Descarga la aplicación para disfrutar aún más
Lea materiales sin conexión, sin usar Internet. Además de muchas otras características!
SR_15_PROCESAMIENTO_IMAGENES_DIGITALES
Estudia con Krillin
Compartir
Vista previa del material en texto
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
SENSORES REMOTOS
PROCESAMIENTO DIGITAL
APUNTE EN PREPARACIÓN (2007)
La Matriz de datos en una imagen digital. El formato ráster (teselar)
El sensor explora secuencialmente la superficie terrestre adquiriendo a intervalos regulares la radiación que
proviene de los objetos sobre ella situados y detecta la radiancia media de una parcela de terreno que equivale a un
píxel, mínimo elemento de resolución a partir del cual se realiza el tratamiento digital de imágenes. Cada píxel viene
definido por un número entero y este valor se denomina nivel digital (ND). Este es un valor numérico no visual, que
puede traducirse a una intensidad visual o si se prefiere a un nivel de gris mediante un monitor.
La organización de datos en una imagen digital es una matriz numérica de tres dimensiones. Las dos
primeras coordenadas geográficas de la imagen, mientras la tercera indica su dimensión espectral. La orientación
aproximada norte – sur se expresa a través de las filas de la matriz (line) mientras que las columnas (column) indican
la disposición oeste – este. El origen de coordenadas se sitúa en la esquina superior izquierda (línea 1 columna 1),
en lugar del borde inferior izquierdo como ocurre el cualquier eje cartesiano y se debe a la secuencia de adquisición
de imágenes de norte a sur de acuerdo a la traza del satélite. La tercera dimensión corresponde a la resolución
espectral del sensor y habrá tantos planos en la imagen como bandas originalmente detectadas.
Figura 541: Teniendo presente el carácter matricial de cualquier imagen numérica, son más compresibles las
posteriores transformaciones aplicadas sobre ellas como: medidas de tendencia central y dispersión (media,
desviación típica en c/u de las bandas), cambiar su orientación geométrica (rotación de la matriz), realizar
combinaciones entre bandas (cocientes), sintetizar varias bandas reduciendo la información redundante
(componentes principales) o discriminar grupos de ND homogéneos dentro de la matriz (clasificación)
Formatos de almacenamiento
Estos indican la organización de los ND que forma la imagen dentro del soporte. Los ND se graban en
código binario (un bit 0 ó 1). La mayor parte de los sensores emplean grupos de 8 bit para almacenar el ND
correspondiente a cada píxel, en definitiva cada píxel se define por un byte, lo que equivale a un rango de 28= 256
niveles (0 a 255). Esta es la resolución radiométrica utilizada por mayoría de los sistemas satelitales dedicados al
estudio de los recursos naturales (LANDSAT y SPOT, entre otros).
1
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
SENSORES REMOTOS
En el caso de NOAA-AVHRR, la información está codificada en grupos de 10 bits, alcanzando un rango de
210 = 1024 valores de ND. Esto conlleva la necesidad de compresión del rango dinámico de los datos para poder
mostrarlos en pantalla.
Las imágenes digitales en un CD se organizan en una serie de ficheros (files) y cada uno de estos se
descompone en registros (record). Cada imagen incluye un fichero de cabecera (header file) en donde se almacena
el formato con el que están grabados los ND que lo componen, así como las condiciones en que se adquirió la
imagen: tipo de sensor, localización de la escena, día, elevación y azimut solar y el tipo de corrección aplicada por la
estación receptora.
A continuación se presenta como ejemplo, un header de la imagen LANDSAT 5 TM 230 076 de fecha 25/01/2004:
PRODUCT =04064510-01 WRS =230/07600 ACQUISITION DATE =20040125 SATELLITE =L5
INSTRUMENT = TM10 PRODUCT TYPE = MAP ORIENTED PRODUCT SIZE = SUBSCENE
TYPE OF GEODETIC PROCESSING = SYSTEMATIC RESAMPLING = NN RAD
GAINS/BIASES = 1.26880/-0.0100 2.98126/-0.0232 1.76186/-0.0078
2.81771/-0.0193 0.65277/-0.0080 3.20107/0.25994 0.44375/-0.0040
VOLUME #/# IN SET =1/1 START LINE #= 1 LINES PER VOL = 58072
ORIENTATION = 0.00 PROJECTION = TM USGS PROJECTION # = 9
USGS MAP ZONE = 0
USGS PROJECTION PARAMETERS = 6378137.000000000000000 6356752.314245179300000 1.000000000000000 0.000000000000000
-62.999999999631733 -89.999999999719449 4500000.000000000000000
0.000000000000000 0.000000000000000 0.000000000000000
0.000000000000000 0.000000000000000 0.000000000000000
0.000000000000000 0.000000000000000 EARTH ELLIPSOID =WGS84
SEMI-MAJOR AXIS =6378137.000 SEMI-MINOR AXIS =6356752.314
PIXEL SIZE = 25.00
PIXELS PER LINE= 9276 LINES PER IMAGE= 8296
UL 0643358.7792W 215424.3873S 4338137.500 7577662.500
UR 0621920.7026W 215446.2061S 4570012.500 7577662.500
LR 0621847.0682W 234707.0722S 4570012.500 7370287.500
LL 0643516.4977W 234643.1734S 4338137.500 7370287.500
BANDS PRESENT =1234567 BLOCKING FACTOR = 1 RECORD LENGTH = 9276SUN ELEVATION = 54 SUN AZIMUTH = 92 CENTER 0632834.3145W
225129.9515S 4451127.725 7473039.342 4521 4186 OFFSET= 162 REVB
Los tres formatos más habituales son:
Bandas secuenciales (BSQ): los ND de cada banda se disponen uno a continuación del otro hasta completar todos
los pixeles de una banda. Tras ellos, se sitúan los ND de la siguiente banda y así hasta completar todas las bandas
espectrales de la imagen.
2
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
SENSORES REMOTOS
Bandas intercaladas por líneas (BIL): Los ND son organizados por líneas, de manera que la primera fila de datos
de la banda 1 es seguida por la primera fila de la banda 2, y así sucesivamente hasta completar la escena. Este
formato agiliza la captura de una sub-escena y es el utilizado para distribuir las imágenes SPOT – HRV.
Bandas intercaladas por píxel (BIP): Similar al criterio usado en el formato anterior, solo que en este caso los que
se alternan son los ND de un mismo píxel para todas las bandas y luego para el segundo píxel de todas las bandas
nuevamente y así sucesivamente hasta completar la escena. Este es un formato adecuado para las operaciones
píxel a píxel, ya que se requiere un mínimo reformateo de los datos. Este formato hoy es poco frecuente ya que fue
ideado para clasificar subimágenes cuando se usaban equipos de escasa memoria.
EQUIPOS DE TRATAMIENTO DIGITAL DE IMAGENES
Componentes físicos
Unidades de entrada de información: teclado, lectora grabadora de CD, pendriver, disqueteras y ziperas. Tabletas
digitalizadoras.
Unidades de proceso y almacenamiento: La unidad de control es el dispositivo que dirige las operaciones en la CPU.
RAM: memoria de acceso directo. ROM: memoria permanente. Disco rígido.
Unidades de salida: grabado de datos em CD y pendriver, impresoras, plotter.
Componentes lógicos: software
PROCESAMIENTO DIGITAL DE UNA IMAGEN SATELITAL
Histograma
Cualquier operación aplicada sobre la imagen parte de su carácter digital, por lo que conviene conocer las
estadísticas elementales que la definen y orientar los posteriores procesos de realce visual ó transformación.
El estiramiento del histograma (strech) da como resultado el realce de la imagen. Esta técnica se refiere al hecho de
que la información de una imagen puede ser desplegada en forma de un histograma de la frecuencia de los ND
presentes en la misma. Como ya se mencionó, las imágenes Landsat TM potencialmente pueden registrar 255
niveles de energía que pueden ser desplegados en un monitor como 255 tonos de gris. No todas las escenas
abarcan los 255 tonos por lo que el histograma presenta las frecuencias de los ND ubicados en un rango estrecho.
Mediante el estiramiento del histograma se puede mejorar los contrastes (Figura ).
Los histogramas pueden ser unidimensionales como se observa enla figura .. o sea para una sola banda, ó
multidimensionales cuando representa la distribución de 2 o mas bandas llamado también scattergrama y permite
analizar visualmente el grado de correlación entre dos bandas y decidir sobre la técnica de aumento de contraste a
aplicar en las imágenes multiespectrales.
La forma del histograma nos describe la intensidad media y la dispersión de los ND. A mayor dispersión
mayor es el contraste
3
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
SENSORES REMOTOS
COMPRESIÓN DEL CONTRASTE
La compresión del contraste se hace necesaria cuando, la placa gráfica del equipo de computación, no
permite la visualización de la resolución radiométrica completa registrada por el sensor.
Actualmente, la mayoría de los equipos de computación permite la visualización de los 256 niveles de gris y
2563 colores diferentes (256 por cada tono primario). Sin embargo, las placas de video EGA y SVGA solamente
disponen de 16 y 256, respectivamente, niveles diferentes por celdilla lo que impide la visualización de toda el rango
dinámico de la imagen original. Por otra parte, algunos sensores como el AVHRR, codifican la señal en 10 bits –
1.024 niveles de gris por banda. Este margen escapa a la mayoría de los equipos que codifican en 8 bits.
Compresión del contraste por eliminación de los valores extremos. Tomado de Pinilla, 1995. Pág. 157.
El problema podría solucionarse dejando afuera de la representación todos los valores que excedan la
capacidad del sistema, centrando la visualización en el rango de Nd que más interese. Esto no es aceptable, ya que
se despreciarían arbitrariamente datos que pueden ser de gran valor. El procedimiento adecuado exige establecer
funciones de compresión de los valores digitales.
La compresión del contraste consiste en construir un número de intervalos en el rango de ND igual al
número de niveles de gris que la placa gráfica pueda procesar, de modo que a cada clase se le asigne un mismo Nv.
La forma de distribuir los intervalos dependerá del histograma de la imagen. Pueden tomarse: intervalos de igual
ancho, lo que significa igual de ND para cada clase; o, intervalos de igual número de píxeles para cada clase, lo que
en el histograma se verá reflejado por idénticas superficies en cada barra representativa de las diferentes clases.
Existe, por último, un criterio arbitrario que permite resaltar alguna característica de la imagen sin pérdida
significativa de datos relevantes, este método se conoce como segmentación del histograma.
4
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
SENSORES REMOTOS
Compresión del contraste por incremento en el ancho de la clase. Tomado de Pinilla, 1995. Pág. 158.
EXPANSIÓN DEL CONTRASTE
Las operaciones más comunes aplicadas al contraste son las de expansión. Lo dicho se debe a que
normalmente las bandas presentan un rango de Nd menor al rango dinámico o a las posibilidades de visualización
que brinda el equipo de tratamiento digital, aun habiendo sido registradas por sensores de igual resolución
radiométrica que el rango de Nv soportado por la placa gráfica.
La expansión del contraste consiste en la aplicación de una nueva paleta que haga corresponder todo el
rango de Nv disponibles al rango de ND presentes en la imagen, o bien a la creación de una nueva imagen z´, cuyos
ND se distribuyan ocupando todo el rango dinámico; este procedimiento es el más usual y se describe en los
apartados siguientes.
Opción - Mínimo Máximo
La manipulación de histograma por la opción MinMax es idéntica a la manipulación de una curva lineal. La diferencia
está en el momento en que fue hecha la selección de la opción.
Histograma Max/Min
Como puede ser visto en la figura anterior, el sistema calcula el valor de los niveles de gris mínimo y máximo de la
imagen original. Sobre estos valores se aplica una transformación lineal donde la base de la recta está localizada en
el valor mínimo y el otro extremo de la recta, en el valor máximo. De este modo no habrá pérdida de información por
“overflow”, es decir, todos los niveles de gris continuarán con el mismo número de pixels.
Un “overflow” ocurre cuando un grupo de pixels de niveles de gris diferentes es transformado en un único nivel, es
decir, cuando la inclinación de la recta de transferencia es exagerada. Observe en la figura a seguir, donde la flecha
está indicando “overflow”, significa pérdida de información, ya que los pixels de columnas vecinas del histograma de
entrada, que originalmente podían ser diferenciados con base en su nivel de gris, serán fundidos en una sola
columna y pasarán a tener el mismo nivel de gris (0 para el caso de la figura que sigue)
5
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
SENSORES REMOTOS
Histograma con overflow
OBS.: La ocurrencia de “overflow” es muchas veces deseada, por ejemplo si el usuario sabe en que intervalo de
niveles de gris está lo que desea realzar. En caso contrario, estará definitivamente perdiendo información cuando
guarde la imagen realzada.
Opción - Lineal
El aumento de contraste por una transformación lineal es la forma más simple de las opciones. La función de
transferencia es una recta y sólo son controlados dos parámetros: la inclinación de la recta y el punto de intersección
con el eje X (vea figura a seguir). La inclinación controla la cantidad de aumento de contraste y el punto de
intersección con el eje X, controla la intensidad media de la imagen final.
La función de mapeo lineal puede ser representada por:
Y = AX + B donde:
Y = nuevo valor de nivel de gris;
X = valor original de nivel de gris;
A = inclinación de la recta (tangente del ángulo);
B = factor de incremento, definido por los límites mínimo y máximo suministrados por el usuario.
Histograma Lineal
En el aumento lineal de contraste, las barras que forman el histograma de la imagen de salida son espaciadas
igualmente, debido a que la función de transferencia es una recta. Como puede ser observado en la figura anterior,
el histograma de salida será idéntico en formato al histograma de entrada, excepto porque el valor medio y la
extensión del intervalo serán diferentes.
Opción - Raíz Cuadrada
La opción de transformación por raíz cuadrada se utiliza para aumentar el contraste de las regiones oscuras de la
imagen original. La función de transformación es representada por la curva como en la figura a seguir. Observe que
la inclinación de la curva es tanto mayor cuanto menores son los valores de niveles de gris.
La transformación por raíz cuadrada se puede expresar por la función:
Y = A donde:
6
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
SENSORES REMOTOS
Y = nivel de gris resultante
X = nivel de gris original
A = factor de ajuste para que los niveles de salida se restrinjan al intervalo entre 0 y 255.
Histograma Raíz Cuadrada
NOTA: Este mapeo difiere del logarítmico porque realza un intervalo mayor de niveles de gris bajos (oscuros),
mientras que el logarítmico realza un pequeño intervalo.
Opción - Cuadrado
Este mapeo se utiliza cuando se desea aumentar el contraste de rasgos claros (altos niveles de gris en la imagen).
Observe en la figura siguiente que el aumento de contraste es mayor a partir de la media del histograma, inclusive
habiendo un dislocamiento general para la región de niveles más oscuros.
Histograma Cuadrado
La función de transformación es dada por la ecuación:
Y = AX2 donde:
X = nivel de gris original
Y = nivel de gris resultante
A = factor de ajuste para que los nivelesde salida se restrinjan al intervalo entre 0 y 255
Opción - Logaritmo
El mapeo logarítmico de valores de niveles de gris, es útil para aumentar el contraste en rasgos oscuros (valores de
gris bajos). Equivale a una curva logarítmica como muestra la figura a seguir.
La función de transformación se expresa por la ecuación:
Y = A log (X + 1) donde:
7
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
SENSORES REMOTOS
Y = nuevo valor de nivel de gris
X = valor original de nivel de gris
A = factor definido a partir de los límites mínimo y máximo de la tabla, para que los valores estén restrictos al
intervalo entre 0 y 255.
Histograma Logaritmo
NOTA: Observe en la figura anterior que hay un grupo menor de niveles de gris con un gran aumento de contraste,
si se compara con la transformación por raíz cuadrada, mencionada anteriormente.
Opción - Negativo
Es una función de mapeo lineal inversa, o sea, el contraste ocurre de modo que las áreas oscuras (bajos valores de
nivel de gris) se tornan claras (altos valores de nivel de gris) y viceversa. La figura a seguir muestra su
representación.
Histograma Negativo
La función de mapeo negativa puede ser representada por:
Y = - (AX + B) donde
Y = nuevo valor de nivel de gris
X = valor original de nivel de gris
A = inclinación de la recta (tangente del ángulo)
B = factor de incremento, definido por los limites mínimo y máximo definidos por el usuario.
NOTA: Esté atento al hecho que todas las opciones mencionadas hasta el momento pueden ocasionar un “overflow”.
NOTA: El modo de operación de todas las opciones de contraste mencionadas anteriormente, tienen el modo de
operación igual al descrito en el ítem Manipulando un Histograma.
8
http://www.dpi.inpe.br/spring/usuario_spa/contra.htm
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
SENSORES REMOTOS
Opción - Ecualización de Histogramas
Es una forma de manipulación de histograma que reduce automáticamente el contraste en las áreas muy claras o
muy oscuras de una imagen. También expande los niveles de gris a lo largo de todo intervalo. Consiste en una
transformación no lineal que considera la distribución acumulativa de la imagen original, para generar una imagen
resultante cuyo histograma será aproximadamente uniforme (vea la figura siguiente).
La opción de ecualización parte del principio que el contraste de una imagen sería optimizado si todos los 256
niveles de intensidad posibles fueran igualmente utilizados o, en otras palabras, todas las barras verticales que
componen el histograma fueran de la misma altura. Obviamente esto no es posible debido a la naturaleza discreta de
los datos digitales de una imagen de percepción remota. Sin embargo, se consigue una aproximación al dispersar los
picos del histograma de la imagen, dejando intocadas las partes más chatas. Como se puede ver en la figura a
continuación, este proceso se obtiene a través de una función de transferencia que tiene una alta inclinación siempre
que el histograma original presenta un pico y una baja inclinación en el resto del histograma.
Ecualización de Histogramas
El SPRING presenta la siguiente función de ecualización de histograma:
Y = (faxi) . 255
Pt donde:
faxi = frecuencia acumulada para el nivel de gris xi
Pt = población total (número total de "pixels")
NOTA: La opción de ecualización es calculada y presentada automáticamente, por lo que el usuario no podrá alterar
la forma o posición de la curva.
ENTROPIA
Medida del desorden de un sistema Una masa de una sustancia con sus moléculas regularmente
ordenadas, formando un cristal, tiene entropía mucho menor que la misma sustancia en forma de gas con sus
moléculas libres y en pleno desorden. En el caso de una banda de imagen satelital cuando tiene sus píxeles con
gran variación de ND tiene una entropía mucho mayor que una imagen con poca variación de ND.
CAMBIOS DE ESCALA
Conviene manejar con cierta precaución el concepto de escala cuando se habla de sensores óptico
electrónicos. La escala final de la imagen está en función del tamaño con el que representemos el píxel. La superficie
real que ocupa el píxel es la misma, así como el ND que lo define, independientemente del tamaño con que se
represente en el monitor. Como la resolución física del monitor es constante (solo admite un número determinado de
píxeles) el cambio de escala debe realizarse a través del muestreo ó replicación de los píxeles que componen la
imagen. La ampliación suele realizarse en la memoria del procesador de imagen. En realidad los píxeles mantienen
suposición y valor; solo cambian de tamaño en la pantalla. Esta forma de zoom vía hardware es interactiva y puede
magnificarse la imagen repetidas veces retornando luego al tamaño original.
9
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
SENSORES REMOTOS
NOCIONES SOBRE TEORÍA DEL COLOR
Una composición en color puede conseguirse de acuerdo a dos procesos, denominados aditivo y sustractivo.
En el proceso aditivo, cualquier color se obtiene por suma de los tres colores elementales: azul, verde y rojo. La
suma de dos colores primarios permite lograr un color complementario: azul + verde, cian; azul + rojo, magenta; y
verde + rojo, amarillo, mientras los tres suman el blanco. Por el contrario, el proceso sustractivo se basa en la
absorción de la luz que ejercen los colores complementarios: el cian absorbe la luz roja, el magenta absorbe el
verde y el amarillo el azul. Los tres en combinación suponen por tanto el negro. El proceso aditivo es utilizado en los
sistemas electrónicos de visualización, cuando la imagen se representa en un monitor de rayos catódicos. El proceso
sustractivo se emplea en la reproducción mecánica del color, típica de las artes gráficas.
10
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
SENSORES REMOTOS
Cociente de bandas.
Las imágenes pueden ser manipuladas aritméticamente para obtener información específica. Una serie de
índices han sido desarrollados para resaltar particularidades de los objetos en una imagen. Entre los más usados y
conocidos están el índice de vegetación, el índice normalizado de vegetación. En concreto, ésta técnica reduce la
información común entre dos bandas y resalta las particularidades de cada una. Así por ejemplo, es común utilizar el
radio de la banda 2 y la banda 3 (visible e infrarrojo cercano) del Landsat MSS o las 3 y 4 del TM, conocido como
índice normalizado de vegetación (NDVI):
INDV= Banda infrarroja - banda roja
Banda roja + banda infrarroja
Los valores resultantes de esta operación fluctúan entre cero u uno. Dado que los máximos y mínimos valores de
reflectancia de la vegetación se ubican en el Infrarrojo y el rojo respectivamente, los valores cercanos a uno
evidencian sitios con alta densidad de vegetación, mientras que áreas carentes tendrán cero.
Filtros.
La frecuencia espacial es una de las características de las imágenes de satélite. Se define como el número
de cambios en los valores de brillantez por unidad de distancia en un sector cualquiera de la imagen. Si hay pocos
cambios en la brillantez en un área dada, entonces se refiere a dicha área de baja frecuencia, al contrario, las
regiones de fuertes contrastes son regiones de altas frecuencias. Las modificaciones de las frecuencias de las
imágenes se realizan por medio de filtros, que no son otra cosa que algoritmos que modifican los valores originales
de la imagen. Dos grandes grupos de filtros se reconocen: los filtros pasa altas y los pasabajas. Los primeros
permiten obtener imágenes de altas frecuencias, mientras que los segundos, de baja frecuencia. Los filtros “pasa
alto”, por ejemplo, se usan cuando se quiere resaltar diferencias, como es el caso de bordes de cualquier tipo
(parcelas, carreteras, costas, etc.). Existe toda una teoría matemática alrededor de estos procesos que escapan los
objetivos de este escrito (Figura ).
11
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
SENSORES REMOTOS
CORRECCIONES DE LA IMAGEN
FUENTES DE ERROR EN UNA IMAGEN SATELITAL
Las alteraciones sufridas por una imagen adquirida por un sensor de barrido óptico electrónico montado en un
satélite son fundamentalmente de carácter geométrico y radiométrico. Los factores principales que originan estas
anomalías se pueden agrupar de la siguiente manera:
Distorsiones provocadas por la oscilación de la plataforma
La ausencia de atmósfera le permite al satélite un movimiento orbital prácticamente uniforme con aceleraciones y
retardos resultantes prácticamente nulos en cualquier dirección, salvo las derivadas de la posible excentricidad de su
órbita.
De todas formas, el satélite en su trayectoria sufre una serie de variaciones en: altura de la órbita (z), velocidad (x) y
en la orientación de cualquiera de sus ejes x, y, z; los giros sobre los ejes son conocidos con los nombres de aleteo
(pitch), cabeceo (roll) y ladeo (yaw), aquellos y las variaciones en velocidad y altura provocan cambios constantes en
el IFOV.
Distorsión provocada por la rotación terrestre
Para adquirir una escena, el espejo oscilante invierte un tiempo determinado en el cual la tierra ha girado una cierta
magnitud provocando un desplazamiento progresivo de las líneas de barrido. Para el sensor MSS del LANDSAT, el
período de revolución es de 103 minutos y el tamaño (ancho) de la escena es de 185 km; en consecuencia, el
satélite invierte:
sskm
km
28min/60*185
000.40
min103
= ,
en recorrer la escena. Durante ese período, la tierra ha girado 28 s * 15”/s = 420” = 7´, ángulo que supone un
desplazamiento lineal en nuestras latitudes (Salta, 25° de latitud S) de:
kmkm 8,1125´cos7
1´/60*360
000.40
=°
°°
Todo ello, unido a la propia inclinación de la órbita del satélite, produce como resultado una imagen romboidal
orientada hacia la dirección NE-SO.
12
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
SENSORES REMOTOS
Distorsión de oblicuidad debida al tiempo de barrido
El barrido de una línea completa consume un tiempo finito que, en el caso del MSS es de 33 micro segundos.
Durante ese lapso, el satélite se ha desplazado respecto a la situación que ocupaba al comienzo de la línea. Por este
motivo, los dos extremos de la línea no forman una perpendicular con la traza del satélite, sino que, para una
velocidad de 6,45 km/s del MSS, la variación de los extremos es de 213 metros sobre el terreno y en dirección de la
traza.
Distorsión de la oblicuidad debido al tiempo de barrido
Distorsión del aspecto
Se trata de la diferencia entre el tamaño nominal del píxel y el correspondiente IFOV del sensor sobre el terreno,
debido a cambios en la velocidad de barrido del espejo oscilante perpendicular a la órbita del satélite.
Como consecuencia de una variación en el tiempo calculado para el barrido, se produce un solapamiento (menor
tiempo de barrido) o una separación (mayor tiempo de barrido) entre los IFOV; de esta manera los píxeles registran
datos sobre pequeños sectores ya relevados o existen vacíos en el registro de la superficie terrestre.
Distorsión panorámica
Para los sensores montados sobre satélites, el tamaño del IFOV se supone constante para la vertical a la órbita; no
es el caso de los extremos de las líneas de barrido, situaciones en las cuales se agranda el área registrada (IFOV)
por cada píxel. De todas maneras, para el caso de los satélites LANDSAT, la deformación del IFOV es despreciable;
mientras que para la mira vertical del SPOT, la deformación no se presenta debido a que está dotado de un sensor
de empuje. La deformación es acusada para el caso del NOAA-AVHRR y especialmente en la mira lateral con
inclinación de ± 27° del SPOT.
13
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
SENSORES REMOTOS
Distorsión provocada por la curvatura de la tierra
Esta distorsión, de escasa consideración en sensores aerotransportados, es importante para los satelitales,
ocasionando efectos de borde muy significativos en las imágenes NOAA, y especialmente en los satélites
geoestacionarios.
Distorsiones provocadas por los sensores
Durante el barrido, tanto lateral como por empuje, puede existir fallos en la calibración de los detectores. En los
sensores de barrido, se registran simultáneamente diferentes bandas, utilizando una línea completa de detectores
por banda. Los sensores de empuje, utilizan aún más detectores simultáneamente debido a que todo el ancho de
registro está cubierto por una línea de detectores ( en el caso del sensor HRV de SPOT llegan a ser 6.000 en el
canal pancromático). Por los motivos mencionados, es necesario que todos los detectores conviertan al mismo nivel
digital (Nd) una misma radiancia detectada; un eventual desajuste de algún detector produce como consecuencia un
bandeado longitudinal en la imagen.
Otra fuente de anomalías la constituyen los fallos momentáneos, o saturación, de algún detector durante el proceso
de captura de la señal, durante la conversión analógico-digital o en la transmisión de los datos desde la plataforma a
14
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
SENSORES REMOTOS
la estación recepto en tierra. La consecuencia es la pérdida de píxeles en sectores discretos e inclusive la ausencia
de líneas completas.
Distorsiones provocadas por la atmósfera
La composición material de la atmósfera introduce modificaciones a las radiancias originales procedentes de la
superficie terrestre. La repercusión más importante es el aumento de la radiación incidente sobre el sensor, como
consecuencia de la dispersión inducida por la presencia de aerosoles atmosféricos. El efecto resultante es la
disminución del contraste de la escena, especialmente acusado en las bandas de longitudes de honda más cortas, y
el corrimiento de los Nd a valores superiores.
Procesamiento de Imágenes Digitales
Resumen
Como resultado de los escáner de estado sólido y otros dispositivos raster de entrada, ahora tenemos disponibles
imágenes digitales raster de datos espectrales reflejados.
La principal ventaja de tener estos datos en formato digital es que nos permiten aplicar a los datos de las
imágenes técnicas de análisis por computadora un campo de estudio llamado Procesamiento Digital de Imágenes.
El Procesamiento Digital de Imágenes implica en gran medida cuatro operaciones básicas:
Restauración
Mejoramiento,
Clasificación y
Transformación de imágenes.
La restauración de imágenes está relacionada con la corrección y calibración de imágenes para obtener
una representación de la superficie terrestre tan real como sea posible, consideración fundamental para todas las
aplicaciones. El mejoramiento de imágenes está principalmente relacionado con la modificación de imágenes
para optimizar su apariencia ante el sistema visual. El análisis visual es un elemento clave, aún en el procesamiento
digital de imágenes, y los efectos de estas técnicas pueden ser cruciales.
La clasificación de imágenes se refiere a la interpretación de imágenes asistida por computadora,
operación vital para el SIG.
Finalmente, la transformaciónde imágenes se ocupa de la derivación de imágenes nuevas como resultado
de algún tratamiento matemático de las bandas originales de la imagen.
Restauración de Imágenes
Las imágenes del medio ambiente captadas con un sensor remoto son por lo general tomadas a una gran
distancia de la superficie de la tierra. Como resultado, hay una ruta atmosférica sustancial que la energía
electromagnética debe atravesar antes de llegar al sensor. Dependiendo de las longitudes de onda involucradas y de
las condiciones atmosféricas (como las partículas de materia, humedad y turbulencia), la energía entrante puede
estar bastante modificada. El sensor mismo puede entonces modificar el carácter de esos datos ya que puede
combinar una variedad de componentes mecánicos, ópticos y eléctricos que modifican o enmascaran la energía
radiante medida. Además, mientras la imagen está siendo escaneada, el satélite sigue una ruta que está sujeta a
variaciones menores al mismo tiempo que la tierra se mueve por debajo de éste. La geometría de la imagen está por
lo tanto en un constante flujo. Por último, la señal necesita ser medida de vuelta hacia la tierra, y subsecuentemente,
recibida y procesada para producir los datos finales que recibimos. En suma, una variedad de perturbaciones
sistemáticas y aparentemente aleatorias pueden combinarse para degradar la calidad de la imagen que finalmente
recibimos. La restauración de imágenes pretende remover estos efectos degradantes.
En general, la restauración de imágenes puede dividirse en dos subáreas de restauración: radiométrica y
geométrica.
Restauración Radiométrica
La restauración radiométrica se refiere a la eliminación o disminución del grado de distorsión de la energía
electromagnética registrada por cada detector. Una variedad de agentes puede provocar distorsión en los valores
grabados para las celdas de las imágenes. Algunas de las distorsiones más comunes para las cuales existen
15
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
SENSORES REMOTOS
procedimientos de corrección incluyen: valores uniformemente elevados, debido a la niebla atmosférica, la cual
dispersa preferentemente bandas de longitud de onda corta (particularmente las longitudes de onda azul); rayado,
debido a la descalibración de los detectores; ruido aleatorio, debido a la actuación impredecible y no sistemática del
sensor o de la transmisión de los datos; y caída de la línea del escáner, debido a la pérdida de la señal de algunos
detectores.
También corresponde incluir aquí los procedimientos que se usan para convertir los valores puros de reflejo relativo
sin unidad (conocidos como números digitales o DN) de las bandas originales en verdaderas medidas de poder
reflectivo (radiación).
Restauración Geométrica (georreferenciación)
Para fines cartográficos, es esencial que cualquier forma de imagen percibida por un sensor remoto sea registrada
correctamente en la base del mapa propuesto. Con las imágenes satelitales, la gran altura de la plataforma sensora
resulta en desplazamientos mínimos de la imagen provocados por el relieve. Como resultado, el registro puede
lograrse generalmente a través del uso de un proceso de transformación sistemática llamado rubber sheet (lámina
de goma) que tuerce suavemente la imagen (a través del uso de ecuaciones polinominales) basándose en las
posiciones conocidas de un grupo de puntos de control ampliamente dispersados. Esta capacidad es brindada en
IDRISI por el módulo RESAMPLE (Remuestreo).
Con las fotografías aéreas, sin embargo, el proceso es más complicado. No sólo existen distorsiones sistemáticas
relacionadas con el cabeceo del avión y la variación en la altitud, sino que también el relieve topográfico variable
provoca distorsiones muy irregulares (diferencia de paralaje) que no pueden ser eliminadas con el procedimiento de
transformación rubber sheet (lámina de goma). En estos casos, es necesario utilizar la rectificación fotogramétrica
para remover estas distorsiones y proveer medidas precisas de los mapas. Si esto falla, las porciones centrales de
las fotografías de gran altitud pueden ser remuestreadas con algo de éxito.
El módulo RESAMPLE es de gran importancia, y es esencial que uno aprenda a usarlo con efectividad. Aprender
esto también requiere un profundo entendimiento de los sistemas de referencia y de sus parámetros asociados tales
como los datos y las proyecciones. El capítulo de Georreferenciamiento brinda una discusión con detenimiento de
estos temas.
Mejoramiento de Imágenes
El mejoramiento de imágenes se ocupa de la modificación de imágenes para adecuarlas más a las capacidades de
la visión humana. Más allá de la cantidad de intervención digital, el análisis visual siempre juega un papel central en
todos los aspectos de la percepción remota. Mientras la gama de técnicas para el mejoramiento de imágenes es
amplia, los siguientes temas fundamentales forman la columna vertebral de esta área:
Área de Contraste
Los sensores digitales poseen un amplio rango de valores de salida para acomodar los valores de reflexión muy
variables que pueden encontrarse en diferentes ambientes. Sin embargo, en cualquier medio ambiente, a menudo se
presenta el caso en que sólo un pequeño rango de valores ocurre en la mayoría de las áreas. Las distribuciones de
los niveles de gris tienden entonces a estar bastante alteradas. Los procedimientos de manipulación de contraste
son por lo tanto esenciales para la mayoría de los análisis. La Figura 3-6 muestra la Banda TM 3 (rojo visible) y su
histograma. Fíjese que los valores de la imagen están bastante alterados. La imagen derecha de la figura muestra la
misma banda de imagen después de que un área lineal entre los valores 12 y 60 ha sido aplicada. En IDRISI, este
tipo de mejoramiento o ajuste de contraste puede realizarse interactivamente a través de las Propiedades de las
Capas del Diseñador (Composer’s Layer Properties) mientras se visualiza la imagen. Esto es normalmente utilizado
para análisis visuales únicamente los valores originales
Las imágenes de satélites basados en los escáners contienen una variedad de problemas geométricos inherentes como la
deformación (causada por la rotación de la Tierra debajo del satélite mientras éste se encuentra escaneando una imagen
completa) y la distorsión del escáner (causada por el hecho de que el campo visual instantáneo, IFOV, cubre más territorios al
final de las líneas del escáner, donde el ángulo visual es muy oblicuo, que en la parte central). Con las imágenes satelitales
comercializadas, como las del LANDSAT, IRS o SPOT, la mayoría de los elementos de la restauración geométrica sistemática
asociados con la captación de imágenes son corregidos por los distribuidores de las imágenes. Entonces, para el usuario final, la
única operación geométrica que generalmente necesita ser realizada es un remuestreo rubber sheet (lámina de goma) para
rectificar la imagen para una base cartográfica. Muchas distribuciones comerciales realizan esta rectificación con un costo
adicional.
La fotogrametría es la ciencia que realiza medidas espaciales a partir de fotografías aéreas. Para proveer una rectificación
completa, es necesario poseer imágenes estereoscópicas – fotos que se superponen lo suficiente (Ej., 60% en la dirección a lo
largo de la ruta y 10% entre las líneas de vuelo) como para brindar dos imágenes independientes para cada parte del paisaje. Al
usar estos pares estereoscópicos y los puntos de control del suelo de posición y altura conocidas, es posible recrear por
completo la geometría de las condiciones visuales y, por lo tanto, no sólo rectificar las medidas de dichas imágenes, sino
16
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
SENSORES REMOTOS
también derivar las medidas de laaltura del terreno. Las fotografías rectificadas se llaman ortofotos. Las medidas de altura
pueden usarse para producir modelos de elevación digital. de los datos son usados en análisis numéricos. Los imágenes nuevas
con valores ampliados se producen con el módulo STRETCH (Estiramiento).
Figura 3-6: Generación de Compuestos
Para el análisis visual, los compuestos color hacen un uso total de las capacidades del ojo humano. Dependiendo del
sistema de gráficos en uso, la generación de compuestos va desde la simple selección de las bandas a utilizar, hasta
procedimientos más complejos de combinaciones de bandas y áreas de contraste asociadas.
RGB=bandas 3,2,1 RGB=bandas 4,3,2 RGB=bandas 4,5,3 RGB=bandas 7,4,2
Figura 3-7
La Figura 3-7 muestra varios compuestos hechos con diferentes combinaciones de bandas a partir del mismo grupo
de imágenes TM (Vea la Figura 3-5 para las definiciones de bandas TM). El módulo COMPOSITE (Compuestos) de
IDRISI se usa para construir imágenes compuestas de tres bandas y 24 bits para análisis visuales.
Una de las capacidades más intrigantes del análisis digital es la habilidad para aplicar filtros digitales. Los filtros
pueden ser usados para proveer un realce de los bordes (a veces llamado crispening), para eliminar la borrosidad de
las imágenes, y para aislar los lineamentos y las tendencias direccionales, para mencionar unas pocas. El módulo
FILTER (Filtros) de IDRISI se usa para aplicar los filtros estándar y para construir y aplicar filtros definidos por el
usuario.
Clasificación de Imágenes
La clasificación de imágenes se refiere a la interpretación asistida por computadora de imágenes de sensores
remotos. Los procedimientos involucrados son tratados en detalle en el capítulo titulado Clasificación de Imágenes
de Sensores Remotos. Esta sección brinda un breve resumen.
Aunque algunos procedimientos son capaces de incorporar información acerca de las características de las
imágenes tales como la textura y el contexto, gran parte de la clasificación de imágenes sólo se basa en la detección
de firmas espectrales (es decir, patrones de respuesta espectral) de las clases de cubierta terrestre. El éxito que esto
puede adquirir depende de dos factores: 1) la presencia de firmas distintivas para las clases de cubierta terrestre de
interés en el grupo de bandas en uso; 2) la habilidad para distinguir con precisión estas firmas de otros patrones de
respuesta espectral que pueden presentarse.
Existen dos enfoques generales en la clasificación de imágenes: supervisado y no supervisado. Se diferencian en la
manera de realizar la clasificación. En el caso de la clasificación supervisada, el sistema software delinea tipos de
cubierta terrestre específicos sobre datos estadísticos de caracterización extraídos de ejemplos conocidos en la
imagen (conocidos como sitios de entrenamiento). Con la clasificación no supervisada, en cambio, se utiliza un
software de agrupamientos (clustering) para descubrir los tipos de cubierta terrestre más comunes. Luego, en un
paso posterior, el analista provee interpretaciones de esos tipos de cubierta.
Clasificación Supervisada
17
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
SENSORES REMOTOS
El primer paso en la clasificación supervisada es identificar ejemplos de las clases de información de interés (es
decir, tipos de cubierta terrestre) en la imagen. Éstos se llaman sitios de entrenamiento (training sites). El sistema
software se usa por lo tanto para desarrollar una caracterización estadística de los reflejos para cada clase de
información. Este paso a menudo es llamado análisis de firmas (signature análisis) y puede incluir el desarrollo de
una caracterización tan simple como el medio o el rango de los reflejos sobre cada banda, o tan compleja como el
análisis detallado del medio, desviaciones y co -desviaciones sobre todas las bandas.
Una vez lograda la caracterización estadística de cada clase de información, la imagen es clasificada a partir del
examen de los valores por cada pixel y de la toma de decisión acerca de a cuál de las firmas ésta se asemeja más.
Hay varias técnicas llamadas clasificadores, para tomar estas decisiones. La mayoría de los software de
Procesamiento de Imágenes ofrece muchas de estas técnicas, basadas en reglas de decisión variable. IDRISI ofrece
una amplia gama de opciones que se dividen en tres grupos, dependiendo de la naturaleza de la producción
deseada y de la naturaleza de las bandas de entrada.
Clasificadores Rígidos
La característica distintiva de los clasificadores rígidos es que todos toman una decisión definitiva acerca de la clase
de cubierta terrestre a la que todo pixel pertenece. IDRISI ofrece cinco clasificadores en este grupo: Paralelepípedos
(PIPED), Distancia Mínima a la Media (MINDIST), y Máxima Verosimilitud (MAXLIKE), Análisis Discriminante Lineal
(FISHER), y Red Neural Artificial (NEURALNET). Sólo se diferencian en la manera en que desarrollan y utilizan la
caracterización estadística de los datos del sitio de entrenamiento. De los cinco, el procedimiento de Máxima
Verosimilitud es el clasificador, sin dudas, más usado en la clasificación de imágenes captadas por sensores
remotos.
Clasificadores Blandos
Al contrario de los clasificadores rígidos, los clasificadores blandos no toman una decisión definitiva acerca de la
clase de cubierta terrestre a la cual pertenece cada pixel. Éstos desarrollan declaraciones del grado al que pertenece
cada píxel en cada una de las clases de cubierta terrestre en consideración. Entonces, por ejemplo, un clasificador
blando puede indicar que un pixel tiene una probabilidad de 0,72 de representar bosque, una probabilidad de 0,24 de
ser pastura y una probabilidad de 0,04 ser suelo desnudo. Un clasificados rígido resuelve esta incertidumbre
concluyendo que el píxel representa bosque. Sin embargo, un clasificador blando pone esta incertidumbre
explícitamente disponible, para cualquier tipo de propósitos. Por ejemplo, el analista puede concluir que la
incertidumbre nace porque el pixel contiene más de un tipo de cubierta terrestre y puede usar las probabilidades
como indicadores de la proporción relativa de cada uno. Esto se conoce como clasificación sub-pixel.
Alternativamente, el analista puede concluir que la incertidumbre nace debido a datos de sitios de entrenamiento no
representativos y por lo tanto debe combinar estas probabilidades con otra evidencia antes de endurecer la decisión
hacia una conclusión final. IDRISI ofrece cuatro clasificadores blandos (BAYCLASS,
MAHALCLASS, BELCLASS y FUZCLASS). Los resultados de los cuatro pueden ser endurecidos usando el módulo
HARDEN (Endurecer). La diferencia entre ellos está relacionada con la lógica por la cual se especifica la
incertidumbre -
Bayesiana, Dempster-Shafer y Fuzzy Sets. Además, el sistema ofrece una variedad de herramientas adicionales
específicamente diseñadas para el análisis de mezclas sub-pixel (Ej., UNMIX, FUZSIG, MIXCALC y MAXSET).
Clasificadores Hiperespectrales
Todos los clasificadores mencionados anteriormente operan sobre imágenes multiespectrales – imágenes en donde
varias bandas espectrales han sido captadas simultáneamente como componentes de imágenes
independientemente accesibles.
Al extender esta lógica a muchas bandas, se produce lo que se ha conocido como imagen hiperespectral.
Aunque esencialmente no haya ninguna diferencia entre las imágenes hiperespectrales y multiespectrales (es decir,
sólo difieren en grado), el volumen de datos y la alta resolución espectral de las imágenes hiperespectrales sí
provoca diferencias en la forma en que son manejadas. IDRISI brinda utilidades especiales para crear firmas
hiperespectrales de sitios de entrenamiento o bien de bibliotecas de patrones de respuesta espectral desarrollados
bajo condiciones de laboratorio (HYPERSIG)y una rutina automática de extracción de firmas hiperespectrales
(HYPERAUTOSIG). Estas firmas pueden ser aplicadas entonces en cualquiera de los varios clasificadores
hiperespectrales: Ángulo Espectral Cartográfico (HYPERSAM), Distancia Mínima Hiperespectral (HYPERMIN),
Eliminación de la Mezcla de las Líneas Espectrales (HYPERUNMIX), Proyección Ortogonal Subespacial
(HYPEROSP), Análisis del Área de Absorción (HYPERABSORB). También se encuentra disponible un clasificador
no supervisado (vea la próxima sección) para las imágenes hiperespectrales (HYPERUSP).
18
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
SENSORES REMOTOS
Clasificación No Supervisada
En contraste con la clasificación supervisada, en la que le indicamos al sistema el carácter (es decir, la firma) de las
clases de información que estamos buscando, la clasificación no supervisada no requiere un avance de información
acerca de las clases de interés. Ésta examina, en cambio, los datos y los divide en los grupos espectrales naturales
más prevalecientes, o grupos, presentes en los datos. El analista identifica, entonces, estos grupos como clases de
cubierta terrestre a través de una combinación de familiaridad con las visitas verdaderas a la región y el suelo.
La lógica con la que trabaja la clasificación no supervisada se conoce como análisis cluster o de grupos, y en IDRISI
es principalmente aplicado en el módulo CLUSTER. Este módulo realiza la clasificación basándose en un grupo de
imágenes de entrada usando una técnica máxima de histograma multi-dimensional. Es importante reconocer, sin
embargo, que los procedimientos de agrupamiento de clasificación no supervisada no son clases de información,
sino clases espectrales (es decir, agrupan características, pixeles, con patrones de reflexión similares). Es por lo
general el caso en el que el analista necesita reclasificar las clases espectrales en clases de información. Por
ejemplo, el sistema puede identificar clases para asfalto y cemento que el analista luego puede agrupar y crear una
clase de información llamada pavimento.
Aunque resulte atractivo conceptualmente, la clasificación no supervisada ha sido tradicionalmente entorpecida por
algoritmos muy lentos. Sin embargo, el procedimiento de agrupamiento brindado por IDRISI es extraordinariamente
rápido (sin dudas el más rápido del mercado) y puede por lo tanto usarse iterativamente en conjunción con datos
verdaderos del suelo para arribar a una clasificación muy precisa. Con los procedimientos correctos de la verdad de
campo y de evaluación de la exactitud, esta herramienta puede proveer un medio marcadamente rápido para
producir datos de calidad sobre la cubierta terrestre en una base continua.
Además de las técnicas mencionadas anteriormente, hay dos módulos que unen ambas clasificaciones: supervisada
y no supervisada. El ISOCLUST usa un procedimiento llamado Análisis de Cluster de Autoorganización para
clasificar hasta 7 bandas puras en las que el usuario especifica el número de grupos a procesar. El procedimiento
emplea el módulo CLUSTER para iniciar una cantidad de grupos que generan una aplicación iterativa del
procedimiento MAXLIKE, en el cual cada paso usa los resultados del paso anterior como los sitios de entrenamiento
para este procedimiento supervisado.
El resultado es una clasificación no supervisada que converge en una etapa final de elementos estables usando un
enfoque supervisado (por eso el concepto de “autoorganización”). El MAXSET es también, en su esencia, un
procedimiento supervisado. No obstante, mientras el procedimiento comienza con sitios de entrenamiento que
caracterizan clases individuales, éste resulta en una clasificación que no sólo incluye estas clases específicas sino
también (aunque se desconozcan) mezclas que pueden llegar a existir. Entonces, el resultado final tiene en gran
medida el perfil de aquel de un enfoque no supervisado.
Evaluación de la Exactitud
Un paso vital en el proceso de clasificación, tanto supervisada como no supervisada, es la evaluación de la precisión
de las imágenes finales. Esto implica identificar un grupo de lugares (con el módulo SAMPLE) que son visitados en el
campo.
La cubierta terrestre encontrada en el campo es luego comparada con aquella que fue confeccionada en la imagen
del mapa del mismo lugar. Las evaluaciones de precisión estadísticas pueden ser derivadas para toda el área de
estudio, así como también para clases individuales (usando el ERRMAT).
En un enfoque iterativo, la matriz de errores producida (a veces llamada matriz de confusión), puede ser usada para
identificar tipos de cubierta particulares para los cuales los errores son más de los deseados. La información en la
matriz acerca de qué cubiertas están siendo incluidas por error en una clase en particular (errores de comisión) y
aquellas que están siendo excluidas por error (errores de omisión) de esa clase pueden usarse para afinar el
enfoque de clasificación.
Transformación de Imágenes
El Procesamiento Digital de Imágenes ofrece un rango sin límites de posibles transformaciones de los datos de
sensores remotos. Aquí se mencionan dos, específicamente, debido a su significado especial en aplicaciones de
monitoreo ambiental.
Hay una variedad de índices de vegetación que han sido desarrollados para ayudar al monitoreo de la vegetación. La
mayoría están basados en las interacciones diferentes entre la vegetación y la energía electromagnética en las
longitudes de ondas del rojo e infrarrojo cercano. Observe la Figura 3-4, que incluye un patrón de respuesta
espectral generalizado para la vegetación de hoja ancha y verde. Como se puede ver, la reflexión en la región roja
(0,6-0,7 µ aprox.) es baja debido a la absorción hecha por los pigmentos de las hojas (principalmente la clorofila). La
19
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
SENSORES REMOTOS
región infrarroja (0,8-0,9 µ aprox.) en cambio, muestra una reflexión alta debido a la difusión por parte de la
estructura de las células de las hojas. Un índice de vegetación muy simple puede entonces lograrse comparando la
medida de la reflexión en el infrarrojo con la de la reflexión en el rojo.
Aunque se ha desarrollado un número de variantes de esta lógica básica, la que ha recibido más atención es el
índice de vegetación de la diferencia normalizada (NDVI). Éste se calcula de la siguiente manera:
NDVI = (NIR - R) / (NIR + R) donde NIR = Infrarrojo cercano R = Rojo
Índice de Vegetación de la Diferencia Normalizada
Figura 3-8
La Figura 3-8 muestra el NDVI calculado con las bandas 3 y 4 TM para la misma área que se muestra en las Figuras
3-5,3-6 y 3-7.
Este tipo de cálculo es bastante simple para un SIG raster o un sistema software de Procesamiento de Imágenes, y
el resultado se ha mostrado de manera tal que se relacione bien con las medidas de la biomasa. Aunque el NDVI
necesite una calibración específica para ser usado como una medida real de la biomasa, muchas agencias han
descubierto que el índice es útil como una medida relativa para fines de monitoreo. Por ejemplo, los programas
Sistema Africano de Información en Tiempo Real (ARTEMIS) de la Organización de Alimentación y Agricultura (FAO)
de las Naciones Unidas, y el Sistema de Alerta Temprana sobre el Hambre (FEWS) del USAID, usan imágenes NDVI
de escala continental derivadas del sistema NOAA-AVHRR para elaborar imágenes con el índice de vegetación para
todo el continente africano cada diez días.
Mientras la medida del NDVI ha demostrado ser útil en una variedad de contextos, un gran número de índices
alternativos han sido propuestos para tratar con medioambientes especiales, como tierras áridas. IDRISI ofrece una
amplia variedad de estos índices (más de 20 en los módulos VEGINDEX y TASSCAPcombinados). El capítulo sobre
los Índices de Vegetación ofrece una discusión detallada de sus características y aplicación potencial.
Análisis de los Componentes Principales
El Análisis de los Componentes Principales (PCA) es una técnica de transformación lineal relacionada con el Análisis
de Factores. Dado un juego de bandas de imágenes, el PCA produce un nuevo juego de imágenes, conocidas como
componentes, no relacionadas entre sí y ordenadas en términos de la cantidad de discordancias que presentan con
el juego de bandas originales.
El PCA ha sido tradicionalmente usado en la percepción remota como medio de compactación de datos. Para un
juego típico de bandas de imágenes multiespectrales, es común encontrar que los dos o tres primeros componentes
son capaces de constituir virtualmente toda la variabilidad original en los valores de reflexión. Los demás
componentes tienden a estar dominados por los efectos del ruido. Al rechazar estos últimos componentes, el
volumen de datos se reduce sin una pérdida de información perceptible.
Dado que los demás componentes están dominados por el ruido, de igual forma es posible usar el PCA como una
técnica para eliminar el ruido. La producción del módulo PCA en IDRISI incluye los coeficientes de ambas
transformaciones, en avance y en reversa. Al ajustar los coeficientes de los componentes del ruido en cero en la
transformación reversa, se puede producir una nueva versión de las bandas originales con los elementos de este
ruido ya removidos.
Recientemente, el PCS también ha demostrado tener una aplicación especial en el monitoreo ambiental. En los
casos en que las imágenes multiespectrales están disponibles para dos fechas, las bandas de ambas imágenes son
enviadas a un PCA como si todas viniesen de la misma imagen. En estos casos, los cambios entre las dos fechas
tienden a aparecer en el resto de los componentes. Aún más, si una serie de tiempo de imágenes NDVI (o un índice
de única banda similar) es enviada al análisis, puede lograrse un análisis muy detallado de los cambios y las
tendencias ambientales. En este caso, el primer componente mostrará el típico NDVI sobre la serie entera, mientras
que cada componente subsiguiente ilustrará los cambios en una secuencia ordenada por grado de importancia. Al
examinar estas imágenes, junto con los gráficos de su correlación con las bandas individuales en la serie original,
20
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
SENSORES REMOTOS
pueden lograrse observaciones importantes sobre la naturaleza de los cambios y tendencias en la serie de tiempo. El
módulo TSA (Análisis de la Serie de Tiempo) de IDRISI es una versión del PCA especialmente confeccionada para
facilitar este proceso.
Un grupo de datos de archivo de imágenes NDVI mensuales para África se encuentra disponible en CD en Clark Labs. El cd de
datos NDVI de África contiene: imágenes NDVI mensuales compuestas con los valores máximos (1982-1999), desviaciones
promedio y estándar de imágenes NDVI mensuales por cada mes de un mismo período de tiempo, imágenes NDVI mensuales
con anomalías, y datos auxiliares (DEM, uso de la tierra y cubierta terrestre, límites del territorio nacional y costas) para África
en formato IDRISI. Para más información, comuníquese con Clark Labs.
21
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
SENSORES REMOTOS
TRANSFERENCIA DE POSICIÓN ENTRE LOS NIVELES DIGITALES
GEOREFERENCIACION
La imagen digital es una matriz de celdillas en una dimensión finita. Las posiciones de los píxeles son de tipo
discreto, debe recordarse el sistema de coordenadas fila, columna. Luego de la aplicación de las funciones de ajuste
(coordenadas de imagen a coordenadas en un sistema de referencia), las nuevas posiciones de los píxeles estarán
representadas por números reales, que en la mayoría de los casos no coincidirá con la situación de las celdillas,
expresadas para la imagen original, como números enteros (filas, columna).
Posiciones definitivas de los píxeles luego de la transformación geométrica de la imagen.
Tomado de Pinilla, 1995. Pág. 142.
Para poder proseguir con el tratamiento de la imagen es necesario asignar a las nuevas posiciones de las celdas un
único valor proveniente de los píxeles originales.
Existen varios métodos para la transferencia de los Nd a la nueva posición en la imagen corregida, operaciones
conocidas con el nombre de remuestreo (módulo RESAMPLE en IDRISI), mediante las cuales se trasladan los Nd de
las posiciones en la imagen transformada a las localizaciones definitivas en la imagen corregida. La denominación de
imagen transformada corresponde a la resultante de la transformación geométrica una vez aplicadas las funciones
de ajuste; se reserva el calificativo de imagen corregida a la que resulta de la aplicación del remuestreo sobre la
imagen transformada.
MÉTODO DEL VECINO MÁS CERCANO
El método del vecino más cercano (nearest neighbourg) consiste en un algoritmo que asigna a cada celdilla de la
imagen corregida el Nd correspondiente al píxel de la imagen transformada cuyo centro esté más próximo al de la
corregida; las expresiones algebraicas correspondientes son:
ƒ(x,y) ∆x < 0,5 ∆y < 0,5
ƒ(x+1,y) ∆x ≥ 0,5 ∆y < 0,5
ƒ(m,n) =
ƒ(x,y+1) ∆x < 0,5 ∆ ≥ 0,5
ƒ(x+1,y+1) ∆x ≥ 0,5 ∆y ≥ 0,5
22
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
SENSORES REMOTOS
donde ƒ(m,n) es el Nd asignado a la celdilla (m,n) de la imagen corregida, ƒ(x,y) es el valor correspondiente al píxel
de la imagen transformada, situado en una posición delimitada por un número real, siendo:
m = x + ∆x 0 ≤ ∆x ≤ 1
n = y + ∆y 0 ≤ ∆y ≤ 1
donde ∆x e ∆y son las diferencias respectivas en la dirección de las columnas y de las filas entre el centro de la
celdilla corregida y el de la transformada, expresada en fracciones de píxel.
Este procedimiento no supone la alteración de los Nd de la imagen original, sino solamente la traslación a otra
localización. Presente el inconveniente de introducir fracturas y quiebres en el trazado de los rasgos lineales de la
imagen original, distorsión conocida como efecto escalera. A pesar de ello, es el único método utilizable en la
georreferenciación de imágenes con datos cualitativos o temáticos e inclusive en aquellas imágenes que serán luego
utilizadas para calcular parámetros físicos como la biomasa a partir de los valores de Nd.
Remuestreo por el método de vecino más cercano. Tomado de Pinilla, 1995. Pág. 144.
MÉTODO DE INTERPOLACIÓN BILINEAL
El algoritmo de interpolación bilineal (bilinear interpolation) asigna al píxel corregido la media ponderada de los Nd
correspondientes a las cuatro celdas más cercanas de la imagen transformada; el peso asociado a cada Nd es
proporcional a la cercanía de aquellas (1 - ∆x y 1 - ∆y), considerando la distancia medida entre los centros de las
celdas.
ƒ(m,n) = c1 ƒ(x,y) + c2 ƒ(x+1,y) + c3 ƒ(x,y+1) + c4 ƒ(x+1,y+1)
donde ƒ(m,n) y ƒ(x,y) tienen el significado ya expresado y ci son los factores de ponderación asignados a los cuatro
Nd de entrada definidos de la siguiente manera:
23
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
SENSORES REMOTOS
c1 = (1 - ∆x) (1 - ∆y)
c2 = ∆x (1 - ∆y)
c3 = (1 - ∆x) ∆y
c4 = ∆x ∆y
Resmuestreo por interpolación bilineal. Tomado de Pinilla, 1995. Pág. 145.
Este método produce resultados suavizados, pues las cuatro posiciones más cercanas a la celdilla corregida son
utilizadas para calcular un valor promedio que homogeniza las escalas de gis: El métodode interpolación bilineal se
utiliza para georreferenciar imágenes con datos cuantitativos, permitiendo salidas de mayor calidad visual.
MÉTODO DE CONVOLUCIÓN CÚBICA
El método de convolución cúbica (cubic convolution) es un algoritmo muy utilizado que emplea polinomios bivariados
de tercer orden. En esencia es similar al anterior, con la diferencia que para calcular la media ponderada utiliza las
dieciséis celdillas más próximas al píxel considerado. Los Nd de las dieciséis celdas de la imagen transformada se
interpolan linealmente en cuatro grupos de cuatro líneas de cuatro píxeles, cada una de aquellas para formar cuatro
interpolantes. Con posterioridad se realiza una nueva interpolación entre los cuatro valores anteriores obtenidos para
asignar finalmente el Nd a la celda corregida. La expresión que calcula la interpolación unidimensional en función de
los cuatro valores más próximos de una línea es:
ƒ(m,n) = ∆x{∆x(∆x[ƒ(x+2) - ƒ(x+1) + ƒ(x) - ƒ(x-1)] -
- [ƒ(x+2) - ƒ(x+1) + 2ƒ(x) – 2ƒ(x-1)]) +
+ [ƒ(x+1) - ƒ(x-1)]} +
+ ƒ(x)
24
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
SENSORES REMOTOS
Remuestreo mediante convolución cúbica. Tomado de Pinilla, 1995. Pág. 146.
que puesta en función de las luminancias de cada celdilla queda:
ƒ(m) = [(∆x)3 – (∆x)2] ƒ(x+2) -
- [(∆x)3 – (∆x)2 - (∆x)] ƒ(x+1) +
+ [(∆x)3 – 2(∆x)2 + 1] - ƒ(x) -
- [(∆x)3 – 2(∆x)2 + (∆x)] ƒ(x-1)
donde ƒ(m) es el interpolante asignado a la celdilla central (m) de cada una de las cuatro líneas de la imagen
corregida y ƒ(x) es el valor correspondiente al píxel de la imagen transformada, situado en una posición delimitada
por un número real. El polinomio de interpolación entre los cuatro valores ƒ(m) obtenidos será de la forma:
ƒ(m,n) = [(∆y)3 – (∆y)2] ƒ(m+2) -
- [(∆y)3 – (∆y)2 - (∆y)] ƒ(m+1) +
+ [(∆y)3 – 2(∆y)2 + 1] - ƒ(m) -
- [(∆y)3 – 2(∆y)2 + (∆y)] ƒ(m-1)
Este método asegura que la interpolación pase por los valores conocidos en los centros de las celdillas y que sus
dos primeras derivadas sean suaves. Ello produce gran conservación en el aspecto visual de la imagen resultante,
pues el suavizado que introduce es menos severo que en la interpolación bilineal. Sin embargo presenta el
inconveniente de una mayor exigencia de cálculo al sistema de tratamiento, lo que insume mayor tiempo.
CORRECCIÓN MEDIANTE MODELIZACIÓN MATEMÁTICA
Este método de corrección permite restablecer las condiciones reales de la escena a partir del conocimiento de los
parámetros orbitales del satélite en el instante de la adquisición; dichos parámetros son almacenados en el fichero
de cabecera (header) de la imagen. La corrección automática de las imágenes satelitales está basada en estos
procedimientos, los mismos se conocen también como correcciones de sistema.
25
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
SENSORES REMOTOS
Transformaciones geométricas simples. Tomado de Pinilla, 1995. Pág. 148.
Este tipo de tratamientos consiste en realizar una serie de transformaciones geométricas simples sobre una imagen,
o bien, una combinación de ellas. Se presentan algunas de las más elementales:
Traslación
u = x + a
v = y + b
Inclinación
u = x + ay
v = y
Cambio de escala
u = ax
v = by
Perspectiva
u = axy
v = y
Rotación
u = cos θ x + sen θ y
v = - sen θ x + cos θ y
para una rotación levógira de ángulo θ.
En cualquiera de los casos anteriores, todos los puntos de la imagen se habrán trasladado a la posición corregida
mediante la aplicación del operador de corrección sin la introducción de error alguno en el proceso.
26
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
SENSORES REMOTOS
PROGRAMAS SATELITALES
Hoy en día, en percepción remota se han desarrollado y usado con marcado éxito muchos sensores con alta
resolución espacial y temporal para la integración de evaluaciones de peligros naturales y en los estudios
de planificación para el desarrollo; entre los más comunes están los siguientes:
• Landsat 7 Enhanced Thematic Mapper (ETM), con 10 ó 15 m de resolución en el pancromático y tres bandas
espectrales de 30 m de resolución (figura 1).
DESCRIPCIÓN DE LOS PRODUCTOS DIGITALES
Satélite LANDSAT 5 TM
Correcciones
1. Nivel 4: Correcciones sistemáticas. Bandas 1 a 7.
2. Nivel 5: Correcciones sistemáticas. Georreferenciada utilizando las efemérides del satélite. El remuestreo se
realiza por primeros vecinos (convolución cúbica en forma opcional). Bandas 1 a 7.
3.Nivel 5+: Correcciones sistemáticas. Georreferenciada a partir de producto nivel 5 utilizando cartografía,
mediante un único punto de control. En formato IMG (Erdas). Bandas 1 a 7.
4.Nivel 6: Correcciones sistemáticas. Georreferenciada utilizando 6 o más puntos de control cartográficos o
medidos en el terreno. El remuestreo se realiza por primeros vecinos (convolución cúbica en forma opcional).
Rectificada a una proyección cartográfica. Bandas 1 a 7.
5.Nivel 6i: Correcciones sistemáticas. Georreferenciada utilizando 6 o más puntos de control, cartográficos o
medidos en el terreno, a partir del producto de nivel 4. El remuestreo se realiza por primeros vecinos (convolución
cúbica en forma opcional). Rectificada a una proyección cartográfica. En formato IMG (Erdas). Bandas 1 a 7.
Systeme Probatoire d'Observation de la Terre) de SPOT 5, con 5 m de resolución en pancromático y 2.5 m en
supermodo. Los telescopios del instrumento HRV (Haute Resolution Visible) trabajan con resolución de 5 m en
pancromático y con 10 m para imágenes multiespectrales; el funcionamiento en supermodo es posible usando un
nuevo concepto de barrido que consiste en duplicar y dislocar de medio píxel los detectores CCD que ya existen en
modo pancromático de 5 m de resolución. Esta tecnología permite que sean captadas dos veces más el área barrida,
y por el procesamiento digital de la imagen se alcanza la resolución mencionada (figura 2).
27
Instituto de Recursos Naturales y Ecodesarrollo UNIVERSIDAD NACIONAL DE SALTA
ESCUELA DE RECURSOS NATURALES FACULTAD DE CIENCIAS NATURALES
SENSORES REMOTOS
• Sistemas de radares de satélite: Advanced Very High Resolution Radiometer (AVHRR) en los satélites NOAA.
• EOS (MODIS), Indian Remote Sensing (IRS), Linear Imagining Self Scaning Sensor LISS III, con 23 m de
resolución y en pancromático con 5.8 metros. • Wide Field Sensor (WiFS near IR y Red con 188 m de resolución). •
IKONOS 1, primer satélite comercial con 1 metro de resolución espacial (figura 3).
Quick Bird 2, con 60 cm de resolución en pancromático (blanco y negro) y con 2.44 m en multiespectral en las
bandas azul, verde, rojo e infrarrojo cercano (figura 4).
28
Opción - Mínimo Máximo
Opción - Lineal
Opción - Raíz Cuadrada
Opción - Cuadrado
Opción - Logaritmo
Opción - Negativo
Opción - Ecualización de Histogramas
CORRECCIONES DE LA IMAGEN
FUENTES DE ERROR EN UNA IMAGEN SATELITAL
Distorsiones provocadas por la oscilación de la �
Distorsión provocada por la rotación terrestre
Distorsión de oblicuidad debida al tiempo de bar�
Distorsión del aspecto
Distorsión panorámica
Distorsión provocada por la curvatura de la tier�
Distorsiones provocadas por los sensores
Distorsiones provocadas por la atmósfera
Índice de Vegetación de la Diferencia Normalizad
TRANSFERENCIA DE POSICIÓN ENTRE LOS NIVELES DIGI�
Continuar navegando
Materiales relacionados
Compartir