.g., árboles, edificios, bal-  publicadas por Dragut et al. (2010) y Dragut et al. (2014)
          sas, parcelas agrícolas, invernaderos,…). Una vez obtenida   respectivamente. También se han propuesto métodos su-
          la segmentación óptima de nuestra fuente de información   pervisados basados en la medida de la similitud existente
          (imagen) con respecto al tipo de objetos que pretendemos   entre los resultados de la segmentación automática y los
          extraer o reconocer en ella, se pasa a la fase de clasificación.   objetos ideales  generalmente digitalizados manualmente
          Mediante esta fase, y usando algoritmos de clasificación ba-  por el usuario (e.g., Clinton et al., 2010; Liu et al., 2012). De
          sados en características intrínsecas de cada objeto segmen-  todos los parámetros que controlan el comportamiento de
          tado, estos pueden ser agrupados en clases que representan   este algoritmo, el conocido como parámetro de Escala es el
          entidades del mundo real.                            más importante. De forma muy sintetizada se puede definir
             Dicho esto, se ha de tener en cuenta que una de las cues-  como el parámetro que controla el tamaño de los objetos,
          tiones más importantes en los análisis de clasificación de   ya que funciona como umbral a la hora de permitir o no la
          imágenes OBIA es la correcta segmentación de la imagen.   fusión de dos objetos contiguos. Parámetros de escala bajos
          De hecho, la calidad de la segmentación influirá directamen-  suelen producir objetos muy pequeños y con escasa variabi-
          te en las precisiones obtenidas posteriormente en la fase de   lidad espectral, por el contrario, parámetros de escala altos
          clasificación (Liu y Xia, 2010). La segmentación de imágenes   producen objetos de mayor tamaño en los que la variabili-
          se remonta a la década de los años 70, aunque no se utilizan   dad espectral de los píxeles que los forman es mucho mayor.
          ampliamente en teledetección espacial hasta los años 1980 y   La digitalización o extracción automática de invernade-
          1990 (Blaschke, 2010). Entre los algoritmos de segmentación   ros a partir de teledetección presenta un gran desafío para
          destaca la segmentación multi-resolución (Multiresolution   los investigadores debido a las características tan específicas
          Segmentation), que consiste en la agrupación de píxeles a   de estas estructuras agrícolas. El primer trabajo publicado
          partir de un conjunto de semillas distribuidas por la imagen   que  usó técnicas  OBIA en  invernaderos (concretamente
          en función de un criterio previo. Es uno de los más utilizados   eCognition y segmentación multi-resolución) fue realizado
          en OBIA y está implementado en el software eCognition   por Tarantino y Figorito (2012), usando una ortoimagen aé-
          Developer (Lucieer, 2004; Benz et al., 2004). Los detalles del   rea en formato RGB en Italia. La segmentación óptima (300,
          algoritmo se pueden consultar en Baatz et al., (2000).  0.5 y 0.8 para Escala, Forma y Compacidad respectivamente)
             El algoritmo de segmentación multi-resolución, en un   fueron obtenidas aplicando técnicas de ensayo y error. En
          procedimiento de optimización que, para un determinado   otros trabajos más recientes de detección de invernaderos
          número de objetos o segmentos, minimiza la heteroge-  usando imágenes de satélite (Aguilar et al., 2014; Aguilar et





          REVISTA MAPPING  VOL.26   Nº182   MARZO-ABRIL 2017  ISSN: 1131-9100                            Pág. 05
   2   3   4   5   6   7   8   9   10   11   12