PropuestaJorgeMorales

Vista previa del material en texto

- 1 - 
 
Propuesta de Tesis Doctoral 
 
 
 
“Algoritmo para la clasificación de regiones de transición en 
imágenes satelitales” 
 
Jorge Morales Cruz 
 
 
 
 
 
 
Asesores 
 
Dr. Carlos A. Reyes García 
Dr. Jesús A. Gonzáles Bernal 
 
 
 
 
 
 
 
 
 
 
Coordinación de Ciencias Computacionales 
Instituto Nacional de Astrofísica Óptica y Electrónica 
Luis Enrique Erro No. 1, Tonantzintla, Puebla, México 
Enero 2010 
 
- 2 - 
 
Contenido 
 
 
Resumen .......................................................................................................................................... - 3 - 
1. Introducción ................................................................................................................................ - 3 - 
1.1 Clasificación dura y suave ..................................................................................................... - 5 - 
1.2 Segmentación basada en el crecimiento de regiones ........................................................... - 6 - 
1.3 Clasificador basado en lógica difusa ..................................................................................... - 7 - 
2. Trabajo relacionado .................................................................................................................... - 8 - 
2.1 Clasificadores basados en sistemas Neuro-difusos ............................................................. - 10 - 
2.2 Clasificador basado en lógica difusa ................................................................................... - 14 - 
2.3 Clasificador basado en el sistema Neuro-difuso-genético .................................................. - 17 - 
2.4 Clasificador basado en SVM-difuso ..................................................................................... - 19 - 
3. Planteamiento de la propuesta ................................................................................................. - 21 - 
3.1 Problemática ....................................................................................................................... - 21 - 
3.2 Motivación .......................................................................................................................... - 22 - 
3.3 Preguntas de investigación ................................................................................................. - 22 - 
3.4 Objetivo general .................................................................................................................. - 23 - 
3.5 Objetivos específicos ........................................................................................................... - 23 - 
3.6 Contribuciones esperadas ................................................................................................... - 23 - 
3.7 Metodología ........................................................................................................................ - 23 - 
3.8 Plan de trabajo .................................................................................................................... - 27 - 
4. Resultados preliminares ............................................................................................................ - 29 - 
4.1 Descripción del dominio ...................................................................................................... - 29 - 
4.2 Extensión del segmentador ................................................................................................. - 31 - 
4.3 Clasificación usando los clasificadores de IDRISI Andes...................................................... - 32 - 
4.4 Resultados de la clasificación de las regiones de transición. Método propuesto .............. - 35 - 
4.5 Análisis de los resultados obtenidos ................................................................................... - 37 - 
4.6 Conclusiones........................................................................................................................ - 38 - 
Referencias .................................................................................................................................... - 39 - 
 
- 3 - 
 
Resumen 
 
En este trabajo se propone resolver el problema de la clasificación de imágenes, cuando 
las clases se encuentran mezcladas o traslapadas. Existen diversos enfoques o métodos 
para la clasificación de imágenes utilizando solo clases puras o bien delimitadas. Por otro 
lado, aún sigue siendo un reto el poder desarrollar un clasificador con clases mezcladas 
que presente una buena precisión para ello. Para resolver el problema planteado se 
pretende utilizar la Lógica Difusa ya que nos permite trabajar con términos relacionados 
con la ambigüedad, incertidumbre e imprecisión presente en la naturaleza. A través de 
funciones de membresía, los cuales asignan un valor de pertenencia a cierta clase, es 
posible proporcionarle una mayor información al clasificador para que realice la 
clasificación de la imagen. Los resultados esperados en este trabajo son: (1) extensión de 
un segmentador basado en el crecimiento de regiones; (2) clasificador difuso que 
determine y evalúe las regiones de transición (clases mezcladas) en una imagen satelital. 
 
Palabras clave 
 
Clasificador de imágenes, clases mescladas, lógica difusa, algoritmo bio-inspirado. 
1. Introducción 
 
El proceso de análisis de imágenes satelitales consta de diversas etapas que van desde la 
adquisición de la imagen, hasta la presentación de resultados, tal como se muestra en la 
figura 1 [Robles, 2007]. 
 
La Adquisición de la Imagen se refiere al proceso de representar los datos obtenidos por 
varios sensores que trabajan en diferentes intervalos de longitud de onda (diversas 
bandas). Esta adquisición puede ser pasada por los procesos de corrección para tratar de 
representar los datos del sensor con la menor cantidad de errores posibles generados 
durante la adquisición de la misma. 
 
En la etapa de Pre-procesamiento es posible utilizar técnicas para mejorar, restaurar o 
filtrar la imagen. En esta etapa se encuentra la segmentación de la imagen la cual agrupa 
una cantidad de píxeles con características similares para generar regiones de interés. 
Finalmente, se extraen de esas regiones de interés un conjunto de características 
descriptivas que ayudarán a la interpretación y reconocimiento de los distintos tipos de 
regiones según el ámbito del problema. En este trabajo de investigación se propone 
realizar una extensión de un segmentador basado en el crecimiento de regiones. 
Utilizando este segmentador modificado se podrá obtener una imagen segmentada donde 
se muestren las regiones homogéneas (categorías básicas) y las regiones no homogéneas 
(regiones de transición). 
- 4 - 
 
 
 
Figura 1.- Proceso de análisis de imágenes satelitales [Robles, 2007]. 
 
El Reconocimiento e Interpretación de las regiones obtenidas en la etapa previa, se lleva a 
cabo usando técnicas de Aprendizaje Automático o Inteligencia Artificial mediante 
algoritmos de clasificación. En esta etapa es posible el uso de técnicas de evaluación para 
calificar el desempeño de los algoritmos de clasificación. 
 
El proceso de clasificación puede ser supervisado o no supervisado. Si el clasificador se 
entrena con información a priori del número de clases que existen en la imagen se 
denomina supervisado. Por otra parte, si el clasificador es el que agrupa los conjuntos de 
instancias a través de sus características comunes, y con esto determina las clases 
existentes, se denomina no supervisado. 
 
La última etapa del proceso de análisis de imágenes satelitales es la presentación de 
Resultados, la cual traduce los resultados en un formato que pueda ser entendido por el 
experto en el dominio, usuario final o un sistema de cómputo. En esta etapa se crea una 
base de datos espacial con los resultados del análisis de la imagen y otros datos 
relacionados (curvas de niveles, capas de ríos, carreteras, puentes, etc.).La información 
generada la adquiere un Sistema de Información Geográfica que es utilizada para crear el 
mapa temático. 
 
 
 
- 5 - 
 
1.1 Clasificación dura y suave 
 
Los clasificadores tradicionales pueden ser llamados clasificadores duros ya que producen 
una decisión dura acerca de la identidad de cada píxel. En otras palabras, cuando se 
realiza la clasificación, cada píxel de la imagen es asignado a una sola clase. Esto es 
determinado a través de la mayor relación que presenta con la clase asignada. 
 
En las coberturas de suelo, existen regiones de transición donde se cambia de un tipo de 
suelo a otro. Por ejemplo, al pasar de una región urbana a una región de vegetación no se 
hace de manera abrupta, sino más bien ocurre de manera gradual. Una desventaja de los 
clasificadores duros es que asignan los píxeles de transición a una sola clase aunque en la 
realidad pertenezcan a más de una clase. Otro aspecto que genera ambigüedad en el 
proceso de clasificación es la resolución finita del sensor con el cual es adquirida la imagen 
satelital, esto genera que un píxel esté compuesto por una mezcla de más de una clase. 
 
Los clasificadores suaves surgen con la finalidad de resolver las limitantes de los 
clasificadores duros para determinar una clasificación con mayor exactitud y los 
problemas de ambigüedad generados en la adquisición de la imagen. Los clasificadores 
suaves expresan el grado en el cual un píxel pertenece a cada una de las clases 
consideradas. Así, por ejemplo, en lugar de decidir que un píxel representa un bosque de 
coníferas o de hojas caedizas, podría indicar que su grado de pertenencia a la clase de 
hojas caedizas es de 0.43 y a la de coníferas es 0.57 (lo que un clasificador duro concluiría 
que es de la clase coníferas). 
 
Los clasificadores suaves nos proporcionan una mayor información en cuanto a la 
composición de un píxel dentro de una imagen satelital. Algunas motivaciones de usar los 
clasificadores suaves son: (1) determinar la mezcla de las clases presentes en el suelo, (2) 
medir y reportar la fuerza de evidencia en el soporte de la mejor conclusión que puede 
realizarse y (3) uso de capas de datos GIS (Sistema de Información Geográfica) y modelos 
para complementar la información usada para tomar la decisión final. 
 
Antes de seguir avanzando, es necesario definir ciertos términos. “Región homogénea”, la 
cual definimos como aquella región que representa una región de la imagen satelital sin 
mezcla y está constituida por una sola cobertura bien definida (por ejemplo, vegetación, 
agua, construcciones humanas, etc.) “Región no homogénea”, definida como una región 
que se encuentra formada por dos o más coberturas homogéneas. Estas regiones no 
homogéneas las llamaremos regiones de transición o mezcladas, ya que representan el 
paso de una cobertura a otra. Por ejemplo, en áreas urbanas es común encontrar diversas 
coberturas mezcladas, como pueden ser parques (concreto, pasto, árboles), carreteras (de 
concreto o de asfalto) y casas (techos de tejas, zinc, concreto). Estas coberturas generan 
una respuesta espectral mixta al sensor. De tal manera, al asumir que los tipos y 
coberturas son puros en todos los casos, se incurre en una representación del espacio 
geográfico no bien ajustada a la realidad, y por ende se pueden generar productos finales 
como mapas temáticos de baja calidad [Gutiérrez, 2005]. 
- 6 - 
 
En la tarea de clasificación existe el problema de encontrar los umbrales de los valores de 
los atributos en que cambian las clases (regiones de transición). Estas zonas poseen 
características de diferentes clases que llevan a los algoritmos de clasificación a cometer 
errores. Esto se debe a la dificultad para categorizar las regiones de transición. 
 
En este trabajo de investigación se pretende estudiar la clasificación de imágenes 
satelitales, específicamente evaluando las regiones de transición que es donde se 
encuentra una mayor complejidad para determinar las regiones que la componen. De esta 
forma se propone realizar una extensión a un segmentador que ayude al clasificador 
propuesto. Esto se describe a continuación. 
 
1.2 Segmentación basada en el crecimiento de regiones 
 
La segmentación consiste en separar en unidades significativas una imagen para llegar al 
reconocimiento de objetos presentes en dicha imagen. Existen diversas técnicas para la 
segmentación de regiones. Estas se pueden clasificar en tres tipos [Sucar, 2005]: 
a. Locales. Se basan en agrupar píxeles con base en sus atributos y los de sus vecinos 
(agrupamiento). Ejemplo: Por crecimiento de regiones. 
b. Globales. Se basan en propiedades globales de la imagen (división). Ejemplos: Por 
histogramas. 
c. División-agrupamiento (split and merge). Combinan propiedades de las técnicas 
locales y globales. 
La extensión del segmentador que será implementado deberá contemplar las siguientes 
condiciones: 
 
1. Determinar las regiones homogéneas en una imagen satelital, las cuales 
representarán a las categorías básicas. 
2. Controlar el grado de pureza entre pixeles de una misma categoría (agua, 
vegetación, etc.). 
3. A partir de las categorías básicas, determinar las regiones de transición más 
significativas a través de una operación de diferencia entre la imagen original y la 
imagen segmentada con las regiones homogéneas. 
 
Con base en las condiciones anteriores se ha seleccionado la técnica de segmentación 
basada en el crecimiento de regiones. Ésta es una técnica local que consiste en tomar un 
píxel o conjunto de píxeles como una región inicial (semilla). A partir de estas semillas se 
realiza el “crecimiento” de la región agregando píxeles similares hasta llegar a ciertos 
límites controlados por el umbral de similitud [Sucar, 2005]. 
 
Una parte importante en el crecimiento de regiones es la selección de semillas que serán 
el punto inicial del crecimiento de las regiones. Estas semillas pueden ser obtenidas de 
- 7 - 
 
manera manual (con la ayuda del experto en el dominio) o de manera automática (con la 
ayuda de un método computacional). En esta tesis se propone generar las semillas de 
forma automática utilizando histogramas. 
 
Los histogramas son obtenidos a partir de cada banda (un canal del sensor del satélite) 
seleccionada de la imagen satelital. Estos histogramas son analizados para encontrar las 
intensidades de niveles de gris con un mayor número de frecuencia (mayor número de 
píxeles en la imagen con el mismo nivel de gris). Estas intensidades regularmente 
aparecen en los picos de un histograma. De esta manera, usando ciertas heurísticas se 
aíslan estos picos que determinarán intervalos representativos dentro de un histograma. 
 
Finalmente, se considera un píxel como semilla si su nivel de gris se encuentra en un 
intervalo representativo para cada banda usada de la imagen satelital. Así de esta forma, 
una vez encontrada las semillas, se elegirá el umbral de similitud que se desea para que 
los píxeles vecinos sean agregados a la región en crecimiento y encontrar las regiones 
homogéneas. 
 
1.3 Clasificador basado en lógica difusa 
 
Los conjuntos difusos son un enfoque presentado por la Lógica Difusa, en los cuales la 
pertenencia a un conjunto no es dura (es decir, si pertenece o no pertenece), sino que se 
le otorga un grado de pertenencia (denominado valor de membresía) al conjunto difuso. 
Con la utilización de la Lógica Difusa es posible dar un paso adelante en la descripción de 
la realidad de una región de la superficie terrestre. Si existen coberturas mezcladas o 
regiones de transición, mediante esta técnica podemos instruir adicionalmente al sistema 
con esas características complementarias. Esta ventaja puede traducirse como 
información valiosa para que el clasificador pueda realizar una mejor discriminación y 
determinar las clases aunque se encuentren traslapadas [Gutiérrez, 2005]. 
 
La necesidad de usar conjuntos difusos proviene de la observación de que no todas las 
regiones de un mapa seajustan sin ambigüedades a una sola cobertura o clase. Por el 
contrario, existen clases mezcladas o regiones de transición que se forman al pasar de una 
cobertura a otra. 
 
La idea principal de este trabajo es desarrollar un clasificador basado en lógica difusa para 
la clasificación de imágenes satelitales y con esto poder determinar con mayor exactitud la 
composición de las regiones de transición en la imagen. De esta manera contribuir en los 
siguientes aspectos: 
i. Obtención de regiones de transición en una imagen satelital. 
ii. Evaluación y clasificación de las regiones de transición. 
iii. Validación de la composición de las regiones de transición. 
- 8 - 
 
2. Trabajo relacionado 
 
La clasificación de imágenes satelitales ha dado paso al desarrollo de distintas 
arquitecturas aplicadas a diversas etapas del proceso de análisis de estas imágenes. Estas 
aplicaciones han sido utilizadas para proponer mejoras en las etapas de segmentación, 
extracción de características y por supuesto, en el diseño de clasificadores. 
 
En la literatura han sido reportados diversos trabajos que se relacionan con la clasificación 
suave, píxeles mezclados y regiones de transición de imágenes satelitales. La figura 2 
muestra una forma de agrupar estos trabajos. 
 
 
 
Figura 2.- Enfoques usados para la clasificación de píxeles mezclados. 
 
En la tabla 1 se muestran los trabajos relacionados con la clasificación de píxeles 
mezclados aplicados a imágenes satelitales usando distintos enfoques. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
- 9 - 
 
Año Título Autores Enfoque 
2009 A novel approach to neuro-fuzzy classification A., Ghosh, B. U., 
Shankar, S. K., 
Meher 
Neuro-fuzzy 
2009 Implementation of indeterminate transition zones for 
uncertainty modeling in classified remotely sensed scenes. 
J., Schiewe, et al. Fuzzy 
2008 A classification method of multispectral images which is 
based on fuzzy SVM. 
W., Huai-bin, M. 
Jin-hua 
SVM-Fuzzy 
2008 A combination of positive and negative fuzzy rules for image 
classification problem. 
T. M., Nguyen, Q. 
M. J., Wu. 
Fuzzy 
2008 An application of neuro-fuzzy system in remote sensing 
image classification. 
W., Wei, G., 
Guanglai 
Neuro-
Fuzzy 
2008 Decision fusion of GA self-organizing neuro-fuzzy 
multilayered classifiers for land cover classification using 
textural and spectral features. 
N. E., Mitrakis, et 
al. 
Neuro-
fuzzy-
genético 
2008 Evolving fuzzy classifiers using different model architectures. P., Angelov, E., 
Lughofer, X., Zhou 
Evolutivo-
Fuzzy 
2008 Image classification based on fuzzy support vector machine J., Li et al. SVM-Fuzzy 
2007 Image recognition using SVM-weighted non-negative matrix 
factorization. 
Ch., Pan, et al. SVM 
2007 Machine extraction of landforms from multispectral images 
using texture and neural methods. 
P. R., Chowdhury, 
et al. 
Neuronal 
2007 Support vector machine for classification of hyperspectral 
remote sensing imagery 
Ch., Dai, et al. SVM 
2006 Increasing soft classification accuracy trough the use of an 
ensemble of classifiers. 
H. T. X., Doan, G. 
M., Foody 
Ensamble 
de clasifs. 
2005 Classification of remotely sensed images using neural-
network ensemble and fuzzy integration. 
G. M., Reddy, B. K., 
Mohan 
Neuro-
Fuzzy 
2005 Designing fuzzy rule based classifier using self-organizing 
feature map for analysis of multispectral satellite images. 
N. R., Pal, A., Laha, 
J., Das 
Fuzzy 
2005 Land cover classification of IKONOS multispectral satellite 
data: neuro-fuzzy, neural network and maximum likelihood 
methods. 
J., Han, K., Chi, Y., 
Yeon 
Neuro-
Fuzzy 
2005 Uso de la teoría de lógica difusa en la clasificación imágenes 
satelitales con coberturas mixtas: el caso urbano de Mérida, 
Venezuela. 
J., Gutiérrez, H., 
Jegat 
Fuzzy 
2004 A new approach to mixed pixel classification of hyperspectral 
imagery based on extended morphological profiles. 
A., Plaza, et al. Morfología 
extendida 
2000 Issues related to the detection of boundaries. M. J., Fortin, et al. Diversos 
enfoques 
1995 NEFCLASS a neuro-fuzzy approach for the classification of 
data. Applied Computing. 
D., Nauck, R., Kruse Neuro-
Fuzzy 
 
Tabla 1.- Trabajos relacionados con la clasificación de imágenes satelitales. 
 
 
 
 
- 10 - 
 
2.1 Clasificadores basados en sistemas Neuro-difusos 
 
Wei y Guanglai en [Wei, 2008] proponen un clasificador basado en el sistema neuro-difuso 
NEFCLASS (Neural-Fuzzy Classifier). Las tareas principales del modelo NEFCLASS son 
descubrir las reglas que describen los datos y aprender la forma de las funciones de 
membresía para determinar la clase o categoría correcta de un patrón de entrada. 
 
Las reglas lingüísticas difusas que describen a los datos son de la forma R: “If x1 is μ1 and x2 
is μ2 and…… and xn is μn”, entonces el patrón (x1, x2, . . . , xn) pertenece a la clase i, donde 
μ1, . . ., μn son conjuntos difusos. El sistema NEFCLASS fue derivado de la arquitectura de 
una red neuronal tipo perceptrón difuso genérico [Nauck, 1995]. La figura 3 muestra el 
ejemplo de un sistema NEFCLASS en el que se tienen dos entradas a la red neuronal, cinco 
reglas lingüísticas y dos clases de salidas de tipo dura. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
Figura 3.- Ejemplo del sistema NEFCLASS con dos entradas cinco reglas y dos clases de 
salidas [Nauck, 1995]. 
 
NEFCLASS tiene dos algoritmos de aprendizaje: el algoritmo de aprendizaje de reglas y 
algoritmo de aprendizaje de conjuntos difusos. En el primero, el sistema se inicializa sin 
reglas, pero inserta reglas difusas dentro del sistema durante la primera ejecución a través 
de los datos de entrenamiento. En una segunda corrida las reglas son evaluadas y 
solamente son seleccionadas las k mejores reglas, donde k es determinado por el usuario. 
En el segundo algoritmo, para entrenar la función de membresía, usaron una heurística 
simple similar al back-propagation. De acuerdo al error de salida para cada unidad de 
regla, se toma una decisión, si el valor de activación tiene que ser más alto o más bajo. 
Cada unidad de regla cambia su función de membresía modificando su soporte. 
 
Las imágenes usadas para los experimentos fueron tomadas por el satélite Landsat7 ETM+ 
de la región de Mongolia. En ellas se encontraron seis clases: agua, urbano, tierra, 
C1 C2 
R1 R2 R3 R4 R5 
x1 x2 
µ1
(1) 
1 1 1 1 1 
µ2
(1) 
µ3
(1) µ1
(2) 
µ3
(2) 
µ2
(2) 
- 11 - 
 
vegetación, montaña y desierto (gobi). Se seleccionaron cinco características (bandas): 
TM1 (0.45-0.52μm), TM3 (0.63-0.69μm), TM4 (0.74-0.90μm), TM5 (1.55-1.75μm) y TM7 
(2.08-2.35μm). Los datos de entrenamiento son píxeles homogéneos. La tabla 2 muestra 
los resultados de la clasificación utilizando el sistema NEFCLASS. 
 
 Total de 
referencias 
Total 
clasificados 
Número 
Correcto 
Exactitud 
del 
productor 
Exactitud 
del 
usuario 
Tierra 50 50 50 100.00 % 100.00 % 
Montaña 100 44 44 44.00 % 100.00 % 
Agua 50 50 50 100.00 % 100.00 % 
Vegetación 50 50 50 100.00 % 100.00 % 
Desierto 2 40 2 100.00 % 5.00 % 
Urbano 32 50 31 96.88 % 62.00 % 
Total 284 284 227 79.93 79.93 % 
 
Tabla 2.- Resultados obtenidos por NEFCLASS para la clasificación de imágenes. 
 
La precisión del sistema NEFCLASS es del 79.93 como se muestra en la tabla 2. Es muy 
bueno para clasificar regiones como arena, montaña, agua y vegetación. Sin embargo es 
muy pobre para clasificar el desierto “gobi” y la zona urbana. Este error se puede deber a 
que estas dos clases tienen espectros similares, esto podría ser contrarrestado utilizando 
información adicional para caracterizar las diferentes regiones a clasificar, por ejemplo 
textura, forma, etc. 
 
La clasificación de las imágenes se realizó considerando regiones o píxeles puros para los 
conjuntos de entrenamiento. Las salidas del sistema NEFCLASS es una clasificación dura de 
las clases clasificadas, que a diferencia de nuestro trabajo de investigación, donde se 
determinarála pertenencia de una región de transición a una o más clases. Para reforzar 
la decisión de esta pertenencia no solo se utilizará la información a nivel píxel (bandas 
espectrales) sino también información a nivel región (características de textura). 
 
Ghosh, Shankar y Meher, propusieron en [Ghosh, 2009] un clasificador neuro-difuso que 
utiliza el grado de pertenencia de las características importantes de los patrones a todas 
las clases que son obtenidas a través de un proceso de difusión. El clasificador se muestra 
en la figura 4 y consta principalmente de los siguientes pasos: 
1. El sistema toma una entrada y difumina sus valores característicos usando funciones de 
membresía y proporciona la membresía de las características individuales para las 
clases diferentes. La matriz de membresías se forma por el número de filas y columnas 
que equivale al número de características y clases, respectivamente, presentes en un 
conjunto de datos. Para un patrón x, la matriz de membresías es expresado como: 
- 12 - 
 
 
donde representa la membresía de la d-ésima característica para la clase c. 
2. La matriz de membresías es convertida en un vector concatenando todas las filas o las 
columnas. Este vector es la entrada de la red neuronal. El número de nodos de entrada 
de la red neuronal es igual al producto del número de características por el número de 
clases. 
3. Se realiza una clasificación dura usando la operación MAX (toma el valor máximo de las 
membresías) para la desdifusión de la salida de la red neuronal. Por lo tanto, un patrón 
es asignado a la clase c con el valor de membresía más alto de esa clase. 
Matemáticamente, asigna el patrón a la clase c si: 
 
donde es el valor de activación de la j-ésima neurona en la capa de salida. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
Figura 4.- Modelo neuro-difuso propuesto en [Ghosh, 2009]. 
 
Ghosh y sus colegas realizaron experimentos para diversos dominios. Para el caso de las 
imágenes usaron la imagen IRS-1A obtenida del satélite indú (Indian Remote Sensing 
Satellite). También usaron una imagen SPOT tomada desde el satélite SPOT. Cada píxel 
contiene información de cuatro bandas espectrales. El objetivo es predecir seis clases 
diferentes de regiones de suelo presentes en el conjunto de datos. 
 
Vector patrón 
de entrada 
x1 
 
x2 
. 
. 
. 
xD 
Difusión 
f1,1(x1) 
f1,2(x1) 
. 
. 
. 
f1,C(x1) 
. 
. 
. 
fD,1(xD) 
fD,2(xD) 
. 
. 
. 
fD,C(xD) 
f1,2(x1) 
Patrón de entrada 
D-dimensional 
R 
E 
D 
 
N 
E 
U 
R 
O 
N 
A 
L 
Desdifusión 
Vector de entrada 
CxD-dimensional 
Clasificador 
- 13 - 
 
Utilizaron métricas como el índice de homogeneidad β (a mayor valor de β mayor 
homogeneidad) y el índice de compactés y separabilidad DB (Davies-Bouldin, para una 
buena partición, buena separación entre clases y buena homogeneidad entre clases, DB 
debe ser bajo). Las ganancias son calculadas usando las siguientes ecuaciones: 
 
 
 
 
 
donde clasificador 1 es el clasificador viejo y clasificador 2 es un clasificador relativamente 
nuevo (clasificador al que se le calcula la ganancia). 
 
Las tablas 3 y 4 muestran los resultados de las clasificaciones usando primeramente los 
patrones de entrenamiento y posteriormente los métodos MLP, Neuro-difuso 
convencional y Neuro-difuso propuesto. 
 
Método de clasificación Imagen IRS 
Calcutta 
Imagen SPOT 
Calcutta 
Patrones de entrenamiento 9.4212 9.3343 
MLP 7.1587 7.0542 
NF Convencional 7.7535 7.6978 
NF Propuesto 8.129 8.5575 
Ganancia de NF propuesto sobre MLP 20.31 % 21.31 % 
Ganancia de NF propuesto sobre el convencional 11.08 % 11.16 % 
 
Tabla 3.- Valor β y la ganancia correspondiente para los diferentes métodos de 
clasificación [Ghosh, 2009]. 
 
Método de clasificación Imagen IRS 
Calcutta 
Imagen SPOT 
Calcutta 
Patrones de entrenamiento 0.5621 1.4943 
MLP 0.9390 3.3512 
NF Convencional 0.8113 2.4561 
NF Propuesto 0.7019 1.9801 
Ganancia de NF propuesto sobre MLP 25.25 % 26.71 % 
Ganancia de NF propuesto sobre el convencional 13.48 % 19.38 % 
 
Tabla 4.- Valor DB y la ganancia correspondiente para los diferentes métodos de 
clasificación [Ghosh, 2009]. 
 
Se observa en las tablas 3 y 4 un mejoramiento en el rendimiento del clasificador 
propuesto en [Ghosh, 2009] con respecto a los clasificadores MLP y convencionales. Una 
cuestión interesante en este trabajo es notar que no todas las características pueden 
- 14 - 
 
representar a todos los patrones, por lo que en este caso, asignan un valor de pertenencia 
para cada característica de un patrón para diversas clases. Un inconveniente es la 
selección del número de características para realizar el entrenamiento de la red neuronal 
porque de esta manera se vuelve más compleja en el procesamiento de los datos. 
 
La salida que entrega este sistema neuro-difuso es una clasificación dura. Lo que se 
propone en esta tesis es determinar y evaluar las regiones mezcladas obteniendo como 
salida una clasificación suave. 
 
2.2 Clasificador basado en lógica difusa 
 
Gutierrez y Jegat presentan en [Gutiérrez, 2005] el uso de la Lógica Difusa aplicadas a la 
clasificación de imágenes satelitales, las cuales contienen regiones mezcladas. El trabajo 
desarrollado consiste en dos aplicaciones de clasificación supervisada en imágenes 
satelitales en una zona urbana de la ciudad de Mérida, Venezuela. La primera es basada 
en la forma tradicional de clasificación dura (donde las clases se consideran bien 
delimitadas) y la segunda utilizando la LD (donde las clases son consideradas como 
mezcladas). 
 
Para realizar los experimentos utilizaron una subimagen satelital Landsat - TM, bandas 1, 2 
y 3, composición en verdadero color perteneciente a la zona de Mérida, Venezuela. El 
programa utilizado fue el IDRISI-32. Realizaron las dos clasificaciones: dura y suave. En la 
primera clasificación un clasificador duro denominado “MAXLIKE”. Se denomina MAXLIKE 
porque es basado en la técnica de máxima verosimilitud. Este módulo clasifica una imagen 
sobre la base de la información contenida en una serie de firmas espectrales, las que son 
creadas mediante muestras de entrenamiento (regiones sin mezclas). La segunda 
clasificación es realizada a través de firmas espectrales difusas, esto es, muestras de 
entrenamiento que contienen regiones mezcladas. Se utilizó el módulo “FUZCLASS” del 
programa IDRISI-32. A continuación se muestran los pasos seguidos: 
i. Definir las regiones (sin mezclas y mezcladas) que se conocen en el área de estudio. 
a) Regiones presentes sin mezclas: Bosque denso (Bqd), Bosque (BqR), Césped (Ces), 
Asfalto (Asf), Tejas (Tej), Gramíneas (Grm) y Concreto (platabandas, calles; Cnc). 
b) Regiones mezcladas de las zonas urbanas: Parques y pista de aterrizaje (asfalto, 
concreto y césped; PyP), Zona urbana del centro (concreto, techos de tejas, 
gramíneas, asfalto; UrC), Zona urbana de Hoyada Milla (bosque ralo, techos de tejas, 
concreto, gramíneas; UrM) y Zona de urbanizaciones (techos de tejas y gramíneas; 
Urb). 
ii. Una vez definidas las regiones, se les asignan los respectivos porcentajes aproximados 
de membresía que se considera que tiene cada clase. Esto lo realiza el experto en el 
dominio que conoce la zona a clasificar. Los sitios sin mezcla tendrán exclusivamente la 
clase respectiva, pero a los sitios mezclados, se les asignan los respectivos porcentajes de 
- 15 - 
 
cada clase que se considera componen tal región. Con la anterior información se 
construye la matriz de partición difusa (MPF; ver la tabla 5). 
 
 IDR_ID Bqd Bqr Ces Asf Cnc Tej Grm PyP Urc Urm Urb 
1 Bosque denso 0 0 0 0 0 0 0 0 0 0 0 
2 Bosque ralo 0 1 0 0 0 0 0 0 0 0 0 
3 Césped 0 0 1 0 0 0 0 0 0 0 0 
4 Asfalto 0 0 0 1 0 0 0 0 0 0 0 
5 Concreto 0 0 0 0 1 0 0 0 0 0 0 
6 Tejas 0 0 0 0 0 1 0 0 0 0 0 
7 Gramíneas 0 0 0 0 0 0 1 0 0 0 0 
8 Parque y pista 0 0 0.1 0.1 0 0 0 0.8 0 0 0 
9 Urbano centro 0 0 0 0.05 0.5 0.10 0.05 0 0.75 0 0 
10 Urbano milla 0 0.5 0 0.05 0.5 0.05 0.05 0 0 0.75 0 
11 Urbanización0 0 0 0 0 0.10 0.15 0 0 0 0.75 
 
Tabla 5.- MPF con las regiones puras y mezcladas. 
iii. Con toda esta información se procede a la clasificación usando IDRISI-32. Los resultados 
son mostrados en la figura 5. 
 
Figura 5.- Clasificación usando lógica difusa. 
 
El inconveniente de realizar una clasificación suave utilizando una matriz de partición 
difusa es la dependencia con el experto en el dominio. Los errores de omisión del experto 
en el dominio pueden traducirse a errores en la clasificación suave. En la presente 
propuesta se pretende realizar la clasificación de las regiones mescladas de sin usar 
información del experto en el dominio, excepto para validar los resultados de la 
clasificación de manera visual. Se propone comparar los resultados de la clasificación del 
algoritmo propuesto contra los clasificadores suaves implementados en IDRISI. En esta 
etapa, la comparación se hará primeramente tomando las mismas condiciones que el 
clasificador propuesto con los de IDRISI y después agregando la información de textura. 
http://www.scielo.org.ve/scielo.php?script=sci_arttext&pid=S0378-18442005000500005&lng=es&nrm=iso&tlng=es#tabl1
- 16 - 
 
Schiewe et al., en [Shiewe, 2009] proponen un trabajo relacionado con determinación de 
las zonas de transición generadas en imágenes satelitales sensadas a una alta resolución 
espacial. Su contribución se centra en modelar las regiones de transición indeterminadas y 
de esta manera describir sus incertidumbres. 
 
Basan su trabajo en el modelado de regiones de transición a través de bandas ε 
[Chrisman, 1982] y la teoría de la lógica difusa. Para determinar las regiones de transición 
pueden ser tomados en cuenta dos aspectos: el geométrico y el semántico. 
 
Modelado geométrico.- Las regiones de transición sirven como un modelo del área 
limitante entre dos objetos geográficos clasificados. Su geometría es construida 
dependiendo del tipo de objetos adyacentes. Básicamente se supone que las regiones de 
transición son de tipo simétrico, por ejemplo, dos objetos adyacentes comparten la misma 
geometría de la región de transición. Con el fin de crear las geometrías para las regiones 
de transición, las limitaciones son resguardadas a ambos lados (figura 6a). La amplitud de 
los búferes depende de las clases de los objetos respectivos y además se define sobre la 
base del aspecto semántico para cada par presente de clases de objetos. 
 
 
(a) (b) 
 
Figura 6.- (a) Creación de la región de resguardo alrededor de los objetos limitantes. (b) 
Definición de la función de membresía difusa para la región de transición. 
 
Dentro de la región de transición, una función de membresía difusa es aplicada 
perpendicular a los límites de los objetos (ver figura 6b). Los valores de la función son 
definidos en el intervalo [0.0, 1.0]. El resultado es una función que proporciona un valor 
de 1.0 (pertenencia total a la clase respectiva) en el límite interior de la región de 
transición y un valor de 0.0 (ninguna pertenencia) en el límite exterior. 
 
Modelado semántico.- La membresía temática de los objetos vecinos en consideración 
tiene una influencia significativa en la difusión de los límites y la amplitud de la región de 
transición. En este trabajo se asume que las estructuras creadas por el hombre como 
asentamientos o infraestructura de sistemas de transportación tienen regiones más 
pequeñas de borde formador (por su compactés o forma elongada) que objetos naturales 
que muestran un mayor comportamiento difuso (por ejemplo, entre océano y costa). 
- 17 - 
 
Asumen que la amplitud de las regiones del borde del objeto, en términos de números 
absolutos no es posible, debido a dos factores: 
 
 Influencia estacional: El estado y amplitud de las regiones fronterizas de clases de 
vegetación dependen de la situación fenológica de la comunidad examinada. La 
reflectancia espectral de la vegetación está cambiando siempre durante su 
crecimiento y depende del estado fisiológico de la vegetación. 
 Tamaño y forma de las regiones vecinas: Edwars y Lowell en [Edwards, 1996] 
descubrieron que el tamaño de los polígonos examinados tiene una influencia en la 
formación de una frontera y con eso, en la amplitud de la frontera. Como una 
consecuencia, regiones más pequeñas tienden a ser más difusas comparadas con 
regiones más grandes, suponiendo las demás condiciones estables. Con esto, este 
hecho resulta difícil relacionar una y solo una amplitud absoluta a todas las 
regiones de una clase de objetos. 
 
Un inconveniente que se puede notar en este trabajo es la manera de trazar las regiones 
de transición, de forma simétrica a las regiones que la generan. En cambio en la 
naturaleza, estas regiones de transición se generan de manera caprichosa sin mantener 
una estructura determinada (excepto para las construcciones creadas por el hombre). 
 
Otro aspecto que es posible mejorar de este trabajo es la inclusión de funciones de 
membresías más complejas que permitan combinar más características (por ejemplo 
textura) de las regiones que generan las regiones de transición. En la naturaleza, el cambio 
de una región a otra (región de transición) es de forma gradual y sobre todo no lineal, por 
lo que usando funciones de membresías triangulares no se puede alcanzar una mejor 
evaluación de estas regiones. 
 
En nuestro trabajo las regiones de transición serán determinadas a partir de las regiones 
homogéneas. Las regiones homogéneas delimitarán a las regiones de transición por lo que 
su forma y ubicación serán bien determinadas para realizar su evaluación y clasificación. 
 
2.3 Clasificador basado en el sistema Neuro-difuso-genético 
 
Mitrakis, Topaloglou y Alexandridis propusieron en [Mitrakis, 2008] el modelo GA-
SONeFMUC para la clasificación de suelo en imágenes multiespectrales. Este modelo se 
basa en un ensamble de clasificadores arreglados por niveles para mejorar la precisión de 
los clasificadores ubicados en la etapa previa. 
 
El modelo está compuesto por clasificadores difuso-neuronales elementales (FNCs) 
organizados en una estructura multicapa con alimentación hacia adelante. Cada FNC 
realiza tres tareas principales: 1) fusionar la decisión de los padres FNCs de la etapa 
anterior; 2) separar los datos que distinguen entre los patrones bien clasificados y los 
patrones ambiguos; y 3) Mejorar la clasificación de los patrones ambiguos a través de un 
- 18 - 
 
clasificador neuro-difuso. La figura 7 muestra un ejemplo de una arquitectura GA-
SONeFMUC de tres capas compuesta por 7 módulos FNCs. 
 
 
 
 
 
 
 
 
 
 
 
Figura 7.- Arquitectura de GA-SONeFMUC con tres capas y siete módulos FNCs [Mitrakis, 
2008]. 
 
A diferencia de las arquitecturas anteriores, donde la clasificación es realizada a través de 
una sola pasada por el proceso de clasificación, en este caso, la tarea de clasificación es 
llevada a cabo secuencialmente a través de repetidas fusiones de decisiones, 
transformación de las características y tomando decisiones a lo largo de las capas de GA-
SONeFMUC. 
 
Un algoritmo genético es introducido en el modelo GA-SONeFMUC con el fin de ajustar los 
parámetros tales como centros y traslapes de las funciones de membresías usado en cada 
FNC. Las características utilizadas para la clasificación son: características espectrales de 
las 4 bandas usadas (tres visibles y una cerca del infrarrojo), características la matriz de co-
ocurrencia de niveles de gris, características wavelet y características espectrales 
transformadas. 
 
La tabla 6 muestra los resultados para la clasificación del área de estudio correspondiente 
a la zona de wetland perteneciente al lago de Koronia ubicada al norte de Grecia. 
Consideraron 6 clases mostradas en la tabla 6. 
 
GA-SONeFMUC Mapa de Clasificación de humedales – Fusión de decisión (BKS) 
 Phragmites Tamarix Prados 
húmedos 
Árboles Agua PA (%) UA (%) 
Phragmites 103 5 7 2 0 91.15 88.03 
Tamarix8 50 3 6 0 84.75 74.63 
Prados húmedos 2 3 197 2 0 95.17 96.57 
Árboles 0 1 0 46 0 82.14 97.87 
Agua 0 0 0 0 54 100.0 100.0 
Referencia 113 59 207 56 54 
 
Tabla 6.- Resultados de la clasificación usando el modelo GA-SONeFMUC [Mitrakis, 2008]. 
x1 
x2 
x3 
x4 
x5 
x6 
x7 
 
FNC1
(1) 
 
FNC2
(1) 
 
FNC3
(1) 
 
FNC1
(2) 
 
FNC2
(2) 
 
FNC1
(3) 
Capa 1 Capa 2 Capa 3 
(M) 
D(x) 
(p) 
(M) 
r
(1)
 
- 19 - 
 
La precisión en la clasificación de este modelo es del 92.02%. Es una arquitectura bastante 
robusta e implementa diversas áreas de la computación para reducir los errores de 
clasificación para las regiones mezcladas. Otra parte importante por mencionar es la 
implementación de un ensamble de clasificadores los cuales de manera individual son 
especializados para la clasificación de regiones usando mejores características para cada 
conjunto de datos de entrenamiento y de prueba. 
 
Un inconveniente de este clasificador es precisamente su complejidad para diseñar los 
módulos elementales para que puedan especializarse en la clasificación de cierta clase. El 
diseño de los clasificadores individuales se debe tomar en cuenta aspectos como: tipo de 
clasificador, estructura del modelo, algoritmo de aprendizaje usado para entrenar al 
clasificador, recursos multiespectrales adquiridos y tipo de características extraídas. 
 
En nuestro trabajo, se propone un clasificador que reduzca su complejidad con respecto al 
diseño de este ensamble de clasificadores. La diferencia será en la forma de obtener las 
regiones de transición y la de proporcionarle al clasificador propuesta información precisa 
acerca de estas regiones para tomar una mejor decisión en su clasificación. 
 
2.4 Clasificador basado en SVM-difuso 
 
Li, Huang, He y Quian propusieron en [Li, 2008] un clasificador de imágenes basado en 
máquinas de soporte vectorial difuso (FSVM). La idea básica es definir una función de 
membresía para clasificar imágenes que son mal clasificadas usando máquina de soporte 
vectorial (SVM) convencionales. 
 
Es importante resaltar que las aplicaciones abordadas en este trabajo no incluyen a las 
imágenes satelitales, pero se decidió mencionarlo por los conceptos afines que se 
relacionan con la propuesta tales como la separación de las clases mezcladas. 
 
La técnica de máquina de soporte vectorial (SVM) es un clasificador para dos clases y 
funciona correctamente cuando no existe traslape entre clases. Cuando se necesita 
clasificar n clases, el problema es transformado a un problema 1 a r, donde una clase i es 
tratada como una clase separada y las clases restantes son tratadas como la otra clase. 
Una imagen es inclasificable cuando existe más de un valor de decisión, ver figura 8a. Para 
sobrellevar este problema, existe un método de 1 a 1 propuesto en [Li, 2008]. El método 1 
a 1 convierte el problema de n clases en n(n-1)/2 problemas de dos clases, reduciendo la 
región inclasificable por clases traslapadas, ver figura 8b. 
 
Para resolver los problemas anteriores, el trabajo de [Li, 2008] propone la inclusión de una 
función de membresía para poder clasificar las regiones mezcladas. Esta función calcula la 
distancia mínima de estas regiones a la clase más próxima y le asigna un mayor grado de 
pertenencia, resultando en una mejor clasificación, ver figura 8c. 
 
- 20 - 
 
 
(a) (b) (c) 
Figura 8.- (a) Regiones inclasificables por un SVM 1 a r, (b) Regiones inclasificables por un 
SVM 1 a 1, (c) Regiones ampliadas generalizadas para el FSVM [Li, 2008]. 
 
Para realizar los experimentos usaron 2600 imágenes tomadas de internet y organizados 
manualmente en 8 categorías como se muestra en la tabla 7. 
 
No 1 2 3 4 5 6 7 8 
Categoría Animal Interior Edificios Autos Personas Espacio Cielo Plantas 
Ntraining 190 156 200 200 300 102 100 200 
Ntesting 183 104 185 125 264 101 103 103 
 
Tabla 7.- Conjuntos de entrenamiento y prueba para la clasificación de imágenes [Li, 
2008]. 
 
En la tabla 8 se muestra el rendimiento en la clasificación realizada por los métodos de 
SVM convencional y el SVM difuso (FSVM). Los resultados muestran una mejoría en la 
clasificación usando FSVM en la mayoría de las categorías clasificadas. 
 
No 1 2 3 4 5 6 7 8 
Categoría Animal Interior Edificios Autos Personas Espacio Cielo Plantas 
Ntraining 42.08 % 64.42 % 54.59 % 61.60 % 65.40 % 49.50 % 44.66 % 76.70 % 
Ntesting 44.80 % 67.31 % 56.76 % 63.20 % 64.64 % 49.50 % 48.54 % 76.70 % 
 
Tabla 8.- Rendimiento de clasificación usando SVM y FSVM [Li, 2008]. 
 
Los resultados mostrados en la tabla 8 muestran una muy baja precisión del método 
propuesto en [Li, 2008] usando SVM comparado con el trabajo propuesto en [Wei, 2008]. 
Una desventaja de usar este método es el crecimiento en el número de clases a 
determinar, debido a que resultaría en una dimensión mayor para determinar la 
separación entre diversas clases 1 a 1 (que es la manera de operar de SVM). 
 
Lo que proponemos en nuestro trabajo de investigación es dar un tratamiento diferente a 
las regiones mezcladas (regiones de transición), ubicando primero las regiones 
homogéneas que sirven como delimitación para las regiones de transición. Una vez 
determinadas estas regiones, se extraerán sus vectores característicos para implementar 
un clasificador basado en lógica difusa. 
- 21 - 
 
3. Planteamiento de la propuesta 
3.1 Problemática 
 
Las regiones de transición formadas por el cambio de una cobertura de suelo a otra en 
una imagen satelital, están constituidas por una mezcla de distintas coberturas de suelo 
(por ejemplo, vegetación-agua). En estas regiones resulta difícil determinar su 
composición con respecto a más de una cobertura. 
 
Los vectores característicos que se pueden obtener de una región sin mezcla permiten 
representar a dicha región para su asignación a una clase (cobertura de suelo) a través de 
un proceso de clasificación. En este caso, es posible determinar los umbrales en que 
cambian las características que representan a una u otra región. 
 
Por el contrario, en el caso de las regiones de transición, estos umbrales no se encuentran 
tan definidos o delimitados, por lo que el proceso de clasificación se vuelve más 
complicado. Esta complicación da como resultado la construcción de clasificadores más 
complejos para determinar y evaluar las regiones mezcladas. 
 
Para un sistema de clasificación es necesario tener la suficiente provisión para representar 
las incertidumbres involucradas en cada una de las etapas para que la salida final 
(resultados) del sistema sea asociada con la menor incertidumbre posible. El tema del 
manejo de la incertidumbre llega a ser más prominente en caso de clasificación de suelo 
de imágenes sensadas remotamente. Esto se refleja con una mayor relevancia en las 
regiones de transición, es decir, al pasar de un tipo de cobertura a otra. Generando con 
esto zonas o regiones mezcladas con una o más coberturas (por ejemplo, vegetación, agua 
y construcciones). 
 
Diversos enfoques han sido propuestos para la clasificación de imágenes satelitales para 
determinar y evaluar las regiones de transición. Estos en su mayoría contemplan la 
clasificación con clases puras o bien delimitadas. En este trabajo se propone desarrollar un 
clasificador de imágenes satelitales para clasificar estas regiones de transición donde 
aparecen las zonas mezcladas. 
 
La manera en que se muestran las coberturas dentro de una imagen satelital, generando 
regiones de transición, se propone utilizar la teoría difusa para desarrollar el clasificador 
que nos permita determinar y evaluar el grado de pertenencia de cada píxel contenido en 
una región de transición a las coberturas (clases) correspondientes. 
 
 
 
 
- 22 - 
 
3.2 Motivación 
 
Diversos trabajos han contribuido hacia la clasificación de las regiones de transición en 
imágenes satelitales según revisado en seccionesanteriores. Por lo que determinar la 
composición que tienen estas regiones aun sigue siendo un reto debido a que no existe un 
método preciso para verificar la certeza de estas mezclas. 
 
La tarea de clasificación de estas zonas mezcladas no resulta sencilla debido a que en 
estas zonas existen diversas clases que combinan su respuesta espectral dando una 
respuesta espectral mixta donde resulta difícil interpretar una región específica. Con todo 
esto, es necesaria la agregación de mayor información tales como textura, forma, 
relaciones espaciales a nivel región que permitan reducir el grado incertidumbre en estas 
regiones mezcladas. 
 
Las principales motivaciones por abordar el problema de la clasificación de regiones de 
transición son las siguientes: 
 
 Establecer una manera de determinar y ubicar las regiones de transición en una 
imagen satelital. 
 Combinar información a nivel píxel y a nivel región para caracterizar dichas 
regiones de transición. 
 Proponer un clasificador suave que permita determinar la composición de estas 
regiones de transición. 
 Proponer una medida de similitud que pueda ser usada por el clasificador 
propuesto para medir las similitudes entre regiones homogéneas y las de 
transición. 
 
3.3 Preguntas de investigación 
¿Es posible realizar una extensión de un segmentador de imágenes para que permita 
controlar el grado de pureza de una segmentación para determinar las regiones 
homogéneas (no mezcladas) en imágenes satelitales? 
¿Es posible construir un algoritmo para la clasificación de imágenes satelitales que 
permita evaluar las regiones de transición en una imagen satelital de tal manera que la 
clasificación permita determinar los grados de pertenencia hacia una o más regiones 
homogéneas y tenga una mayor precisión? 
 
 
 
- 23 - 
 
3.4 Objetivo general 
 
Diseñar un algoritmo para la clasificación de imágenes satelitales que permita determinar 
y clasificar las regiones de transición combinando información a nivel píxel y a nivel región 
y de esta manera realizarla de una forma más precisa. 
 
3.5 Objetivos específicos 
i. Proponer una extensión de un segmentador basado en el crecimiento de regiones 
que permita controlar el grado de pureza de las regiones homogéneas. 
ii. Desarrollar un método que permita determinar las regiones no homogéneas (de 
transición) más significativas dentro de una imagen satelital. 
iii. Extraer las características de una imagen satelital que ayude a interpretar las 
regiones no homogéneas. 
iv. Proponer un algoritmo para la clasificación de imágenes satelitales con regiones de 
transición que determine la pertenencia de las regiones a las clases 
correspondientes. 
v. Verificar el algoritmo propuesto para comprobar su eficacia frente a otras 
propuestas, mediante la experimentación con imágenes artificiales y con el 
experto del dominio. 
 
3.6 Contribuciones esperadas 
i. Extensión del segmentador basado en el crecimiento de regiones. El segmentador 
aislará las regiones homogéneas, se extraerán características de estas regiones y se 
determinarán las regiones de transición más significativas. 
ii. Creación de un clasificador de regiones de transición aplicados a la clasificación de 
imágenes satelitales. El clasificador evaluará las regiones de transición para 
determinar la composición con respecto a las regiones homogéneas que la 
generan. 
iii. Proposición de una medida de similitud difusa que permita ser usado con los 
vectores característicos usados para la clasificación de regiones de transición. 
 
3.7 Metodología 
 
En esta sección se muestra la metodología propuesta para este trabajo de investigación. 
En la figura 9 se presentan las etapas de la estructura general de la solución propuesta. 
 
 
- 24 - 
 
 
 
 
 
 
 
 
 
 
 
 
 
Figura 9.- Estructura general de la solución propuesta. 
 
Los bloques principales se detallan a continuación: 
 
Bandas espectrales.- Las imágenes satelitales que se usarán son las tomadas por el 
satélite Landsat ETM+ que pueden ser obtenidos a través de la Internet. Una imagen 
LANDSAT 7 ETM+ está compuesta por 8 bandas espectrales que pueden ser combinadas 
de distintas formas para obtener variadas composiciones de color u opciones de 
procesamiento. Las bandas del espectro visible y del infrarrojo mantienen la resolución 
espacial de 30 m del Landsat 5 (canales 1, 2, 3, 4, 5 y 7). Entre las principales mejoras 
técnicas respecto de su antecesor, el satélite Landsat 5, se destaca la adición de una 
banda espectral (Banda Pancromática) con resolución de 15 metros. También cuenta con 
mejoras en las características geométricas y radiométricas y una mayor resolución 
espacial de la banda térmica para 60 m. Estos avances tecnológicos permiten calificar al 
LANDSAT 7 como el satélite más interesante para la generación de imágenes con 
aplicaciones directas hasta una escala de 1:25.000, principalmente en áreas rurales o 
territorios de grandes extensiones. 
 
Segmentación.- Usando las firmas espectrales de las bandas de la imagen satelital se 
implementará una extensión del segmentador basado en crecimiento de regiones. En este 
apartado se propone determinar las regiones homogéneas o categorías básicas que se 
encuentran presentes en una imagen satelital. Se controlará el grado de pureza de las 
regiones homogéneas a través del crecimiento de regiones para obtener las regiones 
homogéneas. El grado de pureza representa el valor del umbral de similitud que se usará 
para realizar la segmentación basada en el crecimiento de regiones. 
 
 
 
Segmentación 
Obtención de 
regiones de 
transición 
Clasificación suave 
Algoritmo 
propuesto 
Bandas 
espectrales 
Imagen 
clasificada 
Extracción de 
Características 
- 25 - 
 
Las regiones homogéneas que serán las coberturas básicas en la imagen satelital son las 
siguientes: 
 
1. Aguas: profundas y superficiales. 
2. Vegetación: bosque denso, bosque ralo y agricultura. 
3. Estructuras humanas: edificios y carreteras. 
 
Extracción de características.- En este bloque se extraerán características (de textura), 
que en combinación con las firmas espectrales, ayuden a caracterizar las regiones no 
homogéneas o de transición. Con esta información se formará el vector de características 
que definirá a cada región. 
 
Obtención de regiones mezcladas (o de transición).- Una vez obtenida las regiones 
homogéneas y a partir de las características extraídas de la imagen, se determinarán las 
regiones de transición más significativas. Esto puede ser realizado agrupando los niveles 
de grises de las regiones de transición o a través de la información de textura. 
 
Clasificación suave: algoritmo propuesto.- En este apartado se pretende realizar la mayor 
contribución al trabajo de investigación. Se propone un clasificador de imágenes para la 
evaluación de la composición de los píxeles. Llevando a cabo esto se pretende obtener 
principalmente: 
 
1. La determinación de la composición de cada píxel con respecto a las categorías 
básicas. Para llevar a cabo esto se utilizará la teoría difusa para determinar el grado 
de pertenencia de los píxeles de cada región de transición a las categorías básicas 
que lo están generando. 
2. Construir una tabla en la que se muestren las regiones homogéneas y el número de 
píxeles de cada una. De igual manera se mostrará la composición de cada páxel 
mezclado para las distintas regiones de transición. 
 
A continuación se detallan los pasos necesarios para alcanzar los objetivos planteados 
para esta propuesta de tesis: 
1. Recopilación y análisis de la literatura relacionada con tópicos como: 
a. Tipos de segmentadores de imágenes que permitan obtener regiones 
homogéneas en una imagen satelital. 
b. Algoritmos para la extracción y selección de características en imágenes 
satelitales. 
c. Clasificadores de imágenes que se relacionen con temas como: clasificación 
suave, regiones de transición, manejo de incertidumbres, etc. 
2. Desarrollo de la extensióndel segmentador. 
- 26 - 
 
a. Se propone realizar una extensión al segmentador basado en el crecimiento de 
regiones para que permita determinar las regiones homogéneas o categorías 
básicas. 
b. El crecimiento de regiones permitirá controlar la pureza de las regiones 
homogéneas. Con esto se podrá determinar, a través de una diferencia de 
imágenes las regiones de transición. 
3. Definición y caracterización del dominio de aplicación para la clasificación de 
imágenes. 
a. Se usarán imágenes satelitales sensadas por el satélite Landsat 7 ETM+ que 
cuentan con 8 bandas. Seis bandas (1, 2, 3, 4, 5 y 7) que van desde el espectro 
visible al infrarrojo con una resolución espacial de 30 m. Las bandas del 
infrarrojo térmico (canales 6L e 6H) que son adquiridas con una resolución de 
60 metros y la banda Pancromática (canal 8) que tiene 15 m de resolución 
espacial. 
b. Las coberturas que se clasificarán son: aguas profundas y superficiales; bosque 
denso, bosque ralo y agricultura; y estructuras humanas como edificios y 
carreteras. 
c. Las características que se usarán son las siguientes: firmas espectrales de las 
respectivas bandas usadas, textura y distancia. 
4. Extracción y selección de características. 
a. Las características extraídas definirán tanto a las regiones homogéneas como 
las no homogéneas para ser usadas en la evaluación de cada pixel de las 
regiones de transición. 
b. Para extraer las características se utilizarán herramientas como MATLAB o 
HALCON. 
5. Planteamiento del algoritmo para la clasificación de imágenes que permita 
clasificar regiones de transición. 
a. El clasificador permitirá determinar el grado de pertenencia de cada pixel de 
las regiones de transición con respecto a las regiones homogéneas. 
b. La evaluación de esta pertenencia se hará utilizando la teoría difusa. 
6. Implementación del algoritmo propuesto. 
a. Ajuste de parámetros para el mejor funcionamiento del algoritmo propuesto. 
7. Evaluación de resultados mediante la realización de pruebas 
a. Comparación de los resultados encontrados con otros sistemas como: 
Clasificador Neuro-fuzzy (NEFCLASS) propuesto en [Ghosh, 2009] y [Wei, 
2008], y los clasificadores suaves implementados en IDRISI TAIGA como el 
clasificador bayesiano (módulo BAYCLASS), el clasificador difuso (módulo 
FUZCLASS) y el clasificador de máxima verosimilitud (módulo MAXLIKE). 
- 27 - 
 
b. Comparación de los resultados encontrados con el experto en el dominio. 
8. Publicación de artículos. 
 
3.8 Plan de trabajo 
A continuación se describen brevemente las actividades del plan de trabajo: 
i. Revisión documental. Recopilar la literatura disponible acerca de los clasificadores 
de imágenes que han investigado la clasificación de regiones de transición. 
Búsqueda de herramientas de segmentación de imágenes para la obtención de 
regiones homogéneas y métodos para la extracción de características para 
caracterizar adecuadamente las regiones dentro de una imagen satelital. 
ii. Definición del tema. Clarificar la contribución principal a través del título de la tesis 
y los objetivos. Determinar las contribuciones que se pretenden alcanzar con el 
trabajo de tesis. 
iii. Análisis del estado del arte. Estudio y discriminación entre los trabajos más 
cercanos a la investigación con el fin de encontrar los trabajos que servirán como 
respaldo a la investigación y aquellos que utilizarán para comparar nuestros 
resultados. 
iv. Selección del dominio de aplicación. Se determinará el tipo de imágenes a utilizar, 
la fuente de las mismas (satélites usados para adquirirlos), las coberturas que se 
buscarán en las imágenes, etc. 
v. Análisis y diseño del nuevo algoritmo clasificador. En esta etapa se centra la parte 
principal del trabajo ya que consta de las partes principales que constituirán al 
clasificador. 
a. Desarrollo de la extensión del segmentador. En esta etapa se construirá la 
extensión del segmentador para que determine las regiones homogéneas 
dentro de una imagen satelital. El segmentador utilizará las firmas espectrales 
de las bandas correspondientes a las imágenes tomadas por el satélite Landsat 
7 ETM +. 
b. Extracción de características. En este apartado se extraerán las características 
adecuadas para representar las regiones en una imagen satelital. La extracción 
de características se hará en MATLAB. 
c. Diseño del algoritmo clasificador. Se diseñará el algoritmo para que permita 
evaluar las regiones de transición entre dos coberturas básicas en una imagen 
digital. Determinará la pertenencia o composición de cada región de transición 
(primero a nivel región y después a nivel pixel) con respecto a las categorías 
básicas. 
vi. Integración del segmentador y clasificador. En esta etapa se realizará la 
integración de los módulos del clasificador propuesto. 
- 28 - 
 
vii. Experimentos. Con la selección de imágenes obtenidas se realizarán los 
experimentos usando el clasificador propuesto y las otras propuestas hechas para 
obtener la comparación de sus resultados. 
viii. Evaluación de resultados. Se propone evaluar el clasificador propuesto usando 
medidas cuantitativas y cualitativas. 
 
La tabla 9 muestra el cronograma de actividades que se seguirá para cumplir la propuesta 
planteada. 
 
Actividades 2009 2010 2011 
Ene-Abr May-Ago Sep-Dic Ene-Abr May-Ago Sep-Dic Ene-Abr May-Ago 
Revisión documental 
Definición del tema 
Análisis del estado del arte 
Selección del dominio de 
aplicación 
 
Análisis y diseño del nuevo 
algoritmo clasificador 
 
 Diseño e 
implementación de la 
Extensión del 
segmentador 
 
 Extracción de 
características 
 
 Diseño del algoritmo 
clasificador 
 
Integración del 
segmentador, selector y 
clasificador 
 
Experimentos 
Evaluación de resultados 
Presentación de avances 
Redacción de artículos 
Redacción de la tesis 
Defensa de Tesis Doctoral 
 
Tabla 9.- Cronograma de actividades. 
 
- 29 - 
 
4. Resultados preliminares 
 
Los resultados preliminares encontrados hasta el momento son: 
 
1. Segmentador basado en el crecimiento de regiones. Este segmentador nos 
permite determinar las regiones homogéneas usando la ubicación de las semillas 
para realizar el crecimiento de las regiones. Las semillas son introducidas de forma 
manual pero se está implementando un método basado en el análisis de 
histogramas para la obtención automática de las semillas. 
2. Método para determinar las regiones de transición. La propuesta para delimitar 
las regiones de transición es simple. Una vez determinada las regiones 
homogéneas, las cuales resultan más fáciles de ubicar, es posible acotar a las 
regiones de transición. Esto es posible porque estas regiones homogéneas son las 
que generan a las regiones mezcladas. 
3. Evaluación de las regiones de transición. Primeramente se extrajeron vectores 
característicos de las firmas espectrales y de textura de las regiones de la imagen 
segmentada. Se realizó la difusión de este vector obteniendo un vector de 
características difusas (VCD). Utilizando este VCD se calcula una medida de 
similitud entre una región de transición y una región homogénea. Esta función de 
similitud es una medida de distancia simple de suma promediada. Se propondrá 
una función de distancia que permita una mejor evaluación de los valores 
característicos de textura. 
 
4.1 Descripción del dominio 
 
Las imágenes a utilizar son tomadas por el satélite Landsat 7 ETM+ que se encuentran 
disponibles en la Internet. Estas imágenes son adquiridas a través de sensores que captan 
las reflectancias de cada cobertura en la corteza terrestre por medio de 8 canales o 
bandas. 
Las bandas del espectro visible y del infrarrojo tienen una resolución espacial de 30 
metros (canales 1, 2, 3, 4, 5 y 7). Las bandas del infrarrojo térmico (canales 6L y 6H) son 
adquiridas con una resolución de 60 metros. La bandaPancromática (canal 8) tiene 15 
metros de resolución espacial. 
La tabla 10 ilustra la resolución espectral de cada banda del sensor ETM+ del Landsat 7. 
Los valores son expresados en micrones y representan los límites de longitudes de onda a 
los que es sensible cada banda espectral. 
 
 
 
 
- 30 - 
 
Límite Banda 1 Banda 2 Banda 3 Banda 4 Banda 5 Banda 6 Banda 7 Banda 8 
Inferior 0.45 0.53 0.63 0.78 1.55 10.4 2.09 0.52 
Superior 0.52 0.61 0.69 0.90 1.75 12.5 2.35 0.90 
Tabla 10.- Bandas espectrales del sensor ETM + del satélite Landsat 7. 
 
Las coberturas que contienen las imágenes seleccionadas son: 
1. Aguas: profundas y superficiales. 
2. Vegetación: bosque denso, bosque ralo y agricultura. 
3. Estructuras humanas: edificios y carreteras. 
4. Otras 
 
Los experimentos serán realizados usando las siguientes imágenes: 
1. Imágenes satelitales disponibles de manera gratuita en el enlace 
http://glcfapp.umiacs.umd.edu:8080/esdi/index.jsp. 
2. Imágenes artificiales creadas en ERDAS-IMAGINE. 
 
Para las imágenes satelitales se utilizarán las imágenes del estado de Veracruz, México 
debido a que se tiene un mayor conocimiento de estas regiones. Cuenta con 41 imágenes 
de del estado de Veracruz y sus fronteras. Las imágenes están disponibles en sus bandas 
del espectro visible (1, 2, 3, 4, 5 y 7) suficientes para realizar los experimentos. La figura 10 
muestra una subimagen de la zona de la ciudad de Veracruz y sus alrededores. 
 
 
 
 
 
 
 
 
 
 
Figura 10.- Imagen en verdadero color de la zona de la ciudad de Veracruz y sus 
alrededores. 
 
 
http://glcfapp.umiacs.umd.edu:8080/esdi/index.jsp
- 31 - 
 
4.2 Extensión del segmentador 
 
El segmentador extendido se basa en el crecimiento de regiones. Este segmentador fue 
seleccionado para que nos permita: 
1. Determinar las regiones homogéneas dentro de las imágenes satelitales utilizando 
las firmas espectrales de las bandas usadas. 
2. Controlar el grado de pureza de una región homogénea al realizar el crecimiento 
de regiones. 
3. Al encontrar las regiones homogéneas a través de este segmentador, se irá 
delimitando las regiones de transición (regiones no homogéneas) que son 
generadas por estas regiones homogéneas. 
 
Para realizar los experimentos, se tomaron subimágenes conteniendo solo dos tipos de 
coberturas a la vez de la imagen mostrada en la figura 10. Las figuras 11, 12 y 13 muestran 
el resultado de las segmentaciones de estas subimágenes. El valor p controla el grado de 
pureza (umbral de similitud) para realizar la segmentación. 
 
 
 
 
 
 
 
 
 
 
 
 
 
(a) (b) 
Figura 11.- (a) Subimagen a segmentar con coberturas de región urbana y agua. (b) 
Imagen segmentada: urbana (cian, p = 25) y agua (azul, p = 6). 
 
 
 
 
 
 
 
 
 
 
 
- 32 - 
 
 
 
 
 
 
 
 
 
 
 
 
 
 (a) (b) 
Figura 12.- (a) Subimagen a segmentar con coberturas de región de vegetación y agua. (b) 
Imagen segmentada: vegetación (color azul fuerte, p = 8), agua (cian, p = 6). 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
(a) (b) 
Figura 13.- (a) Subimagen a segmentar con coberturas de región de vegetación y urbano. 
(b) Imagen segmentada de vegetación: vegetación (azul, p = 8), agua (cian, p = 6). 
 
4.3 Clasificación usando los clasificadores de IDRISI Andes 
El tipo de clasificación utilizada es la supervisada. Los pasos seguidos para realizar la 
clasificación en IDRISI Andes son los siguientes: 
1. Se crean los conjuntos de entrenamiento para cada clase (región homogénea) a 
través del comando “Digitize”. 
2. Se construye un archivo de firmas espectrales con el conjunto de entrenamiento 
creado en el paso anterior y utilizando las bandas espectrales de la imagen a 
clasificar. 
 
 
 
- 33 - 
 
3. Utilizando este archivo de firmas se procede a realizar la clasificación. 
 
Los resultados de la clasificación usando el módulo BAYCLASS (clasificador bayesiano) se 
muestran en las imágenes de la figura 14. 
 
 
(a) 
 
 (b) (c) 
Figura 14.- Resultados de la clasificación usando el módulo BAYCLASS. (a) Incertidumbre 
de la clasificación. (b) Clasificación de la clase agua. (c) Clasificación de la clase urbano. 
 
Los resultados de la clasificación usando el módulo FUZZCLASS (clasificador difuso) se 
muestran en las imágenes de la figura 15. 
 
 
- 34 - 
 
 
(a) 
 
 (b) (c) 
Figura 15.- Resultados de la clasificación usando el módulo FUZZCLASS. (a) Incertidumbre 
de la clasificación. (b) Clasificación de la clase agua. (c) Clasificación de la clase urbano. 
 
Los resultados de la clasificación usando el módulo KNN (Vecinos más cercano) se 
muestran en las imágenes de la figura 16. 
 
 
- 35 - 
 
 
 (a) (b) 
Figura 16.- Resultados de la clasificación usando el módulo FUZZCLASS. (a) Clasificación de 
la clase agua. (b) Clasificación de la clase urbano. 
 
4.4 Resultados de la clasificación de las regiones de transición. Método 
propuesto 
Las imágenes clasificadas son las mostradas en las figuras 11-13. Los pasos seguidos son 
los siguientes: 
1. Se tomaron tres bandas espectrales (banda 2, 3 y 5) para cada imagen a clasificar. 
2. Se usan las semillas de cada región homogénea para realizar la segmentación 
usando el crecimiento de regiones. Con esto se determinan las regiones 
homogéneas. Las semillas fueron obtenidas de manera manual, pero se hará 
posteriormente de forma automática. 
3. Se realiza una diferencia de imágenes entre la imagen original y las regiones 
homogéneas calculadas en el paso anterior. 
4. Se obtiene el histograma de la imagen calculada en el paso que contiene las 
regiones de transición. Se determinan 3 regiones de transición. 
5. Se extraen los vectores característicos de las regiones homogéneas (dos coberturas 
a la vez) y de las 3 regiones de transición. Las características utilizadas son: Niveles 
de gris para cada banda espectral usada, información de textura tales como 
homogeneidad, correlación, energía y entropía. En total son 43 valores. 
6. Se realiza la difusión de los vectores característicos para obtener las características 
difusas que representa a cada región de la imagen. La figura 17 muestra las 
funciones de membresías usadas para realizar la difusión. Se usaron funciones de 
membresías triangulares. 
7. Se calcula la pertenencia de cada región de transición respecto a las regiones 
homogéneas. Esto se hace a calcula usando la siguiente ecuación: 
- 36 - 
 
 
 
Donde: h = región homogénea 
 t = región de transición 
 VCD = Vector de Características Difuso 
 n = número de elementos de VCD 
Una modificación realizada a esta ecuación es que para los pares de elementos ceros (cero 
en el elemento i del VCD de la región homogénea y de la región de transición), se 
penalizará restando un 1 al divisor. Con esto se hace una distancia mayor para aquellos 
elementos que sean igual a cero. 
El valor d encontrado es complementado para tomar la decisión de pertenencia final. Si d 
= 0, significa similitud o pertenencia máxima y si d = 1, significa similitud o pertenencia 
nula. 
 
 
 
 
 
 
 
 
 
Figura 17.- Funciones de membresías triangulares usadas para difusión de los VCD. 
 
La figura 18 muestra los resultados para la primera imagen segmentada. 
 
 
 
 
 
 
 
 
 
 
(a) 
 
 
 
 
 
bajo medio alto 
Valor mínimo Valor medio Valor máximo 
- 37 - 
 
 
 
 
 
 
 
 
 
 
 
 
(b) 
Figura 18.- (a) Imagenoriginal. (b) Imagen segmentada. 
La tabla 11 muestra los resultados comparativos entre el clasificador de regiones de 
transición propuesto y los clasificadores suaves de IDRISI. 
 
 CLASIFICADORES 
 Clase Bayclass Fuzzclass KNN Propuesto 
Región homogénea 1 Agua 36592 32298 40381 33943 
Región homogénea 2 Urbano 74257 67527 67196 45699 
Región de transición 1: % 
de pertenencia/no. píxeles 
Agua 236 ND 4250 0.7212 / 23902 
Urbano 344 ND ND 0.7524 / 23902 
Región de transición 2: % 
de pertenencia/no. píxeles 
Agua ND ND ND 0.5051 / 7370 
Urbano ND ND ND 0.7201 / 7370 
Región de transición 3: % 
de pertenencia/no. píxeles 
Agua ND ND ND 0.4506 / 563 
Urbano ND ND ND 0.5937 / 563 
No Clasificados 1381 12985 983 1333 
Total 112810 112810 112810 112810 
ND: No determinado. 
Tabla 11.- Resultados comparativos de la clasificación de la imagen mostrada en la figura 
18. 
 
4.5 Análisis de los resultados obtenidos 
 De los resultados de la tabla 11 se observa que en la clasificación de la clase agua 
el método Fuzzclass y el propuesto son muy similares. En este caso podría 
concluirse que tal vez las dos clasificaciones son difusas. Pero en el caso del 
 
- 38 - 
 
clasificador propuesto, esta región la determina el segmentador y no el 
clasificador. 
 Los clasificadores suaves tomados de IDRISI no son capaces de determinar las 
regiones de transición de una manera clara. Sin embargo el clasificador Bayclasss 
determina una región mezclada pero sin precisar la pertenencia a la clase 
respectiva. En el clasificador propuesto, se determinó buscar tres distintas 
regiones de transición. En este aspecto, se utilizará el análisis de histograma para 
determinar los intervalos representativos en las bandas espectrales para 
seleccionar el número de regiones de transición de forma automática. 
 La medida de similitud es una suma promediada de las distancias absolutas entre 
los VCD entre regiones de transición y regiones homogéneas. Para la región de 
transición 1, se encontró una pertenencia de 0.7212 a la clase agua y una 
pertenencia de 0.7524 a la clase urbano. Esta región corresponde al color rojo 
mostrado en la imagen de la figura 18 donde existe una composición entre agua y 
zona urbana. Aquí se encuentra la ubicación de la costa donde existe la presencia 
de agua y casas cerca de la costa. 
 Con la segmentación (ubicación) de las regiones homogéneas (una sola cobertura) 
se le instruye al clasificador suave propuesto para que sólo clasifique las regiones 
de transición con la ayuda de las regiones homogéneas. Esto no permite que las 
zonas mezcladas puedan ser interpretadas como regiones homogéneas como se 
muestra en la clasificación de IDRISI. 
 
4.6 Conclusiones 
 La tarea de clasificación de las regiones de transición presentes en una imagen 
satelital tiene un alto grado de dificultad. La ubicación de estas regiones requiere 
de una mayor información que tan solo las bandas espectrales como se muestra 
con las clasificaciones de IDRISI Andes. 
 La combinación de información a nivel píxel y a nivel región nos proporciona mayor 
grado de confianza para la toma de decisiones para la clasificación de regiones de 
transición. 
 Los experimentos realizados trabajan con dos coberturas solamente, pero en el 
caso de aumentar el número de coberturas se puede aplicar la misma metodología 
ubicando primeramente las “n” regiones homogéneas y posteriormente 
analizando las regiones de transición. 
 Se utilizó una medida de similitud bastante simple pero se propondrán dos 
medidas de similitud para ser aplicadas una para los valores de las firmas 
espectrales y otra para los valores de textura. Con estos dos resultados se utilizará 
un operador de fusión de decisión para determinar la pertenencia a las clases. 
 
- 39 - 
 
Referencias 
 
[Angelov, 2008] 
P., Angelov, E., Lughofer, X., Zhou, “Evolving fuzzy classifiers using different 
model architectures”, Fuzzy Sets and Systems, Elsevier, 2008, Vol. 159, Pages: 
3160-3182. 
[Chowdhury, 
2007] 
P.R., Chowdhury, B., Deshmukh, A., Goswami, “Machine Extraction of 
Landforms from Multispectral Images Using Texture and Neural Methods”, 
International Conference on Computing: Theory and Applications, 2007, 
Pages: 721-725. 
[Dai, 2007] Ch., Dai, X., Huang, G., Dong, “Support Vector Machine for Classification of 
Hyperspectral Remote Sensing Imagery”, Fourth International Conference on 
Fuzzy Systems and Knowledge Discovery, Vol. 4, 2007, Pages: 77 – 80. 
[Doan, 2006] 
H. T. X., Doan, G. M., Foody, “Increasing soft classification accuracy trough 
the use of an ensemble of classifiers”, Proceedings 2005 IEEE International on 
Geoscience and Remote Sensing Symposium, 2005, Vol. 1. 
[Fortin, 2000] 
M. J., Fortin, “Issues related to the detection of boundaries”, Landscape 
ecology, Springer Netherlands, 2000, Vol. 15, Pages: 453-466. 
[Ghosh, 2009] A. Ghosh, B. U., Shankar, S. K., Meher, “A novel approach to neuro-fuzzy 
classification”, Neural Networks, ACM, Vol. 22, 2009, Pages: 100-109. 
[Gómez, 2007] O., Gómez Ramos, “Segmentation of Multispectral Satellite Images based on 
Seeded Region Growing and Instance-Based Learning”, Tesis de Maestría, 
Instituto Nacional de Astrofísica, Óptica y Electrónica, 2007. 
[Gutiérrez, 2005] J., Gutiérrez, H., Jegat, “Uso de la Teoría de Lógica Difusa en la Clasificación 
de Imágenes Satelitales con Coberturas Mixtas: El Caso Urbano de Mérida, 
Venezuela”, Interciencia, Asociación Interciencia, Caracas Venezuela, 2005. 
[Han, 2005] J., Han, K., Chi, Y., Yeon, “Land Cover Classification of IKONOS Multispectral 
Satellite Data: Neuro-Fuzzy, Neural Network and Maximum Likelihood 
Methods”, Lecture notes in computer science, Springer Berlin /Heidelberg, 
2005, Vol. 3642/2005, Pages: 251-262. 
[Huai-bin, 2008] 
W., Huai-bin, M. A., Jin-hua, “A classification method of multispectral images 
which is based on fuzzy SVM”, International Conference on Computer Science 
and Software Engineering, 2008, Vol. 1, Pages: 815-818. 
[Jara, 2009] 
J.L., Jara, R., Acevedo, “Crisp Classifiers vs. Fuzzy Classifiers: A Statistical 
Study”, Adaptive and Natural Computing Algorithms, Springer-Verlag, 2009, 
Vol. 5495/2009, Pages: 440-447. 
[Jianming, 2008] L., Jianming, H., Shuguang, H., Rongsheng, Q., Kunming, "Image Classification 
Based on Fuzzy Support Vector Machine", International Symposium on 
Computational Intelligence and Design, 2008, Vol. 1, Pages: 68-71. 
[Li, 2008] 
J., Li, S., Huang, R., He, K., Qian, "Image Classification Based on Fuzzy Support 
Vector Machine", International Symposium on Computational Intelligence 
and Design, 2008, Vol. 1, Pages: 68-71. 
http://www.sciencedirect.com/science/journal/01650114
http://www.sciencedirect.com/science?_ob=PublicationURL&_tockey=%23TOC%235637%232008%23998409976%23698468%23FLP%23&_cdi=5637&_pubType=J&view=c&_auth=y&_acct=C000050221&_version=1&_urlVersion=0&_userid=6291547&md5=b303f25a14ee05287daeec4381f52232
http://www.springerlink.com/content/j26764l41r73/?p=822ae75e624846049d5c424f98f1df2c&pi=0
- 40 - 
 
[Lucieer, 2002] A., Lucieer, A., Stein, “Existencial uncertainty of special objects segmented 
from satellite sensor imagery”, IEEE Transactions on Geoscience and Remote 
Sensing, 2002, Vol. 40, Pages: 2518-2521. 
[Malanson, 2006] G. P., Malanson, Y., Zeng, S. J., Walsh, “Landscape Frontiers, Geography 
Frontiers: Lessons to Be Learned”, Forum and journal of the association of 
American geographers, Wiley Interscience, 2006, Vol. 58, Pages: 383-396. 
[Minh, 2008] T., Minh Nguyen, Q. M. J., Wu, "A Combination of Positive and Negative Fuzzy 
Rules for Image Classification Problem", Seventh International Conference on 
Machine Learning and Applications, 2008. 
[Mitrakis, 2008] 
N. E., Mitrakis, C. A., Topaloglou, T. K., Alexandridis, J. B., Theocharis, G. C., 
Zalidis, “Decision fusion of GA self-organizing neuro-fuzzy multilayered 
classifiers for land cover classification using textural and spectral features”, 
IEEE Transactions