Las herramientas de clasificación refieren a algoritmos que buscan agrupar los píxeles de acuerdo a similitudes en sus valores de número digital (DN) para las diferentes bandas y de acuerdo a parámetros determinados. Los píxeles así agrupados son separados en diferentes clases. Existen clasificaciones simples (por ejemplo, por umbrales o por ángulo espectral), en las que los recintos de agrupamiento son delimitados directamente, y clasificaciones de tipo estadístico (supervisadas y no supervisadas), en las que las clases son definidas en función de variables estadísticas y no directamente.
Clasificación por umbrales
Se trata de la agrupación de los píxeles que se encuentran en un mismo (hiper)espacio DN, definido mediante valores máximos y mínimos para cada banda.

Herramienta de clasificación por umbrales en SoPI.
Clasificación no supervisada
Esta herramienta permite comparar la respuesta espectral de cada píxel de una escena con respecto a valores obtenidos automáticamente de la misma imágen mediante análisis estadísticos.
Actualmente, SoPI soporta únicamente el algoritmo de agrupación Medias K.
Medias K (K-means)
Este método agrupa el total de píxeles en una cantidad K de clases, de manera que cada uno pertenece a aquella cuyo centroide es más cercano al mismo. Se parte de centroides K distribuidos aleatoriamente entre los centros de segmentos resultantes de una segmentación equitativa del rango efectivo (entre el valor máximo y el mínimo) de cada banda. Luego de una primera asignación de píxeles en las clases iniciales, se vuelven a calcular las medias de cada clase y se reasignan los píxeles en las clases de acuerdo al nuevo cálculo. Estos dos últimos procesos se actualizan iterativamente hasta que se alcanza la convergencia o un número establecido de iteraciones.

Herramienta de clasificación no supervisada en SoPI.
Debe especificarse el número de clases K, el umbral de sensibilidad de la convergencia y la cantidad máxima de iteraciones. Debido a que este método tiende a generar clases (hiper)esféricas y de tamaño similar, la clasificación puede optimizarse con una correcta elección del número de clases K.
Clasificación supervisada
Esta herramienta permite comparar la respuesta espectral de cada píxel de la imagen seleccionada con respecto a un área de entrenamiento.
Las áreas de entrenamiento deben cargarse o editarse previamente como capas vectoriales poligonales. Para que SoPI las reconozca como áreas de entrenamiento debe utilizarse la opción Convertir polígonos a áreas de clasificación desde el menú Procesamiento del menú principal, o bien desde el menú contextual vectorial correspondiente a
capas poligonales en el árbol de capas. Cada cobertura vectorial define una clase. Si se desea que algunas geometrías no sean consideradas como áreas de entrenamiento, entonces debe modificarse el valor del campo tipo_Area en las mismas de 0 a cualquier otro número. Por defecto, SoPI da un valor de 0 al campo.
Una vez definidas las áreas de entrenamiento, deben identificarse cuáles se emplean, seleccionar el algoritmo a utilizar y especificar el umbral de sensibilidad adecuado. Las clases de la imagen resultante poseen el mismo estilo que las capas vectoriales seleccionadas. Adicionalmente, puede asignarse el color de la superficie Sin clase.

Herramienta de clasificación supervisada en SoPI.
Actualmente, SoPI soporta cuatro algoritmos de clasificación supervisada.
Paralelepípedo
Cada área de entrenamiento define un paralelepípedo en el (hiper)espacio de los datos de la imagen, con centro en la media de los valores de sus píxeles y dimensiones limitadas por sus desvíos estándares. El único
criterio de clasificación para cada píxel incógnita es si se encuentra o no dentro del contorno de cada (hiper)cuerpo.
Distancia mínima
Utiliza el vector-píxel promedio de cada área de entrenamiento y
calcula la distancia euclidiana desde el mismo hasta el píxel incógnita. Se asigna cada píxel a la clase más cercana, salvo que se especifique una distancia umbral.
Máxima verosimilitud (maximum likelihood)
Asume que las estadísticas de cada clase están normalmente
distribuídas en cada banda, y calcula la probabilidad de que cada píxel incógnita pertenezca a una clase específica. A menos que se designe un umbral, todos los píxeles son clasificados dentro de la clase más probable.
Mahalanobis
Similar al método anterior, pero asume que la covarianza en todas las clases es igual (por lo que es más rápido). Todos los píxeles son clasificados dentro de la clase más probable, salvo que se especifique un umbral.
Convertir polígonos a áreas de entrenamiento
Las áreas de entrenamiento deben cargarse o editarse previamente como capas vectoriales poligonales. Para que SoPI las reconozca como áreas de entrenamiento debe utilizarse la opción Convertir polígonos a áreas de entrenamiento desde el menú Procesamiento del menú principal, o bien desde el menú contextual vectorial correspondiente a capas poligonales en el árbol de capas. Cada cobertura vectorial define una clase. Si se desea que algunas geometrías no sean consideradas como áreas de entrenamiento, entonces debe modificarse el valor del campo tipo_Area en las mismas de 0 a cualquier otro número.
Calcular estadísticas en áreas de clasificación
Calcula los parámetros estadísticos definidos por el usuario sobre la capa temática ráster seleccionada y dentro de las áreas de clasificación establecidas. Los cálculos posibles son los parámetros básicos como
el máximo, el mínimo, la media y el desvío estándar para cada banda, los parámetros entre bandas expresados como matrices de correlación y covarianza, y el histograma por banda. Los resultados pueden expresarse en número de píxeles o como superficies.

Herramienta para calcular estadísticas en áreas de clasificación.
Como resultado, SoPI despliega un informe. El mismo puede ser guardado como archivo HTML (.htm) o planilla Excel (.xls).
Pos-clasificación
Se trata de herramientas de manejo y análisis de imágenes previamente clasificadas.
Fusión de clases
Permite fusionar clases. Deben definirse las clases de origen y de destino. Pueden
agregarse clases de destino nuevas, y asignarles un color. El resultado es una nueva imagen clasificada.

Herramienta de fusión de clases en post-clasificación.
Filtros
Permite realizar un filtrado de análisis por minoría o por mayoría. SoPI admite matrices con nÚcleos de 3x3, 5x5 y 7x7.

Herramienta de filtros en post-clasificación.
Convertir polígonos a áreas de prueba
Cuando se utiliza una matriz de confusión, las áreas de prueba deben cargarse o editarse previamente como capas vectoriales poligonales. Para que SoPI las reconozca como tales debe utilizarse esta opción desde el menú Procesamiento del menú principal, o bien desde el menú contextual vectorial correspondiente a capas poligonales en el árbol de capas. Cada cobertura vectorial define una clase. Si se desea que algunas geometrías no sean consideradas como áreas de pruebas, entonces debe modificarse el valor del campo tipo_Area en las mismas a 0.
Matriz de confusión
Permite calcular la matriz de confusión de una clasificación supervisada. Una vez definidas las áreas de entrenamiento y prueba, deben seleccionarse las clases y los recintos asociados.

Herramienta de matriz de confusión en post-clasificación.
Como resultado, SoPI despliega un informe. El mismo puede ser guardado como archivo HTML (.htm) o planilla Excel (.xls).
Las áreas de entrenamiento y prueba deben cargarse o editarse previamente como capas vectoriales poligonales. Para que SoPI las reconozca como áreas de entrenamiento o prueba debe utilizarse respectivamente las opciones Convertir polígonos a áreas de entrenamiento y Convertir polígonos a áreas de prueba desde el menú Procesamiento del menú principal, o bien desde el menú contextual vectorial correspondiente a capas poligonales en el árbol de capas. Cada capa vectorial define una clase.
Referencias
MacQueen, J. (1967).
Some Methods for Classification and Analysis of Multivariate Observations.
Proceedings of the V Berkeley Symposium on Mathematical Statistics and Probability, Volume I: Statistics, páginas 281–297.
University of California Press, Berkeley, California. 1967.
http://projecteuclid.org/download/pdf_1/euclid.bsmsp/1200512992