Procesamiento Digital de Imágenes - ILWIS

CENTRO INTERAMERICANO DE INVESTIGACIÓN Y DESARROLLO EN INFORMACIÓN GEOGRÁFICA

CIAF

PROCESAMIENTO DIGITAL DE IMÁGENES - PRÁCTICA -

Xander Bakker

Santa Fe de Bogotá, Mayo 2001

© Instituto Geográfico Agustín Codazzi, 2001. Todos los derechos comerciales reservados. Prohibido su reproducción para fines no académicos o de investigación.

Índice

1. INTRODUCCIÓN A ILWIS 2.23 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1.1 La ventana principal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1.2 Objetos de ILWIS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 1.3 Dominios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 1.4 Dependencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 1.5 Propiedades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 1.6 Menú sensitivo al contexto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 2. PROCESAMIENTO DIGITAL DE IMÁGENES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 2.1 Importación de imágenes de satélite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 3. VISUALIZACIÓN DE BANDAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 3.1 Despliegue de imágenes de satélite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 3.2 Acercar a y alejar de la imágenes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 3.3 Utilización de las barras de desplazamientos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 3.4 Despliegue de la imagen entera . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 3.5 Generar un sub mapa de la información útil . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 3.6 Pixeles y números digitales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19

4. MEJORAMIENTO DE LAS IMÁGENES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 4.1 Mejoramiento del contraste . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 4.1.1 Cálculo del histograma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 4.1.2 Expansión lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 4.1.3 Comparación de la imagen original con la imagen mejorada . . . . . . . . . . . . . . . . . . . 23 4.1.4 Ecualización del histograma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 4.2 Mejoramiento espacial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 4.2.1 Filtros de paso bajo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 4.2.2 Filtros de paso alto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 4.2.3 Explicación adicional sobre el funcionamiento de filtros . . . . . . . . . . . . . . . . . . . . . . . 5. VISUALIZACIÓN DE INFORMACIÓN MULTIBANDA . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 5.1 Composición a color . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 5.1.1 Composiciones a falso color . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 5.1.1.1 Composiciones a falso color, creando un mapa físico . . . . . . . . . . . . . . . . . . . 32 5.1.1.2 Composiciones a falso color, usando un listado de mapas . . . . . . . . . . . . . . . . 34 5.1.2 Composiciones a color (pseudo)-natural . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 6. GEOREFERENCIAR IMÁGENES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 6.1 Georeferenciación por medio de especificación de las coordenadas de las esquinas 6.2 Georeferenciación por medio de puntos de control . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 6.2.1 Funciones de transformación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 6.2.2 Puntos de control a partir de mapas análogos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 6.3.3 Puntos de control a partir de mapas digitales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38

7. OPERACIONES MULTIBANDA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40 7.1 Relaciones entre las bandas: variaciones en iluminación . . . . . . . . . . . . . . . . . . . . . . . . . 7.2 Índice de vegetación de diferencia normalizado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 7.3 Aritméticas de imágenes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 8. CLASIFICACIÓN DE LAS IMÁGENES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 8.1 “Density slicing” (clasificación de una sola banda) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 8.2 Clasificación multi-espectral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 8.2.1 Clasificación no-supervisada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 8.2.2 Clasificación supervisada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 8.2.2.1 Fase de entrenamiento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49 8.2.2.2 Despliegue de “Feature Spaces” . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50 8.2.2.3 Evaluación de estadísticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50 8.2.2.4 Clasificación del muestreo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 8.2.2.4.1 “Box classifier” . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 8.2.2.4.2 “Minimum Distance classifier” . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 8.2.2.4.3 “Minimum Mahalanobis Distance classifier” . . . . . . . . . . . . . . . . . . . . . . . . . 52 8.2.2.4.4 “Maximum Likelihood classifier” . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 8.2.2.4.5 Efectuar la clasificación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 8.2.2.5 Evaluar los resultados de la clasificación . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53 8.2.2.6 Operaciones posteriores a la clasificación . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53 8.2.2.7 Filtros de predominancia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54

9. CORRECCIÓN GEOMÉTRICA DE LOS RESULTADOS . . . . . . . . . . . . . . . . . . . . . . . . . . 55 9.1 Diferentes funciones de transformación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55 9.1.1 Vecino más cercano (Nearest Neighbour) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55 9.1.2 Interpolación bilineal (Bi-Linear) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55 9.1.3 Convolución cúbica (Cubic Convolution) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55 9.2 Crear una georeferenciación de esquinas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55 9.3 Re-muestreo hacia una georeferenciación de esquinas . . . . . . . . . . . . . . . . . . . . . . . . . . . 56 9.4 Incorporar las zonas urbanas en el mapa de cobertura . . . . . . . . . . . . . . . . . . . . . . . . . . . 56 10. PROCESAR UNA VENTANA DE UNA IMAGEN LANDSAT . . . . . . . . . . . . . . . . . . . . . . 58 11. RESPUESTAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59 BIBLIOGRAFÍA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 4

PRÁCTICA DE PROCESAMIENTO DIGITAL DE IMÁGENES

1. Introducción al Sistema de Información Geográfica ILWIS 2.23

Para el desarrollo de las prácticas de análisis y modelamiento se ha escogido el Sist Información Geográfica ILWIS para Windows versión 2.23, puesto que es fácil de maneja interfaz amigable y tiene amplias posibilidad de análisis espacial. ILWIS es un SIG que of funciones de análisis principalmente en el formato raster.

Es necesario introducir unos conceptos básicos de ILWIS para Windows antes de empeza desarrollo del análisis:

Para entrar al Sistema de Información Geográfica ILWIS haga doble clic sobre el icono de que se ha generado en el escritorio de WINDOWS; o acceda al programa mediante la util las opciones Inicio, Programas, ILWIS 2.2, ILWIS 2.2. 1.1 La ventana principal

Se despliega una ventana de bienvenida que inmediatamente conduce a la ventana princ

©

X. Bakker

1

Instituto Geográfico Agustín Codazzi. 2001


La Ventana principal de ILWIS da acceso a todas sus posibilidades, en ella se muestran t elementos necesarios para la elaboración de cualquier operación así como los archivos que genera. Elementos de la Ventana Principal

La barra de Título

Como en otras aplicaciones bajo Windows la barra de título suministra información al usua de la ubicación en la que se encuentra trabajando, así como del programa que se está ej posee botones de control que permiten cerrar, ampliar, reducir o minimizar la ventana en La barra de Menús

Inmediatamente bajo la barra de título se encuentra una barra de menús de tipo persiana posibilita al usuario el acceso a todas las herramientas y elementos del Sistema. La linea de comandos

Esta es una característica especial de ILWIS, si se es un usuario avanzado puede utiliza ejecutar ordenes mediante el tecleo de los comandos apropiados. Además allí pueden esc fórmulas de generación de nuevos elementos (columnas, tablas o mapas).

Se memorizan las últimas órdenes dadas de tal forma que el usuario tenga rápido acceso necesidad de escribirlas nuevamente.

©

X. Bakker

2



La barra de botones

Bajo la linea de comandos se encuentra la barra de botones, su funcionalidad es el desp información y su presentación en pantalla los siguientes elementos la conforman:

El primer elemento de la barra de botones permite desplegar y ocultar la ve correspondiente al Listado de operaciones, de esta manera se obtendrá mayor para visualizar los elementos del catálogo.

Este botón permite al usuario mostrar un nuevo mapa en una nueva pantalla. a las características propias del Sistema operativo (Windows) es posible desp varias ventanas de mapa, tablas y gráficos simultáneamente.

La función de este elemento de la barra de botones es el despliegue de una existente. De igual forma que en el despliegue de mapas es posible la visualizac varias tablas en una pantalla de Windows.

En ILWIS es posible conocer las características de atributos que correspond elemento geográfico, esto significa que mediante el uso de este botón puede le información alfanumérica que atañe a cualquier ubicación geográfica.

Haga clic aquí para seleccionar los elementos que quiere visualizar en el Catálo herramienta le facilita encontrar un objeto o mostrar solamente aquellos de u determinado.

Este es el seleccionador de drive; con el puede desplazarse de uno a otro sin ten recurrir al Administrador de Archivos. Si hace clic sobre él se desplegarán los existentes en el computador y podrá escoger cualquiera de ellos.

Este otro seleccionador permite navegar por los directorios de un mis drive. Normalmente toda la información que se procese será almacenad el drive y directorio que aparecen en la ventana principal en el moment ejecutarla.

Las Barras de desplazamiento al igual que en cualquier aplicación de Windows permiten información dentro de una ventana sin tener que modificar su tamaño.

En la barra de estado aparecen las propiedades y funcionalidades de cada uno de los elem donde se desplace el cursor.

©

X. Bakker

3



El Listado de Operaciones

En él se encuentran todos los programas y funcionalidades que hacen parte del Sist Información Geográfica ILWIS. La forma de acceder a cualquiera de estas aplicaciones es doble clic sobre el programa que se quiere ejecutar. El Catálogo

En el Catálogo aparecen todos aquellos elementos de ILWIS que se encuentran dentro del en ejecución, es importante tener en cuenta que un objeto de ILWIS no siempre consta d archivo por ello es recomendable que sean manejados, copiados o borrados desde la ve ILWIS y no desde el Administrador de archivos.

©

X. Bakker

4



En el Catálogo entonces pueden visualizarse los diferentes tipos de mapas, tablas u obj pueden generarse con ILWIS. Como puede observarse un icono identifica cada objeto dent ventana, a continuación podrá diferenciar estos iconos y comprender su significado. 1.2 Tipos de objetos en ILWIS

En ILWIS se utilizan diferentes iconos para representar diferentes tipos de objetos. Los o dividen en cuatro clases: Objetos de Datos:

Objetos de datos consisten en los elementos que contengan datos. Además, los objetos se c por ser utilizados como datos de entrada en un análisis. Mapas de Puntos

(ej: Estaciones pluviométricas, sitios de muestreo, etc)

Mapas de Segmentos Mapas de Polígonos

(ej: vías, drenajes, curvas de nivel, etc)

(ej: uso, cobertura, municipios, etc)

(todos los mapas vectoriales rasterizados y además grados continuos {ej: modelo digital de elevación} y productos de sensores remotos {ej: imágenes de sa fotografías aéreas}). Mapas Raster

(un listado de mapas raster que comparten la misma georeferenciación y el mismo dominio). Listados de mapas

Tablas (informaciónsincomponenteespacial, quepuedecaracterizar elementos especiales.

ej: datos de textura, pH y profundidad para unidades de suelos, etc). Columnas

Objetos de mantenimiento

Objetos de mantenimiento contienen información acerca de objetos de datos: Dominio Contiene informaciónsobre la definición(códigos) de los elementos que contiene

un objetos de datos. Representación

Contiene la definición de como representar los elementos en el dominio.

Georeferenciación

Contiene la definición para mapas raster de como se relacionan filas y columnas con coordenadas planas o geográficas. Sistema de coordenadas

Contiene información sobre la extensión del mapa y opcionalmente la relación de coordenadas planas con su ubicación geográfica. ©

X. Bakker

5



Objetos especiales

Objetos especiales son aquellos objetos que pueden ser aplicados a, o derivados de objetos Vistas de mapas

Frecuentemente existe la necesidad de elaborar un producto visual para su impresión o presentación en pantalla, que consiste en múltiples capas de infor La definición de tal presentación se guarda en una vista de mapas.

Una tabla con el mismo dominio que el mapa raster, la cual contiene información sobre la frecuencia de ocurrencia de los elementos en el ma Histograma de un mapa raster

Una tabla con áreas, perímetros y número de polígonos por cada elemento del dominio del mapa de polígonos. Histograma de un mapa de polígonos

Histograma de un mapa de segmentos Una tabla con la longitud yel número de segmentos

por cada elemento del dominio del mapa de segmentos. Histograma de un mapa de puntos

del dominio del mapa de puntos.

Una tabla con el número de puntos por cada elemento

Usado en el procesamiento digital de imágenes para efectuar una clasificación multiespectral supervisada. Conjunto de muestreos espectrales

Tabla bi-dimensional Usado para definir la combinación de elementos en dos mapas raster

durante una superposición.

Generado en algunas operaciones estadísticas (covariancia, correlación, eigenvectors de componentes principales, etc). Matriz

Filtro Contiene informaciónsobre la matriz de valores que se aplica enel proceso de filtrar

un mapa raster. Funciones

Contiene funciones definidas por el usuario.

Scripts

Pueden contener una secuencia de operaciones de ILWIS. Por medio de los scripts se puede automatizar un análisis.

©

X. Bakker

6



Objetos de anotación

Los objetos de anotaciones son aquellos que contribuyen a los objetos de datos para con cartografía. La mayoría de estos objetos no pueden ser desplegados en el catálogo y son u integral de una “vista de mapas”. Capa de textos

Norte

Título

Grilla

Leyenda

Graticule

Caja

Bitmap

Escala

1.3 Dominios

Los dominios son como el centro de un conjunto de información. Ellos contienen todos los que pueden ocurrir en un mapa, tabla o columna. Existen tres principales tipos de domin Dominio tipo clase

El dominio clase (“class” ) se utiliza para mapas donde una unidad puede existir en varias p mapa, y aunque esta unidad existe en varias partes, las características de estas unidad mismas. Un mapa de unidades de cobertura es un ejemplo de un mapa con dominio tipo

Dentro de este tipo de dominio existe una variación que se llama “class group ”. Se utiliza par donde rangos de valores se asignan el mismo significativo. Cuando a partir de un modelo elevación (mapa con valores que representan la altura en cada pixel) se genera un mapa climatológicos, se aplica el dominio “class group ”; 0-1000 msnm corresponde a cálido, 1000 msnm a clima templado, 2000-3000 msnm a clima frío y superior a 3000 a páramo y subDominio tipo Identificador

El dominio identificador se utiliza para identificar elementos que son únicos en un mapa. con estaciones pluviométricas es un mapa de tipo identificador, puesto que la informac almacena una estación pluviométrica es única. Dominio tipo valor

El dominio tipo valor se utiliza obviamente para mapas y columnas con valores. Este tipo d se subdivide en muchos tipos de dominio valor. Un dominio valor se define por su rango d y precisión. Count Distance

©

X. Bakker

Conteo de elementos: valores de 0 hasta 999'999.999 con precisión 1 Para cálculo de distancias: valores de 0 hasta 1.000'000.000 con precisión 0.1

7



M in1to1 Perc Value

Usado para cálculos con resultado en el rango de -1 hasta 1 como el índic vegetación verde: valores de -1 hasta 1 con precisión 0.0 (la precisión no tiene l Para representar porcentajes: valores de 0 hasta 100 con precisión 0.0 (la prec tiene límite). Valores por defecto de -9999999.99 hasta 9999999.99, precisión 0.01, el usuario pue adaptar el rango y la precisión según sus necesidades.

Dominio tipo valor usados para productos de la percepción remota Para imágenes satelitales con rango de valores de o hasta Image

Noaa Radar

255: valores de 0 has

con precisión 1 Para imágenes del satélite NOAA: valores de 0 hasta 1023 con precisión 1 Para imágenes RADAR: valores de 0 hasta 32767 con precisión 1

Dominio tipo valor usados para operaciones lógicas

Bit Bool Yesno

Contiene valores 0 (falso) y 1 (verdadero) Contiene valores 0 (falso), 1 (verdadero) y “?” (indefinido) Contiene “Yes” (Si), “No” (No) y “?” (indefinido)

Otros dominios Usados internamente y solo en elementos binarios (filtros del sistema) Binary Para mapas raster con colores de 24-bits. Color Colorcmp Para composiciones a color de tipo estándar usando 216 colores. Para tablas no relacionadas a elementos espaciales. None Para mapas que contienen colores de paleta (8-bits, 256 colores) sin otro signifi Picture

String

de los pixeles. Únicamente para columnas que contienen textos

1.4 Dependencias

En ILWIS existen diferentes tipos de dependencias. Un mapa depende de un dominio, adem tener por medio del dominio una o más representaciones. Una tabla de atributos puede mismo dominio que un mapa y por compartir el mismo dominio estos objetos de datos pue directamente relacionados.

Otro tipo de dependencia es cuando se efectúa un análisis y se guardan en las propiedade que se aplicó para generar un nuevo mapa. Ejemplo: un análisis simplificado para dete erosión, que solamente utilice información (mapas) de precipitación, cobertura vegetal, pendientes. Normalmente se tratan los mapas de entrada como si fueran estáticos, gene resultado de análisis estático. En ILWIS, cuando un mapa utilizado como entrada para un a cambia, la dependencia del resultado con el mapa cambiado avisará al usuario que el res análisis está desactualizado y ofrece la opción de actualizarlo.

©

X. Bakker

8



1.5 Propiedades

El usuario puede tener acceso a las propiedades de los objetos por medio del menú sen contexto. Para hacerlo aparecer se debe ubicar el puntero sobre el objeto de interés y opr derecho del mouse, luego seleccionar la opción “Properties ”.

En las propiedades se puede obtener información sobre el dominio que está usando el objet Además, el número de puntos, segmentos, o polígonos para mapas vectoriales y número columnas para mapas raster. En las propiedades se puede especificar la descripción del o nos ayuda a trabajar más estructuradamente y hacer los datos mas intercambiables. 1.6 Menú sensitivo al contexto

El menú sensitivo al contexto en un menú emergente que aparece cuando el mouse está ub un objeto y se oprima el botón de la derecha del mouse. Las opciones difieran dependiendo que se está usando.

©

X. Bakker

9



2. PROCESAMIENTO DIGITAL DE IMÁGENES

Mientras el procesamiento digital se trata fundamentalmente en la intensidad radiométrica pixel, un análisis visual puede revelar información sobre textura, estructura, emplazamie disposición, los cuales muy difícilmente pueden ser definidos en términos digitales.

Por ejemplo, algunos cultivos irrigados suelen ofrecer una respuesta espectral muy parecida parques urbanos. Sin embargo, su significado temático es claramente distinto. Digitalmen distinción es muy compleja, ya que los valores numéricos de ambas cubiertas son muy similar medio de la incorporación de un criterio visual, se puede separar ambas cubiertas.

El tono hace referencia a la intensidad de energía recibida por el sensor para una determinad del espectro. Los pixeles con tonos oscuros indican aquellas áreas sobre las que el sensor dete señal baja, mientras las zonas claras son testigo de altos valores de radiancia. En otros pala tono se relaciona estrechamente con el comportamiento espectral de las distintas cubiertas, banda particular del espectro sobre la que se trabaja. Por ejemplo, la vegetación tiende a ofrecer tonos oscuros en las bandas visibles y muy claros en el infrarrojo cercano, mientras el agua ofrece valores oscuros en ambas y la nieve presenta un tono blanco relativamente uniforme. Se pueden seleccionar las bandas más aptas para reconocer determinados rasgos de interés: modelos de drenaje y morfología (infrarrojo cercano), zonas urbanas (verde y rojo visible), turbidez en el agua (azul), delimitación tierra/agua (infrarrojo cercano) y vegetación (rojo e infrarrojo cercano).

El ojo humano es más sensible a las variaciones cromáticas que a la intensidad luminosa. Es fá comprender que el color es un factor indispensable para la interpretación visual de imágenes que la mezcla de varias bandas del espectro resulta en un aumento de información. En el cap VISUALIZACIÓN DE INFORMACIÓN MULTIBANDA se e x plica más sobre los colores y las composiciones a color.

©

X. Bakker - 2001

10

Importación


ILWIS utiliza el dominio image para las imágenes de satélite y fotografías escaneadas en esca grises. Las bandas de SPOT pancromática y multiespectral tanto como las de LANDSAT utiliza rango de valores de 0 hasta 255. Imágenes meteorológicas como NOAA utilizan un rango reducido (0-63).

2.1 Importación de imágenes de satélite

En este ejercicio se importará una imagen de satélite SPOT multiespectral y una imagen de s SPOT pancromática. Las imágenes de satélite SPOT multiespectral vienen en un formato llam “band interleaved”, lo cual significa que las 3 ó 4 bandas están en un archivo donde primero s escribe la primera linea de todas las bandas, luego la segunda, etc.

ILWIS 2.2 todavía no viene con un formato de importación que detecta el formato SPOT, po tanto se deben utilizar el formato “ General raster data”, lo cual también se utiliza para las imágene de LANDSAT, RADAR y otros. Puesto que este tipo de importación se pueden utilizar para var formatos que no son lo mismo, se tiene que indicar algunos parámetros que definen como im la información.

Las imágenes de SPOT vienen con una página donde están especificados los parámetros qu necesitan para la importación de las imágenes:

1)

Muestra la información sobre el modo espectral y el número de bandas: 1 para el modo pancromático (P) y 3 ó 4 para el modo multiespectral (XS).

2) Muestra información sobre el número de filas

1

que tiene la imagen, el número de columnas con información y en cual columna comienza la información (siempre 33).

2

3) Muestra la información de las coordenadas

geográficas en relación con los pixeles de esquina.

4) Muestra el número de columnas que se debe

utilizar para la importación:

3 4

©

X. Bakker - 2001

Para imágenes pancromáticas: 8640 Para imágenes multiespectrales: 5400 ( En nivel de pre-procesamiento 1B)

11

Importación


Existen varias maneras de accesar el programa de importación: Seleccionando del menu “File ”, luego “Import”. Escribiendo en la línea de comando la palabra “ import”, luego presionando Seleccionando del listado de operaciones la opción “import”

ILWIS permite importar la información directamente desde el CD-ROM sin la necesidad de co la información primero al disco duro. En caso que el CD-ROM contenga varias imágenes el C ROM tendrá varios directorios: \SCENE01 \SCENE02 ... \SCENEnn nn representa el número de imágenes en el CD-ROM.

Dentro de estos directorios vienen varios archivos. Siempre habrá que utilizar el archivo denom “IMAG_nn.DAT” (donde nn se debe reemplazar por el número adecuado). El CD-ROM usado dentro del curso contiene dos imágenes de SPOT originales: SCENE01 SCENE02

Imagen multiespectral de tres bandas tomada sobre Francia con el satéli SPOT-4, de marzo de 1998. Imagen pancromática tomada sobre Francia con el satélite SPOT-4, de marz de 1998.

Entre al programa de importación, seleccione el drive del CD-ROM, el directorio “CPDI1 ” y su subdirectorio “SCENE01 ". Seleccione del listado con los formatos de importación, el formato “ General raster data ”. Luego, seleccione el archivo “imag_01.dat”, y cambie el nombre de salida a “xs”. En la siguiente ventana (ver gráfico a la derecha) cambie el número de bandas a 3, número de columnas a 5400 y asegure que la estructura del archivo (“File Structure ”) está en “Band Interleaved” y oprima el botón “OK”.

Especificaciones en caso de importar una imagen SPOT XS, con 3 bandas.

©

X. Bakker - 2001

12

Importación


Observe que en el catálogo de la ventana principal de ILWIS aparecen los siguientes element - los mapas raster correspondiente a las tres bandas (“ xs1", “xs2" y “xs3") - un listado de mapas con el nombre “ xs” Importe ahora la imagen pancromática: Seleccione del listado de operaciones la opción “import”. Seleccione el drive del CDROM, el directorio “CPDI1 ” y su subdirectorio “SCENE02 ". Seleccione del listado con los formatos de importación, el formato “General raster data ”. Luego, seleccione el archivo “imag_02.dat”, y cambie el nombre de salida a “ p”. En la siguiente ventana (ver gráfico a la derecha) cambie el número de columnas a 8640 y oprima el botón “OK ”.

Especificaciones en caso de importar una imagen SPOT P. Observe que en el catálogo de la ventana principal de ILWIS aparece el mapa raster “p”.

En caso de importar una imagen de satélite multiespectral se genera un listado de mapas. I asume que el orden de las bandas es secuencial comenzando con el 1. En caso que se ha espec el nombre “xs” en la caja de nombre salida (Output Name), se generarán los mapas raster “xs1 y “xs3" (para 3 bandas).

Desafortunadamente el orden de las bandas en que viene las imágenes multiespectrales no e 3 pero 3, 1 y 2. Además, puesto que se importa la imagen con más columnas de las que tie información, se tendrán que cortar las imágenes por la parte útil.

©

X. Bakker - 2001

13

Importación


El gráfico abajo indica en color gris la parte de la imagen sin información (aparece en color n tiene valor 0). La parte blanco contiene la información satelital.

Mas adelante cortaremos la información útil y renombraremos las bandas. Primero reconocem información importada.

©

X. Bakker - 2001

14

Importación


3. VISUALIZACIÓN DE BANDAS

En este capítulo se aprenderá a desplegar las bandas de la imagen multiespectral y la im pancromática importadas en el ejercicio anterior.

3.1 Despliegue de imágenes de satélite

Normalmente se despliega una banda de una imagen en escala de grises. De ésta manera, as el color negro donde no hay respuesta espectral y asignando colores más claros (hasta blanco las áreas con una mayor respuesta espectral.

Una banda con información obtenida del infrarroja cercana, contiene información sobre la cob vegetal de la superficie. Con escala de grises, las partes con más densa vegetación aparecerá claro hacia blanco y partes sin cobertura vegetal, serán reflejadas mediante tonalidades muy

En este ejercicio desplegaremos las 3 bandas de la imagen multiespectral separadamente y l banda pancromática de la misma área. Haga doble clic sobre el mapa raster “xs1”, en la caja del diálogo. Asegúrase que se está utilizando la representación “ grey” para el despliegue, acepte los valores dados por defecto (esto puede demorar un poco, puesto que la primera vez que se despliegue una banda el sistema tiene que calcular el histograma). Despliegue simultáneamente las otras dos bandas y compare las diferencias.

Hay dos imágenes que son muy similares en su aparencia. Anote abajo cuales son las bandas imagen multiespectral similares y explique por que:

La banda ...... que se encuentre en el mapa raster llamado ............ es similar a la banda ..... conte en el mapa raster llamado .............. por la siguiente razón:

Haga doble clic sobre el mapa raster “p”, en la caja del dialogo. Asegúrase que se está utilizando la representación “ grey” para el despliegue, acepte los valores dados por defecto.

La imagen pancromática no se parece a la banda 3 de la imagen multiespectral, pero sí a las 1 y 2, por lo tanto se puede concluir que la imagen pancromática fue tomada en la parte ........ del espectro electromagnético. No cierre las ventanas de las imágenes y continúe con el ejercicio 2.2.

©

X. Bakker - 2001

15

Visualización de bandas


3.2 Acercar a y alejar de la imágenes

ILWIS permite hacer acercamientos en la imagen por medio de los botones correspondientes que tomar en cuenta que las imágenes tienen un nivel de detalle: las bandas de la im multiespectral tienen resolución espacial de 20 metros por pixel, y la imagen pancromática tie resolución espacial de 10 metros por pixel. En caso de que se acerque demasiado se verá la de de los pixeles. En la ventana del mapa raster con el nombre “xs1" oprima el botón . Note que el cursor del mouse se cambia. Ubique el mouse en el centro de la ventana del mapa raster y oprima con el botón izquierdo del mouse. Se acerca a la imagen con un factor 2. La ventana queda con el mismo tamaño. De la misma manera se puede generar un rectángulo con esta función de la parte de la imagen que le interese. Acérquese hasta observar la definición de los pixeles. se puede alejar (“zoom out”) de la imagen. Aplique este Por medio del botón botón hasta obtener el factor con que se despliega el mapa por defecto.

Haga acercamientos en una banda de la imagen multiespectral y en la imagen pancromát compare la resolución espacial.

3.3 Utilización de las barras de desplazamientos

La mayoría de los Sistemas de Información Geográfica poseen la posibilidad de desplazarse información desplegada. Esto normalmente se llame “pan”. ILWIS, con el fin de brindar esta fu hace uso de sus barras de desplazamiento. En la ventana de alguno de los mapas raster desplegados (y ampliados) oprima con el botón izquierdo sobre la barra de desplazamiento, según la explicación a continuación.

1 2 3

Al oprimir este parte el despliegue se desplazará un pixel a la izquierda. Al arrastrar este botón se puede desplazar tanto hacia la derecha como hacia la izquie Al oprimir esta parte de la barra se desplaza 75% de despliegue hacia la derecha.

Obviamente esta explicación también se aplica a la barra de desplazamiento vertical.

©

X. Bakker - 2001

16



3.4 Despliegue de la imagen entera

En muchos casos es deseable volver al despliegue por defecto (imagen entera) de las bandas este fin existe el siguiente procedimiento. En la ventana de alguna de las bandas ampliadas oprime el botón . Observe como se vuelve al despliegue original de la banda.

3.5 Generar un sub mapa de la información útil

Como fue explicado en el primer capítulo, las bandas de la imagen multiespectral no tienen el no que les corresponde. En este ejercicio renombramos las bandas y cortamos las imágenes por l útil en la misma operación. El programa que permite esto se llama “ SubRas”.

Existen varias maneras de accesar el programa de creación de un sub-mapa en formato raste Seleccionando del listado de operaciones la opción “SubRas” Escribiendo en la línea de comando la palabra “ subras”, luego presionando Ubicar el mouse sobre el mapa raster de interés, oprimir el botón derecho del mouse, seleccionar “Raster Operations” y luego la opción “Sub Map”.

Auque la última opción parece ser más larga que las demás, esta opción tiene la ventaja que ventana del dialogo que sigue el mapa de interés ya está seleccionado como mapa de entrada

El programa “SubRas” necesita unos datos de entrada, para saber por donde está definida el á útil. Esta área no es siempre la misma en cada imagen, puesto que debido a un ángulo de incid mayor a 0 al momento de la toma, se registran más columnas de las 3000 que corresponden toma vertical (ángulo de incidencia = 0). El programa requiere la siguiente información: prime donde comienza la información, primera columna, número de filas y número de columnas. Ad habrá que especificar el nombre del mapa de salida. De esta manera se puede copiar la part asignar el nombre que debe tener. Despliegue el mapa raster “ xs1 " (la banda 3). Amplíe la ventana superior izquierda para determinar en que fila comienza la información útil. Note que en la parte inferior izquierda de la ventana se indica la fila y columna donde está ubicado el mouse. Anote los datos en la tabla a continuación. Asimismo, anote en la siguiente tabla la primera columna, y calcule tanto el número de filas como el número de columnas. Repita el proceso para el mapa raster “ p”.

©

X. Bakker - 2001

17



Información multiespectral

Información pancromática

Primera Fila Primera Columna Número de Filas Número de Columnas Entre al programa “SubRas” y cree los siguientes sub-mapas especificando los datos de filas y columnas de la tabla anterior (prenda la opción “ Show” en la caja del dialogo): Sub-mapa Sub-mapa Sub-mapa Sub-mapa

“x3" desde el mapa “xs1" “x1" desde el mapa “xs2" “x2" desde el mapa “xs3" “pan" desde el mapa “p"

Muestre los resultados al profesor. Ahora se pueden romper los enlaces de dependencia y borrar las bandas originales.

©

X. Bakker - 2001

18



3.6 Pixeles y números digitales

En este ejercicio se comienza a trabajar sobre los datos de la Sabana de Bogotá. Cambie subdirectorio “curso” del directorio “CPDI". En este directorio se encuentran los siguientes objetos de datos:

Mapas raster “x1", “x2" y “x3" correspondientes a una ventana de las bandas 1, 2 y 3 respectivamente de la imagen multiespectral tomada sobre la Sabana de Bogotá. Mapa de polígonos “xcab2 ", correspondiente al mapa de cabeceras municipales Mapa de polígonos “xlag", correspondiente al mapa de lagunas Mapa de segmentos “xdren”, correspondiente al mapa de ríos principales Mapa de segmentos “xvias”, correspondiente al mapa de vías principales Vista de mapas “ xgeoref”, vista con los layers necesarios para la georeferenciación

El sensor detecta la radiancia media de una parcela de terreno equivalente al tamaño del pixel, visual más pequeña que aparece en la imagen. Este valor se traduce por el sensor en un numérico, a partir del cual se realiza el tratamiento digital de imágenes. En consecuencia, ca contiene la traducción de la radiación recibida por el sensor de una determinada banda del es Este valor se denomina “Nivel Digital” o “Número Digital” (ND) y puede ser desplegado en e de grises (intensidad luminosa) [2].

En este ejercicio anotarán que respuesta espectral tienen las diferentes bandas de la im multiespectral. Despliegue las bandas 1, 2 y 3. Cuando se ubique sobre un elemento en el mapa raster, se puede oprimir el botón a la izquierda del mouse y esto tendrá como resultado el despliegue del “número digital” (ND) para el pixel donde está ubicado el mouse. De esta manera llene la siguiente tabla con los rangos de ND para cada cobertura:

Cobertura

Banda 1 - XS

Bosque Páramo Cuerpos de agua Construcciones Zonas Cultivadas

Banda 2 - XS

Banda 3 - XS

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

Existen elementos que no son incluidos en estas clases: por ejemplo, en medio de los cultivos e viveros que dan una respuesta muy elevada debido al material de los techos (vidrio y/o plást

©

X. Bakker - 2001

19



4. MEJORAMIENTO DE LAS IMÁGENES

El rango máximo de ND debe aplicarse a las diferentes coberturas que puede detectar el senso las de muy baja reflectividad de los cuerpos de agua hasta las de muy alta reflectividad de de o nevados. Puesto que es difícil encontrar en una escena tal variedad de coberturas, una im normalmente no utiliza el rango completo de ND permitido.

Los procesos de ajuste del contraste tienden a adaptar la resolución radiométrica de la imag capacidad del monitor de visualización. En caso que el sensor ofrezca un menor número de N el monitor puede procesar, se puede aplicar una expansión del contraste original. Cuando el presenta un número de ND que excede la capacidad del sistema se debe aplicar una reducció en día los computadores ya no constituyen una limitación.

Aparte del mejoramiento de contraste, que se aplica globalmente, existe el mejoramiento espac influye en el contraste local entre diferentes elementos en la imagen.

4.1 Mejoramiento del contraste

En el capítulo anterior desplegamos varias imágenes. Quizás usted notó que en la caja del d para especificar las opciones del despliegue por defecto se aplica la opción “ stretch”. Al quit opción de “stretch” la imagen se despliega asignando negro cuando el ND es 0 y blanco cuand ND es 255. A los ND intermedios se asignan escalas de gris. Puesto que los ND en una ima normalmente están concentrados en un rango limitado de los valores 0 hasta 255, el resulta se despliega tiende a tener poco contraste. Despliegue la banda 3 y en la caja del dialogo apague la opción “ stretch” y oprima “OK”. Observe el resultado. Entre al menú de “ Layers”, “Display Options” y “1 map x1". En la caja del dialogo prenda la opción “ stretch”. Note como el contraste de la banda se ha incrementado.

En el siguiente ejercicio se calcularán los histogramas de las imágenes y luego se aplicarán expansión lineal para el despliegue adecuado de la información.

4.1.1 Cálculo del histograma

Un histograma es una tabla que para cada ND contiene información sobre la cantidad de pixe este valor. Con base en el histograma se pueden determinar los rangos de expansión par despliegue y/o tratamiento digital. Seleccione la banda 1 “x1", oprima el botón derecho del mouse y en el menú sensitivo al contexto seleccione la opción “Statistics” y luego “Histogram”. En la caja del dialogo oprima el botón “OK”.

©

X. Bakker - 2001

20

Mejoramiento de las imágenes


Se calculará el histograma de la banda 1. Se presentará una tabla con las siguientes column

dominio image

npix npixpct pctnotzero npixcum npcumpct

La primera Número de Número de Número de Número de Número de

columna no tiene nombre, puesto que es el dominio (image) pixeles por valor especificado en el dominio pixeles por valor del dominio en porcentaje del total de pixeles pixeles en porcentaje del total, excluyendo el valor 0 pixeles acumulativo pixeles acumulativo en porcentaje del total de pixeles.

Normalmente la opción “stretch” excluye el primer y el último 1 porciento del histograma. Es dec cuando miramos en la columna “ npcumpct” donde tiene un valor cerca a 1 y cerca a 99, podemo concluir que se está usando el rango 56 hasta 175. Verifique si este rango corresponde al ran aparece por defecto al prender la opción “ stretch” en la caja del dialogo.

Establezca los valores mínimos y máximos para la exclusión del 2, 5 y 10% y llene la siguiente t BANDA 1

Porcentaje

Valor mínimo

Valor máximo

2% 5% 10% Luego aplique estos valores en el despliegue. Repita el proceso para las bandas 2 y 3: BANDA 2

Porcentaje

Valor mínimo

Valor máximo

Valor mínimo

Valor máximo

2% 5% 10% BANDA 3

Porcentaje

2% 5% 10%

©

X. Bakker - 2001

21



4.1.2 Expansión lineal

La relación entre el nivel de visualización (NV) o la intensidad y el ND original puede ser expre por medio de la siguiente fórmula:

N V = s + g* N D

donde “s” es el sesgo y “g” representa la ganancia. Al utilizar los valores ND min y ND max y asign mínimo la intensidad 0 (negro) y al máximo la intensidad 255 (blanco) se pueden determina variables “s” y “g”[2]: 255

g=

y

s

=

N Dm a x − N Dm i n

−2

5 5 * N Dm i n

N Dm a x − N Dm i n

Normalmente no se utilizan los valores mínimos y máximos de la imagen. ILWIS utiliza por defecto un rango que excluye “1%”, es decir el 0% hasta 1% y 99% hasta 100% serán excluidas e determinación de los valores de expansión.

©

Imagen original

Imagen mejorada

Histograma original

Histograma mejorada

X. Bakker - 2001

22



La expansión lineal se puede aplicar durante el despliegue, mediante la opción “ stretch” (la cual prendida por defecto), pero también se puede generar un nuevo mapa raster en donde se regis valores resultados de la expansión. Esto se hace por medio del programa “stretch”. Existen varias maneras de accesar el programa de expansión lineal: Seleccionando del listado de operaciones la opción “ stretch” Escribiendo en la línea de comando la palabra “stretch”, luego presionando Ubicando el mouse sobre el mapa raster de interés, luego oprimir el botón derecho del mouse, seleccionar “Image Processing” y luego la opción “Stretch”.

En este ejercicio creamos las tres bandas mejoradas aplicando la expansión lineal de exclusión del histograma: Seleccione la banda 1 “x1", oprime el botón derecho del mouse y en el menú sensitivo al contexto seleccione la opción “Image Processing” y luego “Stretch ”. El método de expansión lineal (“Linear Stretching”) está seleccionado por defecto. La opción “Stretch From” está configurada para el uso de porcentajes y el valor del porcentaje para excluir es 1. Escriba como nombre de salida “x1str”, prenda la opción “Show” y oprima el botón “OK”.

Repite el proceso para las bandas 2 y 3.

4.1.3 Comparación de la imagen original con la imagen mejorada

En este ejercicio desplegaremos las tres bandas con y sin expansión lineal con el fin de eva efecto del proceso de mejoramiento. Despliegue la banda 1 “x1" y apague la opción “stretch”. Luego despliegue la banda 1 mejorada “x1str” y compare las diferencias.

Repita el proceso para las bandas 2 y 3. Para cual banda es menos notorio el efecto del mejoramiento: Explique por que:

©

X. Bakker - 2001

23



4.1.4 Ecualización del histograma

La expansión lineal del contraste no tiene en cuenta las características del histograma de la i sino sólo sus extremos. Puede idearse una técnica de realce más depurada, en donde se cons forma de la distribución de frecuencias en los ND originales. Según este criterio, la intensidad ND está en proporción no sólo a su valor, sino también a su frecuencia. Aquellos ND con m número de pixeles serán los que proporcionalmente, ocupen un mayor número de nivele visualización [2].

Teóricamente el histograma mejorado trata de describir una linea horizontal, donde cada ni visualización (NV) tiene un igual número de pixeles asignado. Sin embargo, en la práctica sie habrán ND que tienen una mayor cantidad de pixeles y por lo tanto no pueden ser divididos. el ejemplo abajo, donde existen elementos (p.ej. las construcciones en tonos claros) que tend número de pixeles mayor al promedio que teóricamente se asigna a cada intensidad de gris.

Imagen original

Imagen mejorada

Histograma original

Histograma mejorada

En el siguiente ejercicio creamos tres nuevos mapas raster (“ x1ecua ”, “x2ecua” y “x3ecua”) por medio de ecualización del histograma de las bandas originales. Entre al programa “Stretch”. Seleccione el método de ecualización del histograma (“Histogram Equalization”) y deje los 256 intervalos. Note que por defecto la opción “Stretch From” está configurada para el uso de porcentajes y el valor del porcentaje para excluir es 0. Escriba como nombre de salida “x1ecua ”, prenda la opción “Show” y oprima el botón “OK”.

©

X. Bakker - 2001

24



Repita el proceso para las bandas 2 y 3, creando los mapas raster “ x2ecua” y “x3ecua” respectivamente.

Explique por que el valor por defecto del porcentaje es 0% para ecualización del histograma y 1% para expansión lineal:

Despliegue gráficos de los histogramas de los mapas “ x1", “x1str” y “x1ecua” simultáneamente y compare los resultados.

4.2 Mejoramiento espacial

Los mejoramientos visto hasta el momento son “mejoramientos globales”, es decir se aplican cada pixel en la misma forma y no se altera por diferencias con los valores de los pixeles vecin por el valor que tenga el mismo pixel. En esta nueva sección se trata de mejoramientos espa donde la relación de un pixel con sus vecinos es substancial. El mejoramiento espacial se ha medio de filtros. Un filtro se aplica en el procesamiento digital de imágenes para aislar compo de interés. Los filtros aplicados sobre la imagen pretenden suavizar o reforzar los contr espaciales presentes en los ND que la componen. En otras palabras, se trata de transformar l originales, de tal forma que se parezcan o diferencien más los de correspondientes a pixeles ve [2].

4.2.1 Filtros de paso bajo

Los filtros de paso bajo tienen por objetivo suavizar los contrastes espaciales presentes en la En pocas palabras, se trata de asemejar el ND de cada pixel al de los pixeles vecinos, reducie variabilidad espacial de la escena. El resultado saldrá menos nítido y más difuminado [2]. Se a por ejemplo para reducir el efecto “ Speckle” en imágenes RADAR. Existen varias maneras de accesar el programa para filtrar una imagen: Seleccionando del listado de operaciones la opción “ Filter” Escribiendo en la línea de comando la palabra “Filter”, luego presionando Ubicar el mouse sobre el mapa raster de interés, oprimir el botón derecha del mouse, seleccionar “Image Processing” y luego la opción “Filter”.

En el siguiente ejercicio se aplica un filtro de paso bajo a la banda 1. Entre al programa “Filter”. El tipo de filtro por defecto es “Linear”. Seleccione el nombre del filtro “avg3x3 " en la opción “Filter Name”. Escriba como nombre de salida “x1avg”, prenda la opción “Show” y oprima el botón “OK”.

Despliegue la banda 1 original y haga unas ampliaciones de la vía que pasa por el norte del E de Tominé tanto de la banda original como de la banda 1 filtrada. Observe las diferencias.

©

X. Bakker - 2001

25



4.2.2 Filtros de paso alto

Este tipo de filtro pretende aislar los componentes de alta frecuencia en una imagen. En té espaciales, esto supone remarcar digitalmente los contrastes espaciales entre pixeles ve enfatizando los rasgos lineales presentes en la imagen, como carreteras, parcelas o accid geológicos. En definitiva, se intenta reforzar los contornos entre áreas homogéneas, evidenc cualquier discontinuidad [2]. En el siguiente ejercicio se aplica el filtro de paso alto (“ Edge Enhancement”) a la banda 1. Entre al programa “Filter”. El tipo de filtro por defecto es “Linear”. Seleccione el nombre del filtro “edgesenh" en la opción “Filter Name”. Escriba como nombre de salida “x1edge”, prenda la opción “Show” y oprima el botón “OK”.

Despliegue la misma ventana para el mapa raster “ x1edge ” y compare con la banda 1 original mapa “x1avg”. Observe las diferencias.

El mapa “x1edge ” tiene errores en las partes donde todos los vecinos tiene un ND cerca al máx (partes que aparecen en blanco, resultan con puntos negros adentro). Consulte al profeso corregirlo.

4.2.3 Explicación adicional sobre el funcionamiento de filtros

En el punto 3.2.1 aplicamos un filtro de paso bajo. Abajo aparece el contenido de la matriz conforma el filtro llamado “ avg3x3 ":

1

1

1

1

1

1

1

1

1

Gain: 0.11111

Offset: 0

Un filtro utiliza los valores de los vecinos para escribir el resultado en el pixel central. La form la siguiente:

Pixelcentral

©

X. Bakker - 2001

vecinos1 M

n1

ValordelmapaValordelfiltro n nGain Offset

26



Abajo se muestra el proceso de aplicar el filtro “ avg3x3 ":

2

8

4

1

1

1

6

7

3

1

1

1

4

5

6

1

1

1

Mapa entrada

Pixelcentral

5

^

Filtro

Mapa Salida

2 1 8 1 4 1 6 1 7 1 3 1 4 1 5 1 6 1

0.11111 0

El Gain (0. 11111 ) 1/9, así que se hace un promedio de los vecinos (incluyendo el valor central) se escribe el resultado en el mapa de salida en el pixel central. En esta forma se va moviendo e sobre el mapa entero para escribir el mapa de salida.

Abajo se pretende aplicar el filtro “edgesenh” a un mapa de 3 por 3 pixeles, calcule los valores de mapa de salida: 2

8

4

-1

-1

-1

6

7

3

-1

16

-1

4

5

6

-1

-1

-1

Mapa entrada

^

Filtro

Mapa Salida

Gain: 0.125 y Offset: 0 Como es obvio este filtro ampliará las diferencias que tiene el pixel central con sus vecinos.

©

X. Bakker - 2001

27



ILWIS ofrece una gran escala de filtros, incluyendo la posibilidad que el usuario defina sus pro filtros. Qué hace el siguiente filtro: 2

8

4

0

0

0

6

7

3

0

2

0

4

5

6

0

0

0

Mapa de Entrada

N ota:

©

Filtro Gain: 0.5 y Offset: 0

Mapa de Salida

Es importante entender que no se deben usar filtros cuando el objetivo e clasificación multiespectral de la imagen. Esto es debido a que los filtros cambi ND que están directamente ligados a la cobertura de la superficie de la tierra. Cu se cambian estos valores, se puede perder la relación con la superficie de la tierr están representando.

X. Bakker - 2001

28



5. VISUALIZACIÓN DE INFORMACIÓN MULTIBANDA

La información multiespectral archivada en bandas separadas pueden ser combinada en un composición a color. Existen muchas posibles combinaciones que se pueden efectuar por med éste proceso. Información espectral de diferentes bandas se combinan asignando cada b individual a uno de los colores principales: ROJO, VERDE y AZUL. Observe el siguiente gráfico donde se esta efectuando una composición a color:

A la izquierda está desplegada la información en escala de grises de tres diferentes bandas centro se asigna uno de los tres colores principales a las diferentes bandas y luego a la dere el resultado de la composición a color.

Una combinación específica de bandas utilizada para crear una composición a color se l composición a falso color (FCC, False Color Composite). En una FCC el color rojo se asigna a la banda con la información del terreno obtenida del espectro infrarrojo cercano, el color verde s a la información obtenida del espectro rojo visible y el color azul se asigna a la información obt del espectro verde visible. Para las imágenes multiespectrales de SPOT la banda 3 se despli color rojo, la banda 2 en color verde y la banda 1 en color azul. Este combinación RGB (rojo v azul) se llama RGB 321. En la composición que resulta se puede observar la vegetación en tono rojo, el agua en azul y suelos desnudos se destacan en tonos de café y gris.

Algunas composiciones pueden dar un resultado similar como nosotros percibimos la cober vegetación en verde, cuerpos de agua en azul y suelos (desnudos) en un café claro. Estos tip composiciones se llaman composiciones pseudo naturales.

©

X. Bakker - 2001

29

Visualización de información multibanda


La razón por la cual se están utilizando más frecuente las composiciones a falso color qu composiciones pseudo naturales, es que las diferentes coberturas se destacan mejor e composiciones a falso color.

Las composiciones no solamente se pueden realizar con información multiespectral (informac diferentes rangos del espectro tomadas en el mismo momento), sino también con informa multitemporal. En el procesamiento de imágenes RADAR normalmente se aplica las composic multitemporales puesto que RADAR provee únicamente 1 sola banda. En caso de que un elem no se ha cambiado en el transcurso del tiempo, este elemento resulta en tonos de gris, puesto intensidad de los colores principales es la misma. Donde se visualizan colores distintos a ton gris, indica que se ha cambiado la cobertura.

Composición multitemporal con imágenes ERS del año 1992: 22 de diciembre desplegado en 4 de agosto en verde y 26 de mayo en azul [1]. Las zonas en tonos de gris no han sufrido cam partes en diferentes colores indican incremento o disminución de la respuesta espectral.

Dentro de las composiciones multiespectrales también se incluyen las que se generan con b bandas, las cuales son el resultado de un análisis. La utilización de componentes principales ejemplo y la combinación de bandas provenientes de diferentes sensores ( sinergismo) como SP pancromática (resolución 10m) con SPOT multiespectral (resolución 20m) es otro.

5.1 Composición a color

En ILWIS 2 las composiciones a color son generadas en el disco duro y presentadas en la pan En la versión 2.2 de ILWIS la nueva posibilidad de generar la composición a color en pantal incorporada para ajustar los rangos de estiramiento de cada banda hasta obtener el resultado sin la necesidad de ocupar espacio en el disco duro de productos intermedios.

©

X. Bakker - 2001

30



Cada banda se asigna a un color principal. La figura abajo muestra el cubo de colores con los principales del sistema aditivo (rojo, verde y azul) y del sistema substractivo (amarillo, mage cyan).

Verde

Amarillo

Cyan

Blanco

Negro

Rojo

Azul

Magenta

La combinación de un elemento con baja intensidad en las tres bandas resulta en un color osc otro lado un elemento con alta intensidad en las tres bandas resulta en un color claro. Cada dentro del cubo representa un diferente color dependiendo de la contribución de los compon rojo, verde y azul.

En ILWIS la relación entre el valor del pixel de imágenes multibanda y el color asignado a cad se guarda en la representación. La representación guarda las valores de rojo, verde y azul. El va para cada color principal representa la intensidad, utilizando un rango de 0-255. Las tres inten combinadas definen el color. Por ejemplo, intensidad de rojo = 255, verde = 0 y azul = 0 resu un color rojo. Además, el dominio asignado a la composición a color es “ color”.

ILWIS permite la generación de tres tipos de composiciones a color: 24 bits, estándar y dinámico Para las composiciones a 24 bits y las estándar se pueden definir diferentes funciones de estiram

El método de la generación de una composición dinámica utiliza el algoritmo de Heckbert algoritmo está basado en la diferencia en los valores de los pixeles de las tres bandas de entrada pixel de las tres bandas se ubica en el cubo de colores, luego se divide el cubo en dos volúm para cada parte se calculan los puntos que están dentro y la parte con la mayor cantidad de se divide de nuevo, repitiendo el proceso hasta obtener los partes indicadas por el usuario.

Finalmente, el color asignado a cada grupo de pixeles es el centro del volumen del grupo de p generado en la subdivisión. En caso que se esté interesado en una imagen completa la o dinámica es la mejor opción. En caso que el usuario esté interesado en un rango limitado del espectro de la imagen, la mejor opción es la composición a color estándar, puesto que mediante el histogr se puede destacar mejor ciertos rangos del espectro.

©

X. Bakker - 2001

31



El método estándar subdivide los ejes del cubo de colores en 6 partes iguales. De esta manera obtiene 6x6x6 = 216 posibles colores (utilizando el formato 1 byte). Es fácil de entender que la opción dinámica como la opción estándar tiene una limitación en la cantidad de colores a utiliza para el resultado. La opción 24 bits utiliza las 256x256x256 = 16'777.216 colores, pero utiliza 4 por pixel para guardar el resultado (4 veces el tamaño de las opciones dinámica y estándar Solamente en caso de tener restricciones de espacio en el disco duro o limitaciones en la res de la pantalla se deben aplicar las opciones dinámica y estándar.

5.1.1 Composiciones a falso color

En este ejercicio se utilizarán las imágenes SPOT multiespectrales del área de estudio para g una composición a falso color. Se puede hacer una composición a color en diferentes formas: cr el mapa raster en el disco duro o combinando las bandas que están en un listado de mapas.

5.1.1.1

Composiciones a falso color, creando un mapa físico

Para crear un mapa físico (en el disco duro) de una composición a color (ya sea falso color o pseudo natural) se use el programa “MapColorComp”. Existen varias maneras de accesar el programa “ MapColorComp”: Seleccionando del listado de operaciones la opción “ Colorcomp” con el icono que se parece más al icono de un mapa raster (la primera). Escribiendo en la línea de comando la palabra “ MapColorComp”, luego presionando Seleccionado en el menú “Operations” la opción “Image Processing” y luego la opción “Color Composite”.

En el siguiente ejercicio creamos una composición a falso color de la información multiespectr Entre al programa “MapColorComp ”. En caso que la configuración del monitor es de color real 24bits o 16bits, la opción “ 24 bit” estará prendida. Normalmente se usa expansión lineal (seleccionada por defecto) y modo “RGB” (Rojo, Verde y Azul) utilizando exclusión del 1% del histograma para todas las bandas. Seleccione para la banda Roja el mapa raster “x3", para Verde el mapa “x2" y para azul el mapa “x1" . Escriba como nombre de salida “xcomp321 ”, prenda la opción “Show” y oprima el botón “OK ”.

En esta composición a falso color (la composición convencional de las tres bandas de SPOT vegetación aparece en rojo. Se observa que se distingue más fácilmente las diferentes cobertu usando una sola banda.

©

X. Bakker - 2001

32



Como fue explicado en la parte teórica de este curso, estamos utilizando, además de inform visible del espectro electromagnético, información de la parte infrarrojo del espectro, con el poder distinguir coberturas las cuales serían difícil o imposible de distinguir si hubiéramos uti únicamente información de la parte visible del espectro. Ver abajo el espectro electromagnét sus diferentes usos dependiendo de la longitud de onda:

Llene la siguiente tabla describiendo el color para cada cobertura:

Cobertura

Color

Bosque Páramo Suelos desnudos Cuerpos de agua Construcciones Zonas Cultivadas Nubes Sombras de Nubes

Usted cree que estas coberturas son separables en una clasificación multiespectral?

©

X. Bakker - 2001

33



5.1.1.2 Composiciones a falso color, usando un listado de mapas

Un listado de mapas (como se ha explicado en el curso de inducción) es un objeto de datos qu referencia a varios mapas raster con el mismo dominio. En este caso podemos hacer un lista mapas para las tres bandas originales de la información multiespectral. Existen varias maneras para crear un listado de mapas: Seleccionando del listado de operaciones la opción “New MapList”. Escribiendo en la línea de comando la palabra “create mpl”, luego presionando Seleccionado en el menú “File ” la opción “Create ” y luego la opción “Map List”.

En este ejercicio se creará un listado de mapas con el fin de desplegarlo como composición a Cree un listado de mapas con el nombre “x123 ". Seleccione del listado a la izquierda el mapa raster “x1" y oprima el botón con el signo mayor que (“ >”) para adicionarlo al listado a la derecha. Repita este proceso con las bandas 2 y 3 y oprima el botón “ OK”.

Observe que en la ventana principal de ILWIS aparece el icono del listado de mapas con el no “x123". Ahora despliegue el listado de mapas como composición a falso color. Haga doble clic sobre el icono del listado de mapas “ x123 ". Aparece una ventana del dialogo donde se debe especificar las bandas (mapas raster del listado) que se asignarán a los colores principales. Note que por defecto el primer mapa raster del listado de mapas se asigna al color azul, el segundo mapa al verde y el tercer mapa al color rojo. Los valores que aparecen al lado derecho de las bandas son los rangos que corresponden al 1% del histograma, utilizando la expansión lineal. Oprima el botón “OK ”.

La ventaja que tiene esta forma de hacer una composición a color es que se puede cambiar los de expansión lineal sin la necesidad de crear mapas físicos (en el disco duro). Con el mé convencional se crea un mapa raster en el disco duro.

5.1.2 Composiciones a color (pseudo)-natural

Con ILWIS a partir de las imágenes de SPOT multiespectral (3 o 4 bandas, con o sin informa pancromática) se pueden hacer composiciones a color pseudo-natural, generando informa pseudo-verde. Puesto que esto implica el proceso de “Sinergismo” (cálculos aritméticos comple que demoran bastante tiempo), no se ha incluido esta operación en el curso básico de procesa digital de imágenes con ILWIS para Windows.

©

X. Bakker - 2001

34



6. GEOREFERENCIAR IMÁGENES

Las imágenes de satélite se ven afectadas por distorsiones, causadas por la misma geometr sensor, rotación y curvatura de la tierra, etc. Algunos de estas distorsiones, dependiendo del n pre-procesamiento, son corregidas por SPOT Image. Otras pueden ser corregidas media corrección geométrica, previa realización de la georeferenciación.

La georeferenciación consiste en asignar coordenadas a las filas y columnas de la imagen. La corrección geométrica consiste en mover los pixeles a su ubicación corregida, es decir creando una nueva matriz, correctamente posicionada, traspasando los ND de la ima original a esa nueva matriz.

Puesto que la corrección geométrica implica el cambio de los valores ND, se recomienda apl únicamente a los resultados de la clasificación (ver capítulo 9).

6.1 Georeferenciación por medio de especificación de las coordenadas de las esquinas

En ILWIS se puede crear una georeferenciación de diferentes maneras. En caso que se recib imagen geométricamente corregida, se puede usar una sencilla georeferenciación de esquina tipo de georeferenciación únicamente se crea a partir de extensión de coordenadas (es decir Y min , X max y Y max) y el tamaño del pixel. Se asume que la imagen está orientada hacia el Norte y q todos los pixeles son cuadrados con igual tamaño.

En este ejercicio no trabajamos a partir de imágenes geométricamente corregida, pero en el c 8 necesitaremos una georeferenciación de esquinas para efectuar la corrección geométrica.

6.2 Georeferenciación por medio de puntos de control

La fase más crucial del proceso de georeferenciación es el establecimiento de puntos de contro lo tanto demanda mayor dedicación. Para asegurar que el ajuste del mapa sea correcto, se establecer un suficiente número de puntos de control, tener la precisión adecuada en los pu distribuirlos para cubrir todos los extremos de la imagen. Aunque, con 3 puntos y una transform “Affine” se puede establecer la georeferenciación, se recomienda utilizar más de 25 puntos de para una imagen SPOT. Obviamente, esto solamente es posible en áreas desarrolladas, donde construcciones y vías. Es importante que la fecha de la fuente (un mapa base análogo o un georeferenciado) está lo más cercano a la fecha de la toma, con el fin de tener más certeza ac precisión de los puntos y coincidencia del punto a usar como punto de control. Además cuand diferencias en la fecha de las fuentes, no se pueden usar elementos dinámicos (es decir que se cambiando en el tiempo); tales como ríos, límites de las cascos urbanos, etc.

©

X. Bakker - 2001

35

Georeferenciar imágenes


6.2.1 Funciones de transformación

Como se ha hablado en el párrafo anterior, existen diferentes transformaciones para estable precisión de la georeferenciación. La georeferenciación pone en relación las coordenadas de la con las del mapa estableciendo una función matemática. De esta forma, a partir de las coord columna y linea de cada pixel, se puede estimar las coordenadas X y Y de la imagen de salid Observe a continuación el listado de las transformaciones que ILWIS soporta: “Conformal” Fórmula:

Mínimo de 2 puntos de control

“Affine ” Fórmula:


“Second order bilinear” Fórmula:


“Full second order” Fórmula:


“Third order” Fórmula:

Mínimo de 1 0 puntos de control

“Projective ” Fórmula:


Columna = aX + bY + c1 Fila = bX - aY + c2

Columna = a11X + a12Y + b1 Fila = a12X + a22Y + b2

Columna = a1 + b1X + c1Y + d1XY Fila = a2 + b2X + c2Y + d2XY

Columna = a1 + b1X + c1Y + d1XY + e1X² + f1Y² Fila = a2 + b2X + c2Y + d2XY + e2X² + f2Y²

Columna = a1 + b1X + c1Y + d1XY + e1X² + f1Y² + g1 X³ + h1 X²Y + i1XY² + j Fila = a2 + b2X + c2Y + d2XY + e2X² + f2Y² + g2 X³ + h2 X²Y + i2XY² + j2 Y

Columna = (aX + bY + c) / (gX + hY +1) Fila = (dX + eY + f) / (gX + hY + 1)

©

X. Bakker - 2001

36



Por defecto la transformación “ Affine ” está seleccionada. Esta transformación necesita 3 punt control. Al ingresar más que tres puntos se puede generar una óptima triangulación y para cad de control se puede determinar su desajuste (diferencia en X y Y expresada en pixeles) con re a la triangulación. El desajuste global es calculado por medio de la desviación estándar del medio cuadrado, llamado “sigma”.

Utilizaremos para la georeferenciación una transformación de “ Full second order” y, puesto que estamos trabajando sobre una ventana de una imagen de satélite, un mínimo de 15 puntos de c

6.2.2 Puntos de control a parir de mapas análogos

Anexados a este documento se encuentran 4 hojas con ventanas de un mapa a escala 1:100.0 área de estudio. A primera vista se puede identificar elementos comunes los que hemos visto imagen también se encuentran en la cartografía análoga.

Para georeferenciar por medio de puntos de control identificados en un mapa análogo, se deb una georeferenciación de tipo “ Tiepoints” (puntos de control). Existen varias maneras para crear una georeferenciación: Seleccionando del listado de operaciones la opción “New GeoRef”. Escribiendo en la línea de comando la palabra “ create grf”, luego presionando Seleccionando en el menú “File” la opción “Create ” y luego la opción “Georeference ”.

En este ejercicio se creará una georeferenciación de puntos de control ubicados en el mapa an Puesto que es más fácil encontrar los puntos de control en la composición a color, utilizarán mapa como fondo para la georeferenciación. Cree una georeferenciación con el nombre “ pcmana ”. Seleccione la opción “GeoRef Tiepoints”. Especifique el mapa “xcomp321 " como fondo (“Background Map”) y oprima el botón “OK ”. Acepte los opciones del despliegue.

Se abre una ventana con la composición a color y otra ventana denominada “ GeoReference Editor”. Busque en el mapa análogo y en la composición los puntos que representan el mismo elem (preferiblemente intersecciones de vías). Haga ampliaciones en la ventana de la composición. O que el mouse es como un lápiz. Con el punto (izquierdo abajo) se debe indicar el elemento q utilizará como punto de control (hacer clic con el botón izquierdo del mouse). Esto hace aparec ventana llamada “Add Tie Point” donde se identifica el número de fila y columna del pixel picado. En esta ventana se tendrán que especificar las coordenadas X y Y determinadas en el mapa an

Al especificar tres coordenadas aparecen en la parte inferior de la ventana de la composici coordenadas X y Y determinados con base en la transformación “ Affine ”.

©

X. Bakker - 2001

37



Al especificar más de tres puntos la ventana “ GeoReference Editor” mostrará el sigma en la parte superior de la ventana. También para cada punto se desplegará su desviación en pixeles, tanto e como en columnas (ver las columnas “DRow” y “DCol” respectivamente). Entre en la ventana “GeoReference Editor” al menú “Edit” y luego a la opción “Transformation”. En la ventana que aparece seleccione la transformación “ Full Second Order” y oprima el botón “OK”.

Recuerde que necesitamos seleccionar al menos 15 puntos de control. Numera los puntos de c en el mapa análogo. El SIGMA puede clasificarse de la siguiente manera:

Valor 0-1 1-2 >2

Explicación

Buena georeferenciación. Sin embargo para un proceso de Sinergismo entre SPO y SPOT multiespectral se requiere un SIGMA menor a 0.5. Georeferenciación aceptable para áreas rurales, no aceptable para zonas urbana Georeferenciación aceptable para zonas difíciles de georeferenciar (Amazonas, e es aceptable para zonas rurales ni para zonas urbanas.

Consulte con el profesor como desactivar puntos de control que tienen una desviación mayo requerida con el fin de obtener un sigma apropiado.

6.3.3 Puntos de control a partir de mapas digitales

Como ya se han experimentado en el ejercicio anterior, el trabajo de extraer coordenadas de análogo es bastante dispendioso. Por lo tanto ILWIS cuenta con una forma más eficiente pa ingreso de coordenadas: a partir de mapas digitales. Cree una georeferenciación de puntos de control con el nombre “ pcmdig ” utilizando la composición a color como fondo.

Como referencia para la georeferenciación usamos la vista de mapas con el nombre “ xgeoref”. E vista contiene información de vías principales (1:25.000), drenajes principales (1:25.000), lagu cascos urbanos. Sin embargo los diferentes elementos de esta vista tienen diferentes fechas de las vías y los drenajes tienen una fuente de información de 1988, los cascos urbanos y las la fueron digitalizadas desde una imagen de satélite del 1995, la imagen multiespectral de este e fue tomada en 1994. Despliegue la vista “xgeoref” al lado de la composición a color. Cambie la transformación a “Full Second Order”.

©

X. Bakker - 2001

38



Haga acercamientos al elemento, tanto en la composición como en la vista “ xgeoref”. Pique elemento en la composición y cuando aparezca la ventana “ Add Tie Point”, pique en la vista “xgeoref” en el mismo elemento y verá que automáticamente aparecen las coordenadas en la vent

Seleccione al menos 15 puntos de control y compare tanto la precisión como el tiempo inverti la georeferenciación a partir del mapa análogo con la hecha desde el mapa digital. Cual conclusión:

Una vez establecida una georeferenciación aceptable, se debe asignar esta georeferenciación las bandas: Seleccione la banda 1 (“x1 ") y oprima el botón a la derecha del mouse, luego entre a la opción “Properties”. En la opción “Georeference ”, seleccione la georeferenciación “pcmdig”.

Repita este proceso para las bandas 2 y 3. Despliegue una banda y adicione una grilla media opción “Add Annotation”, “Grid Lines”.

Note que cuando se cambia la georeferenciación ILWIS vuelve a calcular una sola vez el histo al desplegar el mapa.

Es importante entender la precisión de la cartografía (escala) que se requiere para georef una imagen SPOT aceptablemente. Al sacar puntos de control a partir de un mapa anál puede obtener una precisión de aproximadamente 0.5 mm a la escala de trabajo. Con un escala 1:100.000, estos 0.5 mm corresponden a 50 metros en la realidad. Con una im multiespectral de 20 metros de resolución estos 50 metros corresponden a 2.5 pixeles representa un valor del sigma de 2.5! Por lo tanto para imágenes SPOT multiespectral resolución espacial de 20 metros por pixel se recomienda usar mapas con escalas entre 1 hasta 1:50.000, y para imágenes SPOT pancromáticas con resolución espacial de 10 met pixel se recomienda usar mapas con escalas entre 1:10.000 hasta 1:25.000.

©

X. Bakker - 2001

39



7. OPERACIONES MULTIBANDA

Para mejorar o extraer elementos de imágenes de satélite que no pueden ser distinguidos en u banda, se puede emplear la información de múltiples bandas para destacarlos. Este método se aplicar tanto a imágenes multiespectrales como a imágenes multitemporales.

7.1 Relaciones entre las bandas: variaciones en iluminación

Cuando un satélite registra una imagen mientras el sol no está verticalmente sobre el área de esto causa diferencias en iluminación en las partes montañosas (véase el gráfico abajo).

Aunque una cobertura puede ser la misma en ambas costados de la montaña, el sensor los registra diferentes debido a variaciones en la iluminación. Esto puede complicar el proceso de clasificación multiespectral.

Este efecto es mínimo en las imágenes multiespectrales de SPOT y puesto que tenemos como de estudio un altiplano no es muy apreciable en nuestra imagen. Sin embargo, en el siguiente ej podemos evaluar este efecto.

Para hacer cálculos con varias bandas, cada banda tiene que tener la misma georeferenciac decir, igual tamaño de pixel y ubicación). Los cálculos se pueden ingresar al programa “ MapCa pero también se puede escribir directamente en la línea de comando. Recomendamos escri directamente en la linea de comando ya que es una forma más rápida para ingresar la fórmu Escriba el la línea de comando la siguiente fórmula y oprime :

Donde: x2divx3 x2/x3

x2div3=x2/x3

Es el nombre del mapa que se va a crear Es la formula para dividir la banda 2 por la banda 3

En la caja del dialogo acepte los valores del rango y la precisión que salen por defecto. Despliegue el resultado (se calcula primero) con la representación “ pseudo” y compárelo con la composición a color. Note que los valores de interés están entre 0.3 y 0.6. Observe los valores calculados cerca de la columna 1720 y la fila 810.

©

X. Bakker - 2001

40

Operaciones multibanda


Emilio Chuvieco [2] determinó que en un estudio realizado alrededor de Madrid, el cociente la banda 4 y la banda 3 de LANDSAT TM (muy similares a las bandas 3 y 2 de SPOT) es el mis para cada cobertura sin influencia del sol o de la sombra. Sin embargo, no se puede ajustar la con este cociente, puesto que es distinto para cada cobertura. Ver tabla abajo: Banda 4 TM

Banda 3 TM

Cociente

en sombra

25

20

1.02

en sol

50

40

1.02

en sombra

33

22

1.5

en sol

66

44

1.5

Frondosas

Coníferas

Por lo tanto, para corregir la respuesta espectral registrada en las bandas, se necesita un digital de elevación y datos técnicos acerca del ángulo del sol, con el fin de determinar la re entre el aspecto de la pendiente y la intensidad de iluminación obtenida al momento de la to

7.2 Índice de vegetación de diferencia normalizado

El empleo de los cocientes para discriminar masas vegetales se deriva del peculiar comporta radiométrico de estas coberturas (véase el gráfico en la página 1). La firma espectral, caract de la vegetación sana, muestra un claro contraste entre las bandas visible, especialmente la ban (0.6 m a 0.7 m) y las comprendidas en el infrarrojo cercano m a 1.1 (0.7 m). Esto corresponde a la banda 2 de SPOT en el rojo visible y a la banda 3 de SPOT en el infrarrojo cercano. Mientr la región visible, los pigmentos de la hoja absorben la mayor parte de la luz que reciben, infrarrojo cercano estas substancias son bastantes transparentes. Por esta razón, la vegetac ofrece baja reflectividad en la banda roja del espectro y alta en el infrarrojo cercano. El contr la vegetación enferma, y sobre todo con los suelos, es bastante evidente en estas dos band puede concluir que cuanto mayor sea el contraste entre los ND de la banda infrarroja y roja, vigor vegetal presentará la cubierta observada. Bajos valores de contraste indican una vege enferma o escasa, hasta llegar a las cubiertas sin vegetación, que ofrecen un contraste muy p

El índice de vegetación de diferencia normalizado debe definirse por valores de reflectividad e bandas y no directamente a los ND que componen la imagen. Sin embargo, puesto que la obte de la masa de la vegetación sale de los objetivos de este curso, se puede aplicar la fórm directamente a los ND y así obtenemos una indicación de la masa de vegetación.

©

X. Bakker - 2001

41



La fórmula para el índice de vegetación de diferencia normalizado es la siguiente: N D V I=

B a n d aI R

−

B a n d aR

B a n d aI R

+

B a n d aR

En el siguiente ejercicio generará un índice de vegetación de diferencia normalizado. Esta f se puede ingresar de dos maneras: Escriba el la línea de comando una de las siguientes fórmulas y oprima :

o

ivdn = (x3-x2)/(x3+x2) ivdn = NDVI(x2,x3)

NDVI es una función predefinida en ILWIS, la cual necesita dos parámetros; la banda del visible (normalmente el rojo visible) x2 y la banda del infrarrojo cercano x3. El resultado es un mapa valores en el rango desde -1 hasta 1. En ILWIS existe un dominio predefinido para este rang valores el cual se seleccione por defecto al usar la función NDVI: min1to1.

Con el fin de definir una representación especial para este mapa, creemos un dominio con el “ivdn”: En la caja del dialogo “Raster map definition”, haga clic sobre el botón para crear un nuevo dominio. En la caja del dialogo “ create domain” especifique el nombre “ivdn”, seleccione el tipo de dominio valor y oprima el botón “ OK”. Especifique el valor -1 como mínimo, el valor 1 como máximo, el valor 0.01 como precisión y oprima el botón “OK”. Luego observe que el nuevo dominio está seleccionado en la caja del dialogo “Raster map definition” y oprima el botón “OK”. Haga doble clic sobre el icono del mapa “ idvn” para calcular y desplegar el mapa, utilice la representación “ pseudo” para el despliegue.

Las cuerpos de agua se despliegan con color azul (el embalse de Neusa con verde), los su desnudos y las zonas construidas con verde y la vegetación con rojo. Con el fin de obtener una separación de las diferentes coberturas, crearemos una representación (“ pericol”) con más col

baja vegetación

alta vegetación

En el catálogo de datos seleccione el dominio “ivdn”, oprima el botón derecho del mouse y seleccione del menú sensitivo al contexto la opción “Create representation ”. Especifique el nombre “ivdn” y oprima el botón “OK”. En la ventana de la representación cambiemos el número de tonalidades a 50: “Edit”, “Stretch Steps”, cambiar el valor a 50 y oprima el botón “OK” (observe que se esta utilizando más tonalidades). Haga doble clic sobre el valor 1.00, cambie el color a rojo y oprima el botón “OK”.

©

X. Bakker - 2001

42



Ahora tendremos que insertar más limites con sus correspondientes colores: Oprima la tecla “Insertar”, especifique el valor -0.75 y cree un color con intensidad rojo 150 , verde 0 y azul 150 (150,0,150). Luego inserte los siguientes límites, según la siguiente tabla:

Valor

Color (R,V,A) -0.50

(0,0,150)

-0.25

(0,150,255)

0

(0,125,0)

0.25

(0,255,100)

0.50

(255,255,0)

0.75

(175,0,0)

Vuelva a desplegar el mapa “ ivdn” y seleccione la representación “ivdn”. Determine con la ayu de la composición a falso color “ xcomp321 " el rango de valores en el índice de vegetación d diferencia normalizada para las siguientes coberturas: Cobertura

*

©

Rango IVDN

Bosque

a

Páramo

a

Suelos desnudos

a

Cuerpos de agua

a

Construcciones

a

Zonas Cultivadas (fin del ciclo)

a

Zonas Cultivadas (comienzo del ciclo)

a

Nubes*

a

Sombras de los nubes*

a

Note que ni las nubes ni las sombras de las nubes son coberturas.

X. Bakker - 2001

43



7.3 Aritméticas de imágenes

Dentro de la parte de aritméticas de imágenes se pueden incluir las operaciones anteriores ( de vegetación y relaciones entre bandas). Se trata básicamente de combinar bandas por me fórmulas generando nueva información.. De esta manera se puede generar un mapa con el pro de los ND registrados en dos o en las tres bandas: Escriba el la línea de comando la siguiente fórmula y oprima :

Prom12 = (x1+x2)/2

Asigne el dominio “image ” al mapa de salida y despliegue el resultado. Escriba el la línea de comando la siguiente fórmula y oprima :

Prom13 = (x1+x3)/2

Asigne el dominio “image ” al mapa de salida y despliegue el resultado. Escriba el la línea de comando la siguiente fórmula y oprima :

Prom123 = (x1+x2+x3)/3

Asigne el dominio “image ” al mapa de salida y despliegue el resultado. Compare las bandas origin y los mapas promedios.

Estos promedios no contribuyen en la clasificación, pero son aplicados frecuentemente cuan trabajan con imágenes de RADAR. Un cociente que si puede contribuir para separar cuerpos d de las otras coberturas es la siguiente fórmula: R a t i o=

B a n d aI R B a n d aV

Escriba el la línea de comando la siguiente formula y oprima :

Ratio = x3/x1

Acepte el dominio valor, pero cambie el rango a 0 hasta 5 con precisión 0.01.

©

X. Bakker - 2001

44



Despliegue el resultado y determine los rangos de valores para las siguientes coberturas: Cobertura

*

Rango en mapa Ratio

Bosque

a

Páramo

a

Suelos desnudos

a

Cuerpos de agua

a

Construcciones

a

Zonas Cultivadas

a

Nubes*

a


a

Noteque ni las nubes ni las sombras de las nubes son coberturas.

Determine con que rango de valores se pueden distinguir los cuerpos de agua de las de coberturas: utilizando un rango de ......... hasta ...........

Otras operaciones multibanda que no han sido incluidas en este curso básico son los compon principales, estadísticas multibanda y la creación de mosaicos a partir de múltiples imágenes.

©

X. Bakker - 2001

45



8. CLASIFICACIÓN DE LAS IMÁGENES

Para la mayor parte de los usuarios de la teledetección , la clasificación supone la fase más impo del procesamiento digital de las imágenes. Las operaciones de los capítulos anteriores están en a obtener un mapa de la cobertura. Los ND no tienen sentido en si mismos, sino en cuanto interpretables; esto es, convertibles a categorías que supongan un mejor conocimiento del ter Esta interpretación se puede hacer visualmente, o digitalmente (lo que se pretende en este Como resultado se obtiene un mapa de cobertura que define la localización y/o unas ta estadísticas que ofrecen el inventario superficial de las categorías de interés [2].

Puesto que los valores ND no están directamente relacionados a una cobertura predefinida, s habrá que hacer un trabajo de campo. Esto se puede hacer antes de la clasificación con el establecer la relación entre cobertura y respuesta espectral, o se puede hacer después d clasificación multiespectral con el fin de ajustar dicha clasificación. Es importante tomar en que un mayor número de puntos de muestreo en campo bien distribuidos sobre el área de i permite obtener una clasificación más fiel. Asimismo, cuando la fecha del trabajo de campo es cercano a la fecha (o época) de toma de la imagen, se puede establecer más fácil una relaci entre ND y cobertura.

8.1 “Density slicing” (clasificación de una sola banda)

Por medio de la clasificación de una sola banda (“ Density Slicing”) se trata de distinguir diferente elementos con base en una sola banda (o un mapa derivado de múltiples bandas). Como hemo en los ejercicios anteriores ( 3.6 Pixeles y números digitales, 7.2 Índice de vegetación de diferencia normalizado y 7.3 Aritméticas de imágenes) existen traslapos entre rangos de valores al comparar coberturas en una sola banda. Por lo tanto la clasificación de una sola banda no es una herra para generar un mapa de cobertura representativa, pero una herramienta para ayudar a coberturas que no se podían separar por medio de una clasificación multiespectral.

En el siguiente ejercicio tratamos de separar diferentes coberturas utilizando el mapa “ratio” 3 / banda 1): Entre a la opción “New Domain”, especifique el nombre “ratiocl” como nombre para el dominio, marque la opción “Group” para crear un dominio de clases agrupadas y oprima el botón “OK”. Oprima la tecla “Insertar” para insertar una nueva clase. En la caja del dialogo “Add domain item” especifique el valor 0.4 como “Upper Bound” (limite superior de la clase), “Cuerpos de agua” como “Name ” y oprima el botón “OK”. Repita este proceso para las siguientes clases:

©

X. Bakker - 2001

46

Clasificación de las imágenes


Upper Bound Name 0.6

Construcciones

1

Mezcla: Constr./Suelos/Páramo/Nubes/Sombras

1.5

Bosques

1.8

Mezcla: Bosque/Cultivos

4

Cultivos

Cierre el dominio cuando todas las clases estén definidas. Ahora se tiene que aplicar el proceso de clasificación de una sola banda: Entre a la opción “Slicing”, especifique el mapa “ratio” como mapa de entrada, “ ratiocl” como mapa de salida, seleccione el dominio “ratiocl”, prenda la opción “Show” y oprima el botón “OK ”.

Para mejorar el despliegue es necesario asignar unos colores más representativos: En la ventana del mapa “ratiocl” entre el menu “Edit”, seleccione la opción “Representation” y luego “1 map ratiocl”. Asigne los siguientes colores predefinidos:

Name

Color

Cuerpos de agua

“Blue”

Construcciones

“Red”

Mezcla: Constr./Suelos/Paramo/Nubes/Sombras

“SandyBrown”

Bosques

“ForestGreen”

Mezcla: Bosque/Cultivos

“Green”

Cultivos

“Yellow”

Usted cree que este método es fiable para generar un mapa de cobertura vegetal?

©

X. Bakker - 2001

47



8.2 Clasificación multi-espectral

La clasificación multiespectral de las imágenes es un proceso donde se relaciona un significad respuesta espectral que contienen varias bandas. Normalmente, el ND de un pixel es el result la combinación de respuestas espectrales de las coberturas que se registran dentro de un pi lo tanto el uso de imágenes con mayor resolución espacial incrementa la confiabilidad d interpretación. Asimismo, el tener más respuestas espectrales ayuda a separar las diferentes c coberturas.

Existen dos tipos de clasificación: la clasificación no-supervisada (“ cluster ”) y la clasificació supervisada

8.2.1 Clasificación no-supervisada

La clasificación no-supervisada tiene como objetivo la definición de las clases espectrales pres en la imagen. No implica ningún conocimiento del área de estudio, por lo que nuestra interv se centra más en la interpretación, que en la consecución de los resultados.

Se asume que los ND de la imagen forman una serie de agrupaciones o conglomerados ( clust más o menos nítidos según el caso. Estos grupos equivaldrían a pixeles con comportamiento es homogéneo y, por lo tanto, deberían definir clases temáticas de interés. Desafortunadamente las resultado de este proceso, no siempre representan las clases que el temático pretende separ embrago, esta herramienta constituye un gran apoyo para evaluar la separabilidad entre cla En el siguiente ejercicio efectuaremos una clasificación no-supervisada: Entre a la opción “Cluster”, especifique los tres bandas originales como bandas de entrada, deje el número de cluster en 10, especifique “clust10 " como mapa de salida, prenda la opción “Show” y oprima el botón “OK ”.

Edite la representación de este mapa y compare el resultado con el mapa “ ratiocl”. Se puede obs que los cuerpos de agua están separados en los cluster 1 ( Embalse de Tominé), cluster 3 ( Laguna d Suesca) y cluster 7 ( Embalse de Neusa). Las clases generadas no representan las clases que queremos distinguir. Se puede incrementar el número de cluster en este proceso, pero es mejor efect clasificación supervisada.

8.2.2 Clasificación supervisada

La clasificación supervisada parte de un cierto conocimiento de la zona de estudio, adquirid experiencia previa o por trabajos de campo. Esta mayor familiaridad permite al intérprete de sobre la imagen unas áreas que se consideran suficientemente representativas de las dife coberturas que componen la leyenda. Estas áreas se denominan “ campos de entrenamiento”. El término indica que tales áreas sirven para “entrenar” al computador en el reconocimiento distintas coberturas.

©

X. Bakker - 2001

48



En otras palabras, a partir de ellas el computador calcula los ND que definen cada una de las para luego extrapolar esta información al resto de los pixeles que conforman la imagen. Es imp seleccionar varios campos por cobertura con el fin de reflejar adecuadamente su variabilida zona de estudio [2].

8.2.2.1 Fase de entrenamiento

Como se explicó anteriormente la fase de entrenamiento es la parte más crítica de la clasificac caso de asignar un significativo erróneo a unos pixeles, se generarán traslapos de clases y caus resultado poco confiable. En este ejercicio empezaremos la clasificación supervisada: Entre a la opción “New SmplSet”, especifique el nombre “cobert” como “Sample Set Name ”, como listado de mapas cree uno nuevo con el nombre “x321geo" ya que el listado “x321 " fue creado cuando las bandas todavía no tenían una georeferenciación. Oprima el botón para crear el dominio que utilizaremos para clasificar las coberturas. Asigne el nombre “cobert” al dominio y adicione las siguientes clases:

Bosque Páramo Suelos desnudos Cuerpos de agua (tipo 1) Cuerpos de agua (tipo 2) Cuerpos de agua (tipo 3) Centro urbano Periferia urbana Pasto Zonas Cultivadas (vegetación densa) Zonas Cultivadas (vegetación escasa) Viveros Nubes Sombras de las nubes

(50,130,75) (150,200,160) (190,140,110) (65,105,225) (115,160,255) (25,205,225) (180,0,0) (255,0,0) (255,255,0) (0,255,0) (245,165,95) (235,250,145) (170,170,170) (0,0,0)

Cierre la ventana del dominio al finalizar y oprima el botón “ OK ” en la ventana de “Create a new Sample Set”.

El mensaje “Please zoom in to edit” aparece varias veces en la pantalla, indicando que el usuario tiene que hacer acercamientos para seleccionar pixeles de entrenamiento. A partir del listado “ se genera el despliegue (una composición a falso color), asegúrese que se está utilizando la b para Rojo, la banda 2 para Verde y la banda 1 para Azul. Además de la composición aparece ventana de las estadísticas de entrenamiento. Antes de proceder edite la representación según los colores indicados anteriormente.

©

X. Bakker - 2001

49



Haga un acercamiento al Embalse de Neusa , y seleccione (creando un rectángulo) varios pixeles (500-750) en la mitad del embalse. Luego oprima el botón derecho del mouse y seleccione del menú sensitivo al contexto la opción “Edit”. En la ventana “Edit” seleccione la clase “Cuerpos de agua (tipo 1)” y oprima el botón “OK ”. Luego desplace la ventana hacia la Laguna de Suesca y asigne a grupos de pixeles representativos la clase “Cuerpos de agua (tipo 2)”. Asigne a pixeles del Embalse de Tominé la clase “Cuerpos de agua (tipo 3)”.

Con el fin de evaluar la separabilidad de las clases a las cuales hemos asignado grupos de pix entrenamiento, se puede desplegar unos gráficos llamados “ Feature Spaces”.

8.2.2.2 Despliegue de “Feature Spaces” Un Feature Space muestra la respuesta espectral de los pixeles asignados a las clases usan

diferentes colores, usando para los ejes dos bandas que el usuario elige. Cuando haya traslap las clases (mezcla de colores), entonces habrá problemas en separar estas clases. Seleccione del menú “Edit” la opción “Feature Space ”. Puesto que las bandas 1 y 2 son muy similares solamente creamos feature spaces de las bandas 1 y 3 y de las bandas 2 y 3: Seleccione “x1" como “Band 1 " y como “Band 2 " seleccione “x3" y oprima el botón “OK”. Repita el proceso para el feature space para “x2" y “x3".

Observe que las tres clases de agua son bien separables específicamente en la banda 2.

Otra manera de evaluar la separabilidad de las clases es por medio de las estadísticas de mu

8.2.2.3 Evaluación de estadísticas ILWIS calcula para cada grupo de entrenamiento, como para cada clase las siguientes estadísticas, que ayudan a evaluar la selección de pixeles o la clase de interés: “Mean” La media “StDev” Desviación típica “Nr” Número de pixeles con el valor predominante “Pred” El valor predominante “Total” Total de pixeles seleccionados ó en la clase

©

X. Bakker - 2001

50



Mientras la desviación típica sea pequeña, los ND que componen la clase tiene poca diferenci mejora la separabilidad (menos posibilidad de traslapos), pero existen elementos con un alto de diferencia en los ND min y ND max para las diferentes bandas. Continúe seleccionando pixeles de entrenamiento para todas las clases. Los campos de entrenamiento deben estar bien distribuidos sobre la imagen.

Se puede ver que existen varias clases que tienen un comportamiento similar en las banda construcciones, tanto de los centros como de la periferia urbana tienen una respuesta espect similar. Los centros urbanos normalmente por ser construidos mas densos tienen una respue poco mas baja. La periferia urbana por estar combinada con suelos desnudos (en construcci parques genera una respuesta mezclada. Los viveros, por tener la respuesta de construcc mezclada con vegetación, aparecen con una respuesta un poco más alta en la banda 3.

8.2.2.4 Clasificación del muestreo

Una vez terminada la selección y estudio de las categorías que intervendrán en la clasificac inicia la fase de asignación. En esta fase se trata de asignar a cada pixel de la imagen una cate Esta asignación se realiza, naturalmente, en función de sus ND, para cada una de las band intervienen en el proceso. Fruto de esta fase será el mapa temático de cobertura. ILWIS soporta varios algoritmos para la asignación de las clases.

8.2.2.4.1 “Box classifier”

Alrededor del medio de las clases se dibuja una caja (box) con el tamaño basado en la desv típica. El usuario puede especificar un factor de multiplicación para agrandar las cajas. Cuando de un pixel está dentro de una caja, se asigna esta clase al pixel. En caso que el ND está en do cajas, se asigna la clase correspondiente a la caja más pequeña. Cuando el ND de un pixel no dentro de ninguna caja, el pixel quedará sin clasificar. El factor multiplicador por defecto es raíz de 3. ©

X. Bakker - 2001

51



8.2.2.4.2 “Minimum Distance classifier”

Con el fin de clasificar los valores espectrales de un pixel, la distancia hacia el medio de cada es calculada. En caso que la distancia a la clase más cercana sea menor que un valor especifica el usuario, la clase es asignada al pixel. En caso contrario el pixel quedará sin clasificar.

Por lo tanto este tipo de clasificación no solo considera la respuesta espectral sino tambi ubicación en el mapa.

8.2.2.4.3 “Minimum Mahalanobis Distance classifier”

Para este tipo de clasificación la distancia hacia el medio de cada clase es calculada como dist Mahalanobis. Esta distancia depende de la distancia hacia el medio de la clase y la m varianza-covarianza de cada clase. En caso que la distancia Mahalanobis a la clase más cerc menor que un valor especificado por el usuario, la clase es asignada al pixel. En caso contrario quedará sin clasificar.

8.2.2.4.4 “Maximum Likelihood classifier”

El método de máxima probabilidad considera que los ND en el seno de cada clase se ajustan distribución normal. Esto permite describir la categoría por una función de probabilidad, a p su vector de medias y matriz de varianza-covarianza. En pocos palabras, esa función asem distribución real de los ND en esa categoría, por lo que nos sirve para calcular la probabilidad un pixel (con un determinado ND) sea miembro de ella. El cálculo se realiza para todas las cat que intervienen en la clasificación, asignando el pixel a aquella que maximice la función probabilidad.

8.2.2.4.5 Efectuar la clasificación

En este ejercicio clasificaremos la imagen usando diferentes métodos, con el fin de determina más se ajuste a la realidad. Entre al programa “Classify”. Seleccione “cobert” como “Sample Set”. Por defecto está seleccionada la opción “Box classifier”. Acepte esta opción y también el valor 1.732051 como factor de multiplicador. Cambie el nombre de salida a “ clbox17 " y oprima el botón “OK ”.

Repita este proceso para generar los siguientes mapas: Mapa Método Factor multiplicador Box classifier 2.5 clbox25 Minimum Distance cldis100 clmah100 Min. Mahalanobis Distance Maximum Likelihood cllik100 -

©

X. Bakker - 2001

52

Treshold distance 100 100 100



8.2.2.5 Evaluar los resultados de la clasificación

Despliegue los mapas “ clbox17 ", “clbox25", “cldis100 " y la composición a falso color “ xcomp321 " y compare los resultados. ILWIS cuenta con una herramienta para la consulta de múltiples mapas: “ Pixel Information”. En la ventana del mapa “xcomp321 " seleccione el menú “File ” y luego la opción “Open Pixel Information”. Una ventana aparece donde se puede adicionar múltiples mapas con el fin de consultarlos. En el menú “File ” de esta ventana seleccione la opción “Add Map ”, y luego seleccione el mapa “clbox17 " y oprima el botón “OK ”. Adicione también los mapas “clbox25 " y “cldis100 ". Observe como los valores cambian mientras se desplaza el mouse sobre el mapa “xcomp321 ".

Cual método se ajuste más a la realidad?

8.2.2.6 Operaciones posteriores a la clasificación

Usted ya ha podido ver que existen traslapos espectrales entre las clases de “ Centro urban “Periferia urbana” y “Suelos desnudos”. Por lo tanto hemos obtenido unos grandes núcleos urbanos en la parte superior central de la imagen (área que corresponde a suelos desnudos). Con el corregir esto, uniremos las tres clases anteriormente mencionadas y las asignamos a “ desnudos”. Luego incorporaremos los cascos urbanos que tenemos en el mapa de polígonos “ xcab2 ".

Puesto que los nombres de estas clases son relativamente largos, hacemos unos adiciones dominio “cobert”: Haga doble clic sobre el icono del dominio “ cobert”. Luego haga doble clic sobre el elemento “Centro urbano” y escriba en el campo “Code” el código “CU”. Repita esto para “Periferia urbana ” asignando el código “ PU” y para “Suelos desnudos ” el código “SD” y cierre el dominio. Escriba en la línea de comando la siguiente fórmula y oprima :

Tmpcob =IFF((cldis100=”CU”) or (cldis100=”PU”),”SD”,cldis100)

Asigne el dominio “cobert” al mapa de salida y despliegue el resultado.

Esta superposición condicional escribe en el mapa de salida “ tmpcob” la unidad “Suelos desnudos (“SD”) cuando encuentra en el mapa “ cldis100 " las clases “CU” o “PU” (las zonas urbanas) o en caso de no encontrar estas clases se reproduce el mapa “ cldis100 ".

Despliegue sobre el mapa “ tmpcob” el mapa de polígonos “xcab2 ". Note que de esta manera las zonas urbanas no se están incorporando en el mapa “ tmpcob”. Esto se harán en el capítulo 8.

©

X. Bakker - 2001

53



8.2.2.7 Filtros de predominancia

Los filtros de predominancia pueden ser usados para corregir pequeñas áreas (pixeles aislad una clase distinto de los de su vecindad directa). En este ejercicio aplicamos un filtr predominancia al mapa “ tmpcob” para corregir estos errores. Entre al programa “Filter” y seleccione el mapa “tmpcob ” como mapa de entrada. Seleccione el tipo de filtro “Majority” y el nombre del filtro “Majority”. Luego escriba como nombre del mapa de salida “tmpcob2 ", prenda la opción “Show” y oprima el botón “OK ”. Note que por defecto está seleccionado el dominio “ cobert”.

Compare el resultado con el mapa de entrada.

En caso que usted ha notado que algunos pixeles se han quedado sin asignación de una cla puede aplicar el filtro “Majundef”. Esto preferiblemente se hace antes de aplicar el filtro “ Majority puesto que puede asignar a más pixeles el valor indefinido. OJO

©

Existe la posibilidad que muchos pixeles queden sin clasificar. En tal caso se debe o incluir más pixeles en la fase de entrenamiento se debe aumentar el valor del factor multip ó el “Treshold distance” según es el caso.

X. Bakker - 2001

54



9. CORRECCIÓN GEOMÉTRICA DE LOS RESULTADOS

La corrección geométrica traslada los ND de una imagen georeferenciada a una nueva matriz norte orientada hacia arriba. Puesto que en este proceso el valor del ND puede cambiar (el va ND que resulta es el producto de la combinación de varios ND de la imagen original), se recom aplicar este proceso a los resultados de la interpretación. En algunos casos es inevitable aplic proceso antes de una interpretación. Por ejemplo, cuando se aplica un proceso de sinergismo resultados son utilizados para la interpretación. En tal caso se debe utilizar el procedimient menos afecta el ND original.

9.1 Diferentes funciones de transformación

ILWIS cuenta con tres funciones de transformación; vecino más cercano, interpolación bilin convolución cúbica.

9.1.1 Vecino más cercano (Nearest Neighbour)

El primer método se denomina “vecino más cercano” (nearest neighbour), por situar en cada de la imagen corregida el valor (o clase) del pixel más cercano en la imagen original. Esta solución más rápida y la que supone menor transformación de los valores (o clases ) originale principal inconveniente radica en la distorsión que introduce en rasgos lineales de la im (fracturas, carreteras o drenajes), que pueden aparecer en la corregida como lineas quebrad

9.1.2 Interpolación bilineal (Bi-Linear)

La interpolación bilineal, supone promediar el ND de los cuatro pixeles más cercanos de la im original. Este promedio se pondera según la distancia del pixel original al corregido: tienen una influencia aquellos pixeles más cercanos en la imagen inicial. Reduce el efecto de distorsión en r lineales, pero tiende a difuminar un tanto los contrastes espaciales de la imagen original [2].

9.1.3 Convolución cúbica (Cubic Convolution)

Por último, la convolución cúbica considera los valores del pixel (o clases) de los 16 pixeles próximos. El efecto visual es más correcto, pero supone un volumen de cálculo mucho más elev

9.2 Crear una georeferenciación de esquinas.

Independiente de la transformación que se va a emplear, se requiere tener una georeferencia esquinas. Para determinar las variables se debe desplegar la composición a falso color y dete las coordenadas de las 4 esquinas. De esta forma se puede obtener el rango X y Y. Anote abaj coordenadas: Mínimo

Máximo

X Y

©

X. Bakker - 2001

55

Corrección geométrica


Ahora creemos la nueva georeferenciación: Entre a la opción “New GeoRef”. Escriba “Sabana” como nombre de la georeferenciación, escriba los coordenadas de la tabla anterior, cambie el tamaño del pixel a 20 y oprima el botón “OK”.

9.3 Re-muestreo hacia una georeferenciación de esquinas

El proceso de remuestreo corregirá geométricamente el mapa que tenemos: Seleccione el mapa “tmpcob2", oprima el botón derecho del mouse y seleccione la opción “Image Processing” y luego “ Resample”. Note que la única transformación que el programa permite con este mapa es la del vecino más cercano. Esto es por que el mapa de entrada tiene un dominio tipo clase y por lo tanto no puede hacer promedios ponderados. Escriba el nombre “cobgeo1 " como nombre de salida, seleccione la georeferenciación “Sabana”, prenda la opción “Show” y oprima el botón “OK”.

En el despliegue del mapa se puede observar que el mapa se rotó con las manecillas del r Adicione la grilla para verificar que ahora el norte está orientado verticalmente hacia arriba mapa está en condiciones para incorporar las zonas urbanas.

9.4 Incorporar las zonas urbanas en el mapa de cobertura

Puesto que el mapa de las zonas urbanas está en formato vectorial, tendremos que rasterizarl poder combinarlo. Una de las condiciones para la superposición es que todos los mapas intervienen estén en formato raster y comparten la misma georeferenciación de esquinas. Por rasterizaremos el mapa con la georeferenciación “Sabana”. Seleccione el mapa de polígonos “xcab2", oprima el botón derecho del mouse y seleccione la opción “ Polygon to Raster”. Cambie el nombre del mapa de salida a “zonasurb”, seleccione la georeferenciación “Sabana”, prenda la opción “Show” y oprima el botón “OK”.

Por medio de una superposición condicional incorporaremos las zonas urbanas: Escriba en la línea de comando la siguiente fórmula y oprima :

Cobgeo2 = IFF(isundef(zonasurb),cobgeo1,”CU”)

Asigne el dominio “cobert” al mapa de salida y despliegue el resultado.

Se puede notar que un pueblo fue incorporado al mapa, pero sale de las dimensiones d clasificación. Esto se puede corregir, recodificando el mapa raster zonasurb (“ Unique ID”) , lue determinar cual es su código y por medio de una superposición condicional asignarle el valor

©

X. Bakker - 2001

56



El resultado debe ser similar al gráfico desplegado abajo:

A partir de este mapa se puede calcular el histograma (de la misma manera que con las ba presentar los resultados en un reporte.

Conclusiones

Como conclusión general se puede establecer que en este curso únicamente se trataron las básicas de procesamiento digital de imágenes. La teledetección incluye una gran gama de aplica con sus propios procedimientos. Se recomienda leer el libro de Emilio Chuvieco “ Fundamentos teledetección espacial” para profundizar los conceptos de procesamiento digital de imágenes.

Las operaciones usados en este curso de ILWIS son solamente una pequeña parte de la totalid las que ILWIS ofrece. Antes de seguir con el curso avanzado de procesamiento digital de imág con ILWIS se recomienda hacer el curso de análisis y modelamiento.

©

X. Bakker - 2001

57



10. PROCESAR UNA VENTANA DE UNA IMAGEN LANDSAT

Con el fin de evaluar los conocimientos previamente adquiridos se hará un ejercicio usa ventana (Cochabamba) de una imagen Landsat TM. El objetivo es clasificar la ventana, haci de sus bandas espectrales, en las siguientes clases de cobertura: Zonas urbanas Bosques Suelos desnudos Cuerpos de agua Cultivos Pastos Rastrojo

El mapa de polígonos “landuse” contiene los usos de la tierra en la misma área. Este mapa usado como guía para la clasificación en la fase de entrenamiento. Ojo: el mapa vectori contener información desactualizada y contener más clases!

Puesto que las imágenes ya están georeferenciadas no es necesario pasar por todas las procesamiento digital de las imágenes. A continuación encontrará el listado de operacion deben efectuar: Se debe seleccionar la composición a color que más se ajuste objetivo. Índice de vegetación Operaciones multi-banda: Clasificación de imágenes: Clasificación no-supervisada y clasificación supervisada (incluyendo en caso necesario los filtros de predominancia) Corrección geométrica: Re-muestreo hacia un georeferenciación de esquinas Composición a color:

Es importante entender la diferencia entre las imágenes SPOT y Landsat TM. En caso qu el índice de vegetación, se deben sustituir las bandas de SPOT por las bandas de Landsat la parte del espectro electromagnético a que corresponden.

©

X. Bakker - 2001

58

Procesar ventana Landsat TM


11. RESPUESTAS 3.1 Despliegue de imágenes de satélite (página 15):

La banda 1 que se encuentra en el mapa raster llamado x2 es similar a la banda 2 contenid el mapa raster llamado x3 por la siguiente razón: Las bandas 1 y 2 fueron adquiridas en la parte visible del espectro electromagnético.

La imagen pancromática no se parece a la banda 3 de la imagen multiespectral, pero sí a las 1 y , por lo tanto se puede concluir que la imagen pancromática fue tomado en la parte visib espectro electromagnético.

3.5 Generar un sub mapa de la información útil (página 18): Información multiespectral Primera Fila Primera Columna Número de Filas*

Información pancromática 2

2

33

33

3008 - 2 + 1 = 3007 6017 - 2 + 1 = 6016

Número de Columnas* 3410 - 33 + 1 = 3378

*

6788 - 33 + 1 = 6756

Note que para determinar el número de filas y columnas con información útil, se deb el número de la fila o columna donde termina la información útil, restar la primera columna y luego sumar 1.

3.6 Pixeles y números digitales (página 19) Cobertura

Banda 1 - XS

Banda 2 - XS

Banda 3 - XS

Bosque

60 - 70

35 - 45

70 - 110

Páramo

75 - 80

50 - 60

60 - 85

Cuerpo de agua 50 - 55 y 125 - 130 25 - 30 y 110 - 120

©

33 - 50

Construcciones

100 - 155

100 - 130

70 - 110

Zonas Cultivadas

80 - 115

50 - 80

150 - 200

X. Bakker - 2001

59

Respuestas


4.1.1 Cálculo del histograma (página 21): BANDA 1

BANDA 2

BANDA 3

Porcentaje

Valor mínimo

Valor máximo

2%

60

144

5%

64

123

10%

68

108

Porcentaje

Valor mínimo

Valor máximo

2%

36

126

5%

40

106

10%

43

86

Porcentaje

Valor mínimo

Valor máximo

2%

41

206

5%

71

192

10%

82

179

4.1.3 Comparación de la imagen original con la imagen mejorada (página 23):

Para cual banda es menos notorio el efecto del mejoramiento: la banda 3 Explique por que:

Si comparamos los valores ND mínimo y máximo correspondiente al 2% del histograma, se puede concluir que la banda 1 está usando (144-60+1) 85 números digitales, la banda 2 está usando (126-36+1) 91 números digitales y la banda 3 (20641+1) 166. Al redistribuir estos números digitales sobre los 256 niveles de visualización disponibles, para la banda 3 se utilizará un factor de expansión de 256/166 = 1.54 el que es menor que el factor para la banda 1 (256/85 = 3.01) y el factor para la banda 2 (256/91 = 2.81).

©

X. Bakker - 2001

60

Respuestas


4.1.4 Ecualización del histograma

Explique por que el valor del porcentaje para excluir del histograma es 0% para la ecualizaci histograma y el 1% para la expansión lineal: La expansión lineal debe excluir un porcentaje mayor al 0% para tener efecto. Cuando una imagen tiene nubes, estas nubes tienen ND cerca al 255 y las sombras tienen ND cerca al 0. En caso de no excluir algún porcentaje se distribuirá los 256 ND sobre 256 NV, lo cual corresponde al despliegue original sin aplicar la expansión lineal. Para la ecualización del histograma la exclusión del 1 porciento del histograma (entre 0-1% y entre 99-100%) corresponde teóricamente al 2% de los NV. Puesto que tenemos 256 NV, 2% corresponde a 5 NV, lo cual no es notable.

4.2.3 Explicación adicional sobre el funcionamiento de filtros

Aplique el filtro “edgesenh” al siguiente mapa y especifique los valores para el mapa de salida: 2

2

8

4

4

2

2

8

4

4

-1

-1

-1

-1

12

3

6

6

7

3

3

-1

16

-1

7

9

1

4

4

5

6

6

-1

-1

-1

3

5

7

4

4

5

6

6

Mapa de Entrada


Mapa de Salida

Se puede notar que tanto el valor mínimo (2) y el valor máximo (8) del mapa de entrada se ven exagerados (respectivamente -1 y 12).

Que hace el siguiente filtro: 2

8

4

0

0

0

2

8

4

6

7

3

0

2

0

6

7

3

4

5

6

0

0

0

4

5

6

Mapa de Entrada

©

X. Bakker - 2001


61

Mapa de Salida

Respuestas


El filtro reproduce exactamente el mapa de entrada, puesto que únicamente toma en cuenta el pixel central de los 9 pixeles y lo multiplique con 2 (valor del filtro) y luego lo multiplica con 0.5 (valor del “Gain”) resultando en el valor de entrada.

5.1.1.1 Composiciones a falso color, creando un mapa físico (página 32): Cobertura

Color

Bosque

vino tinto - rojo oscuro

Páramo

verde - gris

Suelos desnudos

verde claro

Cuerpos de agua

negro / azul oscuro / verde azul

Construcciones

cyan - gris - verde

Zonas Cultivadas

rojo intenso

Nubes*

blanco

Sombras de los nubes*negro

*

Note que ni las nubes ni las sombras de los nubes son coberturas.

6.3.3 Puntos de control a partir de mapas digitales (página 39):

Seleccione al menos 15 puntos de control y compare tanto la precisión ( sigma) como el tiem invertido en la georeferenciación a partir del mapa análogo con la hecha desde el mapa digita es la conclusión: La georeferenciación utilizando puntos de control seleccionados en el mapa digital permite ubicar los puntos con mayor precisión. El mapa digital está basado en información a escala 1:25.000 y el mapa análogo fue impreso a escala 1:100.000. En un mapa análogo se puede determinar un punto con aproximadamente 0.5 mm de precisión lo cual corresponde a 50 metros (son 2.5 pixeles de 20 metros, entonces se justifica un sigma de 2.5). En el mapa digital se pueden hacer los acercamientos necesarios para ubicar los puntos con precisión. Además, no se requiere calcar y digitar las coordenadas. Como referencia se puede adicionar el mapa digital en el despliegue y determinar en que partes de la imagen se requiere mas puntos de control para obtener mayor precisión.

©

X. Bakker - 2001

62

Respuestas


7.2 Índice de vegetación de diferencia normalizado (página 43):

Determine el rango de valores con el índice de vegetación para las siguientes coberturas: Cobertura

Rango IVDN

Bosque

0.35 a 0.50

Páramo

0.00 a 0.15

Suelos desnudos

-0.20 a 0.00

Cuerpos de agua

-0.55 a -0.15

Construcciones

-0.25 a -0.05

Zonas Cultivadas (fin del ciclo)

0.50 a 0.75

Zonas Cultivadas (comienzo del ciclo)

0.00 a 0.50

Nubes*

-0.10 a 0.00


0.00 a 0.25

7.3 Aritméticas de imágenes (página 45):

Despliegue el resultado y determine los rangos de valores para las siguientes coberturas: Cobertura

*

Rango en mapa Ratio

Bosque

1.00 a 1.80

Páramo

0.90 a 1.05

Suelos desnudos

0.70 a 1.00

Cuerpos de agua

0.25 a 0.40

Construcciones

0.50 a 0.75

Zonas Cultivadas

1.50 a 3.00

Nubes*

0.60 a 1.00


0.60 a 1.00

Note que ni las nubes ni las sombras de las nubes son coberturas.

Determine con que rango de valores se pueden distinguir los cuerpos de agua de las de coberturas: utilizando un rango de 0 o 0.25 hasta 0.4.

©

X. Bakker - 2001

63

Respuestas


BIBLIOGRAFÍA [1] [2] [3] [4] [5] [6] [7] [8]

©

Radar for rain forest. A monitoring system for land cover change in the Colombian Amazon. ITC publication 53, Enschede. 192 pp. Chuvieco, E. 1995 . Fundamentos de teledetección espacial. Ediciones Rialp S.A. Madrid. Bijker, W. 1997 .

453 pp. FAO, 1993 . Radar imagery: theory and interpretation. Lecture notes. FAO, Rome. 103 pp. Gonima G., L. 1995 . Fundamentos físicos de la percepción remota. IGAC. Santafé de Bogotá. 20 pp. ILWIS. 1997 . ILWIS User’s Guide. ITC. Enschede 511 pp. Microsoft. 1999 . Enciclopedia Encarta 99. CD-ROM Montoya P., J. A. 1995 . Clasificación de los sensores remotos y plataformas utilizadas en percepción remota. IGAC, Santafé de Bogotá. 158 pp. Richards, J. A. 1986 . Remote sensing digital image analysis, an introduction. SpringerVerlag, Berlin. 281 pp.

X. Bakker - 2001

64

Bibliografía

Procesamiento Digital de Imágenes - ILWIS

Recommend Documents