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.

 Análisis comparativo del método de clasificación de máquina de
soporte vectorial (SVM) en imágenes de alta resolución usando los
software ENVI y Orfeo Toolbox.

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, uno comercial –ENVI- 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.

Palabras clave: SVM, clasificación supervisada, imagen satelital de alta resolución, SPOT 6.

Introducción:
Desde que la información de imágenes satelitales se dispuso a la comunidad civil en 1970, 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, 2005). 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, 2004). En este
artículo mediante la aplicación del SVM como clasificador tratamos de rastrear si existen
diferencias cuando es utilizado en diferentes software; validando los resultados generados con las
mismas muestras para ambos casos Orfeo Toolbox y ENVI.

Clasificador Support Vector Machine (SVM)

SVM es un clasificador relativamente nuevo que tiene fuertes bases en el campo de la teoría de
entrenamiento estadística. Desde su comienzo en los 90s, ha encontrado un amplio rango de
aplicaciones en problemas de reconocimiento de patrones, clasificación de imágenes, predicción
financiera de series de tiempo, reconocimiento de rostros, análisis de señales biomédicas,
diagnósticos médicos y minería de datos (Hwang & Chiang, 2010).

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, a
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. 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, utilizando para ello un
proceso de optimización basado en la obtención de vectores que definen los límites de las clases
(Rojas, 2009).

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. Entre las
latitudes norte 3° 4’ y 3° 15’ y las longitudes oeste 74° 25’ y 74° 35’ (Figura 1).

a) b)

c)

Figura 1. Localización relativa de la zona de interés.

Las clasificaciones se realizaron a partir de una imagen SPOT 6, cuyo tamaño es de 3025 x 3372
pixeles (Figura 1.a), cuenta con una resolución espacial de 6 metros, la cual cuenta con las 3
bandas del espectro electromagnético visible (azul, verde y rojo) y 1 banda en el Infrarrojo
cercano1. Como se ve en la figura 2:

1
Astrium. SPOT 6| SPOT 7, Ficha Tecnica. http://www2.geo-
airbusds.com/files/pmedia/public/r12785_9_spot6-7_ficha_tecnica.pdf
 Figura 2. Imagen a clasificar, composición falso color RGB (421)

Métodos
La clasificación supervisada parte de la identificación previa de ciertas clases. Lo cual permite
generar áreas de entrenamiento (Chuvieco, 1995), para que el clasificador extraiga la información
requerida y que la misma sea validada.

 Entrenamiento de los datos:

Las muestras de los datos fueron recolectadas sobre la imagen satelital distribuidas por toda la
zona, 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), arbustales-
herbazales (2b), suelo desnudo (2c), cuerpos de agua (3a), nubes (3b), sombras (3c):
 Clase 1 Clase 2 Clase 3
Bosque Arbustales – Herbazales Suelo Desnudo

a) b) c)

Figura 3. Ejemplos de Clases 1,2 y 3, composición falso color RGB (421)

Clase 4 Clase 5 Clase 6

Cuerpos de Agua Nubes Sombras

a) b) c)

Figura 4. Ejemplos de Clases 4,5 y 6, composición falso color RGB (421)

Figura 5. Ubicación y distribución de las muestras 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; tiene como objetivo hacer posible el procesamiento de
imágenes de gran tamaño incluso en portátiles de recursos limitados, y suministra un conjunto
de herramientas para la realización de tareas clásicas de teledetección. (Orfeo Toolbox, 2015).
Los algoritmos de Orfeo Toolbox es posible utilizarlos mediante la interfaz de Monteverdi2 o
mediante la interfaz de QGIS2. Durante este trabajo se usó la interfaz de QGIS para realizar la
clasificación.

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. Las muestras estan compuestas por los valores de los pixeles en cada banda y
un archivo de estadísticas XML producido por el algoritmo ComputeImagesStatistics. El vector
de entrenamiento debe contener polígonos con un atributo tipo entero positivo que
representara cada una de las clases; el nombre de este atributo debe ser el mismo que se use
en el parámetro "Class label field". 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, el cual requerirá las
estadísticas ya generadas junto con el modelo y la imagen a clasificar (Monteverdi2, 2015).

 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, 2015).

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, 2009) ya que varias pruebas empíricas han
demostrado que genera los mejores resultados. En ambos casos el costo aplicado fue de 100 para
controlar el intercambio entre los errores de entrenamiento.

2
QGIS, Documentación. http://www.qgis.org/es/docs/index.html
 Resultados y validación de la clasificación
Las figuras 5 y 6 muestra los resultados de las clasificaciones realizadas en OTB y en ENVI
respectivamente.

Figura 6. Resultado de la clasificación en OTB Figura 7. 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, no es posible encontrar una brecha
significativa entre alguno de los dos clasificadores (Tabla 1).

Tabla 1. Resultados de las clasificaciones SVM comparando ENVI vs. OTB

Resultados de la Clasificación
Clasificador Overall acurracy Kappa
SVM - ENVI 99.75% 0.9967
SVM - OTB 99.52% 0.9943

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, Im, & Ogole, 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, 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. Cabe también resaltar la versatilidad del software libre al momento de optimizar
los costos computacionales (Lizarazo, 2008), lo que incrementa aún más las funcionalidades que ya
posee.

Alejándonos un poco de la comparación entre los software, el clasificador SVM demuestra que es
confiable y se adapta fácilmente a las características particulares de cada imagen sin que requiera
mayores insumos (Mountrakis, Im, & Ogole, 2011). Sin embargo es importante realizar más
pruebas para constatar si la similitud persiste.
 Referencias

Astrium. (s.f.). SPOT 6 | SPOT 7 Ficha Técnica.

Burges, C. (1998). A tutorial on support vector machine for pattern recognition. Data Mining and
Knowledge Discovery 2, 121-167.

Chuvieco, E. (1995). Fundamentos de Teledetección Espacial. Madrid: Ediciones Rialp, S.A.

CookBook, O. T. (6 de Mayo de 2015). Orfeo Toolbox. Recuperado el 1 de Mayo de 2015, de

https://www.orfeo-toolbox.org//packages/OTBCookBook.pdf

Exelis. (2015). ENVI. Recuperado el 7 de Mayo de 2015, de

http://www.exelisvis.com/ProductsServices/ENVIProducts/ENVI.aspx

Foody, G., & Mathur, A. (2004). A relative evaluation of multiclass image classification by support
vector machines. IEEE.

Hwang, J.-T., & Chiang, H.-c. (2010). The study of high resolution satellite image classification
based on suppor vector machine. IEEE, 1-6.

Lizarazo, I. (2008). SVM-based segmentation and classification of remotely sensed data.

International Journal of Remote Sensing, 7277-7283.

Monteverdi2. (Mayo de 2015). Documentation.

Mountrakis, G., Im, J., & Ogole, C. (2011). Support vector machines in remote sensing: A review.
ISPRS Journal of Photogrammetry and Remote Sensing, 247-259.

Orfeo Toolbox. (2015). Recuperado el 1 de 5 de 2015, de https://www.orfeo-toolbox.org/

Rojas, M. (Diciembre de 2009). Caracterización de imágenes hiperespectrales utilizando Support

Vector Machines y técnicas de extracción de características. Universidad Extremadura,
España.

Tso, B., & Mather, P. (2009). Classification Methods for Remotely Sensed Data. Boca Raton, Florida:
CRC Press, Taylor and Francis Gruop.

Wilkinson, G. (2005). Results and implications of a study of fifteen years of satellite image
classification experiments. IEEE, 433-440.

View publication stats