Procesamiento Digital

FUNDAMENTOS DE PROCESAMIENTO DIGITAL DE IMGENES____________________
FUNDAMENTOS DE PROCESAMIENTO
DIGITAL DE IMGENES DE SATELITE
Ing. Esp. H. CRISTINA SALVATIERRA
Mendoza, Agosto de 2004
Ing. Esp. H.Cristiina Salvatierra
TABLA DE CONTENIDO
Pgina
1. FUNDAMENTOS .............................................................................................................1
1.1 CONCEPTO DE IMAGEN MULTIESPECTRAL .................................................1
1.2 ANLISIS DE IMGENES MULTIESPECTRALES ...........................................2
1.3 PROCESAMIENTO DIGITAL.................................................................................3
1.3.1 Formatos de almacenamiento para imgenes multiespectrales ...............4
1.3.1.1 Formato BIP (Band interleaved by Pixel)...............................................4
1.3.1.2 Formato BIL (Band interleaved by line) .................................................5
1.3.1.3 Formato BSQ (Band Secuencial)............................................................5
1.4 Caractersticas de los Sistemas Digitales .............................................................5
1.4.1 Equipos (Hardware)...........................................................................................6
1.4.2 Programas (Software) .......................................................................................6
1.5 Caractersticas de los sistemas de PDI.................................................................7
1.5.1 Nmero de analistas y modo de operacin ...................................................8
1.5.2 Unidad Central de Proceso, coprocesador matemtico ..............................8
y memoria RAM............................................................................................................8
1.5.3 El Sistema Operativo y el Compilador............................................................9
1.5.4 Almacenamiento en Masa ................................................................................9
1.5.5 Resolucin del monitor......................................................................................9
1.5.6 Resolucin del color ........................................................................................10
2. CARACTERIZACIN ESTADSTICA DE LAS IMGENES ...................................10
2.1 HISTOGRAMA DE UNA IMAGEN........................................................................11
2.1.1 ENTROPIA ........................................................................................................11
2.1.2 VALOR MNIMO...............................................................................................13
2.1.3 VALOR MXIMO .............................................................................................13
2.1.4 MEDIA ARITMTICA. (Esperanza matemtica o valor esperado) ........13
2.1.5 VARIANZA ........................................................................................................14
2.1.6 DESVIACIN TPICA......................................................................................14
2.1.7 COVARIANZA ..................................................................................................15
2.1.8 COEFICIENTE DE CORRELACIN ............................................................15
2.1.9 HISTOGRAMA BIDIMENSIONAL .................................................................16
2.1.10 MATRIZ VARIANZA COVARIANZA ...........................................................18
3. PROCESAMIENTO DE IMGENES..........................................................................19
3.1 DISTORSIONES Y CORRECCIONES RADIOMTRICAS .............................19
ii
3.1.1 Falta de una lnea............................................................................................19

3.1.2 Efectos atmosfricos. ......................................................................................19
3.1.3 Ruidos................................................................................................................20
3.1.4 Error de medicin de la irradiancia. ..............................................................21
3.1.5 Saturacin del detector. ..................................................................................21
3.2 DISTORSIONES Y CORRECCIONES GEOMTRICAS .................................21
3.2.1 Distorsin por rotacin de la tierra................................................................21
3.2.2 Distorsin panormica. ...................................................................................22
3.2.3 Efecto de la curvatura terrestre. ....................................................................22
3.2.4 Distorsiones geomtricas no sistemticas...................................................22
3.3 SISTEMA DE PROYECCION ...............................................................................24
3.4 RECTIFICACION .....................................................................................................24
3.5 REMUESTREO .......................................................................................................24
3.5.1 Mtodo del vecino ms cercano....................................................................25
3.5.2 Mtodo de interpolacin bilinear....................................................................26
3.5.3 Mtodo de convolucin cbica.......................................................................26
3.6 PASOS DE LA RECTIFICACION.........................................................................27
3.7 TRANSFORMACIONES ........................................................................................28
3.7.1. LINEARES .......................................................................................................28
3.7.2. NO LINEARES ................................................................................................29
3.8 NUMERO MINIMO DE GCP .................................................................................29
3.9 ERROR MEDIO CUADRATICO (RMS)...............................................................29
4. MEJORAMIENTO DE IMGENES .............................................................................30
4.1 REDUCCIN Y AMPLIACIN DE LA IMAGEN...............................................30
4.1.1 Reduccin .........................................................................................................30
4.1.2 Ampliacin de la Imagen.................................................................................31
4.2 MEJORAMIENTO DEL CONTRASTE .................................................................32
4.2.1 Expansin li neal total.......................................................................................32
4.2.2 Expansin lineal parcial ..................................................................................34
4.2.3 Ecualizacin: (Expansin no lineal del histograma)..................................35
4.3 SEGMENTACIN ...................................................................................................36
4.4 FILTRAJE O CONVOLUCIN..............................................................................36
4.4.1 De suavizacin. ................................................................................................37
4.4.2 De mejoramiento. .............................................................................................38
4.4.3 Filtros de Deteccin de Bordes ......................................................................39
4.4.4 Filtro de deteccin de bordes lineales ..........................................................40
4.4.5 Filtro de deteccin de bordes no lineales.....................................................41
5 TRATAMIENTO CONJUNTO DE BANDAS ..........................................................42
5.1 OPERACIONES ENTRE BANDAS......................................................................42
iii
5.1.1 Adicin...............................................................................................................43
5.1.2 Sus traccin.......................................................................................................44
5.1.3 Producto ............................................................................................................45
5.1.4 Divisin o proporcin.......................................................................................46
5.1.5 ndice de Vegetacin......................................................................................46
5.2 COMPOSICIN EN COLOR................................................................................47
5.3 ANLISIS EN COMPONENTES PRINCIPALES..............................................48
6. CLASIFICACIN DE IMGENES MULTIESPECTRALES..................................49
6.1 CLASIFICACIN SUPERVISADA .....................................................................49
6.1.1 Seleccin de algoritmos apropiados para la clasificacin supervisada. .50
6.1.1.1 Paraleleppedo ..........................................................................................50
6.1.1.2 Distancia Mnima a la Media...................................................................53
6.1.1.3 Mxima probabilidad................................................................................54
6.2 CLASIFICACIN NO SUPERVISADA................................................................56
6.2.1 Presentacin pictrica de los datos sin analizar.........................................56
6.2.2 Definicin de las clases espectrales (entrenamiento)................................57
6.2.3 Representacin pictrica y tabular de la clasificacin..............................58
6.2.4 Evaluacin de los resultados de la clasificacin.........................................58
BIBLIOGRAFA ...................................................................................................................59
iv
TABL A DE F IGU RAS

P gi na
Figura N 1. Espectro electromagntico. .........................................................................1
Figura N 2. Esquema metodolgico de estudio de un sistema fsico por medio del
anlisis de datos multiespectrales. ...........................................................................3
Figura N 3. Estructura bsica de un computador. ........................................................6
Figura N 5 Histograma estrecho ....................................................................................12
Figura N 6 Histograma amplio........................................................................................13
Figura N 7. Ruido (noise) y bandeamiento (stripping)} ..............................................21
Figura N 8. Rotacin terrestre........................................................................................23
Figura N 9A. Panormica
b. Alargamiento ....................................23
Figura N 10a. Velocidad b. Movimiento de la plataforma c. Distorsiones
geomtricas.................................................................................................................23
Figura N 11. Imagen rectificada.....................................................................................24
Figura N12. Mtodo del vecino ms cercano. .............................................................25
Figura N 13. Mtodo de interpolacin bilinear. ............................................................26
Figura N 14. Mtodo de convolucin cbica................................................................27
Figura N 15. Matriz polinomial. .......................................................................................28
Figura N 16.a Histograma estrecho
.b Histograma ancho ............................33
Figura N 17. Transformacin mediante una funcin lineal........................................33
Figura N 18. Saturacin de pixeles cercanos al mnimo y al mximo ....................33
Figura N 19. Ampliacin del histograma sin variacin de Entropa ......................34
Figura N 20. Enmascaramiento de una clase ...........................................................34
Figura N 21. Histograma Ecualizado por una funcin no lineal................................35
Figura N 22. Histograma segmentgado y curva isodensidad. .................................36
Figura N 23. Filtro de suavizacin................................................................................37
Figura N 24. Filtros de mejoramiento con diferentes valores centrales. .................39
Figura N 25. Filtro de deteccin de bordes lineales ..................................................41
Figura N 26. Filtro de deteccin de lneas ..................................................................41
Figura N 27. Ra ngo de dispersin de los valores radiomtricos ..............................51
Figura N 28. Distribucin de clases espectrales por banda. .....................................52
Figura N 29. Mtodo de la mnima distancia ...............................................................53
Figura N 30. Mtodo de mxima probabilidad.............................................................54
Figura N 31. Agrupamiento de formas espectrales del agua, suelos, y vegetacin
......................................................................................................................................57
FUNDAMENTOS DE PROCESAMIENTO DIGITAL DE IMGENES
1. FUNDAMENTOS
1.1 CONCEPTO DE IMAGEN MULTIESPECTRAL

Una imagen Multiespectral es un modelo de la realidad construido con base en
una respuesta espectral de los elementos que componen una escena y las cuales
son captadas por detectores sensibles a un rango de longitudes de onda del
espectro electromagntico.
Para ello se aprovecha el solo como fuente de radiacin y las propiedades que
tienen la mayor parte de los cuerpos en la superficie terrestre de reflejar una parte
de esa radiacin emitida que a su vez captada por un sensor calibrado para
trabajar en una franja o banda del espectro.
Los intervalos del espectro electromagntico no estn exactamente determinados
por cuanto no se puede establecer exactamente donde termina una franja y
comienza otra, sin embargo, a nivel experimental, se han asociado algunas
regiones para producir y detectar ondas de cierto tipo (figura 1).
Con los programas espaciales dedicados al estudio de los recursos naturales de la
tierra ha sido posible colocar un conjunto de sensores en un satlite para tener
una visin sinptica de la misma, stos sensores trabajan en bandas
generalmente del visible y del infrarrojo, lo que permite medir la respuesta
espectral de cuerpos en la superficie terrestre en diferentes rangos de longitud de
onda, crendose as la imagen de una escena de la tierra en mltiples bandas del
espectro, que es lo que se conoce como IMAGEN MULTIESPECTRAL.
Figura N 1. Espectro electromagntico.

Fuente: CCRS, 1999
1.2 ANLISIS DE IMGENES MULTIESPECTRALES
El anlisis de una imagen se ha dividido en dos grandes ramas: el procesamiento

de imgenes y el reconocimiento de patrones de las mismas. La primera de estas
se entiende como un conjunto bien definido y clasificado de realces, que dejan
lista la imagen para una descripcin matemtica de las regiones que la componen.
Las regiones estn formadas a su vez por patrones espaciales y espectrales, de
tal forma que el reconocer estos patrones por medio de modelos matemticos,
implica la descripcin de las regiones que forman una imagen. En otras palabras,
reconocer un patrn requiere primero de su manifestacin evidente por medio de
un procesamiento bien definido a la imagen y seguido de una descripcin
cualitativa de sus propiedades morfolgicas y estadsticas.
En la prctica existen dos formas de hacer anlisis de imgenes, la primera

denominada anlisis manual, basada en la inspeccin visual usando impresione s
fotogrficas de una imagen digital y la segunda llamada anlisis asistido por
computador, la cual se fundamenta en el anlisis cuantitativo de los datos
almacenados en formato digital. Existen similitudes en los objetivos y mtodos de
ambos procedimientos.
Tanto el anlisis manual como el asistido por computador intentan detectar e
identificar fenmenos importantes en una escena. Una vez identificados los
fenmenos, son visualmente cuantificados y la informacin utilizada en la solucin
de un problema. Tanto el anlisis manual como el digital tienen el mismo objetivo
general. Sin embargo, el logro de estos objetivos puede seguir diferentes rutas.
Por ejemplo, los elementos fundamentales de la interpretacin de imgenes son
usados en el anlisis manual, estos incluyen tono/color, tamao, forma, textura,
patrn, peso, sombra, sitio y asociacin.
La cuantificacin de la informacin multiespectral establece las bases para la
modelacin del sistema fsico bajo estudio y deja el camino abierto a nuevas
tcnicas de anlisis de imgenes digitales por medio de algoritmos
computacionales.
El anlisis de las imgenes requiere del conocimiento de las caractersticas de los
datos que contiene. Para ello consideramos el esquema metodolgico para el
estudio e interpretacin de un sistema fsico por medio del anlisis de datos
bidimensionales multiespectrales.
SISTEMA
FISICO
COMPARACION
ESCENA
DISPSITIVO
SENSOR
IMAGEN
MULTIESPECTRAL
ANALISIS DE LA
IMAGEN
FENOMENO DE
DEGRADACION
MODELO DEL
SISTEMA FISICO
INTEGRACION DE LA
INFORMACION RESULTANTE
Figura N 2. Esquema metodolgico de estudio de un sistema fsico por medio del

anlisis de datos multiespectrales.
Fuente: Lpez, J. 1990
Podemos apreciar en la figura 2 que existe un proceso de retroalimentacin, el
comportamiento del sistema fsico es estudiado a travs del anlisis de la imagen
multiespectral resultante y que este anlisis interpretado correctamente, sienta las
bases para generar un modelo de funcionamiento de dicho sistema fsico. Es
importante anotar que la imagen multiespectral de una escena dada representa
adems de la distribucin espacial de las propiedades fsicas promedio, la
respuesta finita del sensor y de los mecanismos de interferencia que afectan la
medida de las variables de la escena.
1.3 PROCESAMIENTO DIGITAL
El ser humano puede interpretar visualmente las imgenes producidas por ciertos
dispositivos de sensoramiento, especialmente cmaras. Uno podra preguntarse:
Por qu tratar de imitar o mejorar esta capacidad? Primero hay ciertos limitantes
que hacen que el intrprete no pueda detectar diferencias poco notables en una
imagen. Por ejemplo, es comnmente conocido que un anlisis puede discriminar
slo alrededor de 8 a 16 escalas de gris cuando se hace interpretacin continua
en tonos de blanco y negro de una fotografa area. Si los datos estuvieran
originalmente grabados con 256 escalas de gris, podra estar presente mayor
informacin en la imagen de la que el intrprete puede visualizar.
El trmino procesamiento digital se ha venido involucrando cada da ms debido a
la utilizacin de computadores digitales, es decir dispositivos de clculo con
capacidad de procesar grandes volmenes de datos a altas velocidades y con
buena exactitud, en razn de su estructura interna que permite ejecutar
operaciones con base en un sistema numrico (o de dgitos) en el cual se puede
representar cifras, smbolos y letras.
3
As es posible almacenar en una computadora una imagen numrica resultado de

una transformacin hecha por el detector de la respuesta espectral de cada
elemento de escena para producir una imagen digital escalizada.
Como ya es conocido, la respuesta espectral de cada elemento de escena es
captada por el sensor de acuerdo a la banda del espectro electromagntico para el
cual est calibrado. En realidad, lo que se hace es almacenar la respuesta
espectral en varias bandas de una misma escena.
1.3.1 Formatos de almacenamiento para imgenes multiespectrales
Los procesos de tratamiento de imgenes digitales deben tener en cuenta como
est almacenada la informacin, para as poder ser accesada. Por ello es
necesario recordar que las imgenes digitales se graban en dispositivos de
almacenamiento en masa, generalmente cintas magnticas compatibles con
computador (CCT), sin embargo, existen varios formatos en que son almacenadas
las imgenes, algunos se estudian a continuacin:
1.3.1.1 Formato BIP (Band interleaved by Pixel)
Cada elemento en la matriz tiene cuatro valores de pixel (uno de cada banda
espectral) localizados unos despus del otro. Este formato es prctico si todas las
bandas son usadas.
Los datos numricos de la imagen son grabados intercalando sucesivamente un
pixel por cada banda.
B1 B2 B3 B1 B2 B3 B1 B2 B3 B1 B2 B3 B1
..................
pixel 1
pixel2
pixel 3
pixel 4
...................
1.3.1.2 Formato BIL (Band interleaved by line)

En este formato los datos para las bandas son escritos fila por fila sobre la misma
cinta, ejemplo fila 1 banda 1, fila 1 banda 2, fila 1 banda 3, fila 1 banda 4. Es un
formato prctico si todas las bandas van a ser usadas en el anlisis. Si algunas
bandas no son de inters el formato es ineficiente por cuanto es inevitable leer
serialmente datos innecesarios.
Los datos numricos de la imagen son grabados intercalando sucesivamente una
fila de pixeles por cada banda.
B1
B2
B3
................
Fila 1
Fila 1
Fila 1
1.3.1.3 Formato BSQ (Band Secuencial)

El formato de banda secuencial requiere que todos los datos de una banda cubran
la escena completa y sean escritos sobre un archivo. As, cuando se busca un
rea en el centro de la escena en cuatro bandas, se requiere leer esta localizacin
en cuatro archivos para extraer la informacin deseada. Los datos numricos de
la imagen son grabados almacenando primero todas las filas de pixeles de la
banda 1, luego de todas las filas de pixeles de la banda 2 y as sucesivamente.
Banda 1.....
Banda 2...
Banda 3.....
1.4 Caractersticas de los Sistemas Digitales

En general los sistemas digitales se pueden estudiar desde el aspecto de equipos
que lo componen (comnmente conocido como hardware) y desde el aspecto de
los programas que permiten operar el equipo (software).
1.4.1 Equipos (Hardware)

El conjunto de componentes fsicos aparatos y dispositivos que constituyen un
sistema de computacin se denomina hardware. Un esquema tpico se muestra
en la figura 3. Este esquema puede variar con cada instalacin particular, sin
embargo, se conservan algunos mdulos bsicos como el mdulo de entrada, de
procesamiento y el de salida.
Figura N 3. Estructura bsica de un computador.

Fuente: Chuvieco, E. 1996
El mdulo de entrada incluye el equipo necesario para poder suministrar datos a la
unidad encargada del procesamiento de los mismos. Estos dispositivos de
entrada pueden ser diferentes segn espacio que implica almacenar una escena,
los datos ingresan por medio una cinta o disco magntico.
Las operaciones con los datos se desarrollan en una unidad central de
procesamiento, generalmente denominada CPU (Central Process Unit), la cual
incluye una memoria principal de alta velocidad llamada memora RAM, en donde
se guardan temporalmente todos los datos que va a procesar el computador, a
travs de la unidad aritmtica y lgica con bases en un programa previamente
diseado para tal efecto.
El mdulo de salida permite enviar los resultados del procesamiento a un medio
fsico de salida, ya sea para operacin visual (ej: monitor, impresora) o para
almacenamiento en un medio magntico (cinta, disco).
1.4.2 Programas (Software)
En esta parte se contempla el conjunto de paquetes y programas que conforman
un sistema de Procesamiento Digital de Imgenes y que permiten la manipulacin
6
del equipo para solucionar, mediante algoritmos, problemas inherentes al

procesamiento de datos.
1.5 Caractersticas de los sistemas de PDI
Los sistemas de procesamiento digital de imgenes, poseen algunas
caractersticas particulares por el tipo de equipos y el software especializado que
requieren.
Los datos captados por el sensor, son la entrada a un sistema de PDI, estos se
encuentran almacenados en un formato digital desde donde es posible analizarlos,
esto requiere que el analista comprenda las caractersticas fundamentales de los
sistemas de PDI.
Tres de las aproximaciones ms utilizadas en la ejecucin de procesamiento
digital de imgenes, son:
La aproximacin "Mainframe": donde varios analistas utilizan un computador de
tipo "Mainframe" (mayor o igual 32 bit), el modo batch o interactivo. Ellos
generalmente trabajan en modo batch (por bloques) con salida en ploter y solo
ocasionalmente tienen la oportunidad de visualizar y analizar interactivamente los
datos captados por el sensor sobre un monitor de alta resolucin blanco y negro o
a color.
La segunda aproximacin involucra el uso de un minicomputador (16 a 32 bit), un
procesador de imgenes y un monitor a color de alta resolucin que provee un
ambiente de procesamiento de imgenes ideal.
Una tercera aproximacin est basada en un microcomputador (16 a 21 bit). Los
sistemas de PDI basados en microcomputador son relativamente econmicos y en
la actualidad pueden ser adquiridos para usar como estaciones de trabajo
mltiples en un ambiente que no requiera produccin a gran escala.
Cuando se trabaja o se quiere seleccionar un sistema de PDI los siguientes
factores deben ser considerados: el nmero de analistas que tienen acceso al
sistema al mismo tiempo, el modo de operacin, la unidad central de
procesamiento CPU, el sistema operacional, el tipo de compilador, la cantidad y
tipo de almacenamiento en masa requerido, la resolucin y color y por supuesto
las aplicaciones del software de PDI.
1.5.1 Nmero de analistas y modo de operacin

Un nmero de analistas relativamente grande debe a menudo tener que accesar
facilidades de procesamiento de imagen, consecuentemente el nmero de
analistas asignado a cada estacin de trabajo puede variar desde uno hasta cinco
que es inadecuado. Por lo dems es ideal que el sistema de PDI tenga un
ambiente interactivo donde el analista pueda ver rpidamente los resultados del
procesamiento de imagen.
Cuando las estaciones de trabajo estn comunicadas en red a un sistema de PDI
basados en minicomputador, este tipo de configuracin permite a las estaciones
compartir tiempo de la CPU del minicomputador, adems cada estacin de trabajo
tiene su propia memoria con el propsito de procesar imgenes que almacena los
datos desplegados sobre la pantalla. Esto permite un rpido procesamiento de
imagen.
1.5.2 Unidad Central de Proceso, coprocesador matemtico
y memoria RAM.
El procesamiento de datos digitales requiere una gran cantidad de operaciones en
la Unidad Central de Proceso, CPU. Especialmente, la CPU est encargada de
dos tareas principales, los clculos aritmticos y la entrada/salida a dispositivos
perifricos. En el pasado, la mayora de las CPU de microcomputadores eran
diseadas con registradores de 8 bit, lo cual era adecuado para ejecutar funciones
entrada/salida, pero eran bastante lentos cuando los clculos numricos eran
ejecutados. En la actualidad la gran mayora de CPU tienen registradores de 16
bits las cuales pueden ejecutar tareas de entrada y salida tan rpido como las de
velocidad que las de 8 bits. An cuando las ms poderosas son de la nueva
generacin de 32 bits que pueden direccionar sustancialmente ms memoria y
operar con una nueva forma denominada procesamiento en paralelo.
Para mejorar la velocidad en los clculos numricos, un coprocesador matemtico
(o de punto flotante) es utilizado. El coprocesador trabaja en conjunto con la CPU
para ejecutar operaciones con datos de tipo real a gran velocidad. Idealmente un
procesador de arreglos puede ejecutar operaciones aritmticas de nmeros
enteros organizados en forma nutricional, esto es especialmente usado para
operaciones de mejoramiento y anlisis de imgenes.
La CPU puede contener suficiente memoria de acceso aleatorio (RAM) para el
sistema operativo software de PDI y datos de la imagen que deben permanecer en
memoria mientras los clculos son ejecutados. Generalmente 640 K de memoria
8
RAM es suficiente para el procesamiento de imgenes cuando slo unas pocas

filas de datos se cargan simultneamente a la memoria.
1.5.3 El Sistema Operativo y el Compilador
El sistema operativo y el compilador deben ser lo suficientemente verstiles para
trabajar con los programas de anlisis y con los algoritmos propios del
procesamiento digital de imgenes. Configurar ambientes de PDI con sistemas
operativos o puntuales ocasiona dificultades para compartir datos con otras
aplicaciones. Los sistemas operativos ms utilizados son el DOS y UNIX. Los
compiladores ms usuales en el desarrollo de software de PDI son BASIC,
ASSEMBLER, FORTRAN, PASCAL y C.
1.5.4 Almacenamiento en Masa
Los datos captados por el sensor son almacenados en un formato matricial con
varias bandas multiespectrales, de acuerdo a los formatos analizados en la
seccin 1.3.1. El fenmeno ms comn de almacenamiento es el de banda
secuencial (BSQ).
Cada pixel (elemento de imagen) de cada banda es
representado en un computador por un solo byte (el cual puede almacenar valores
entre 0 y 255). Alrededor de 262.000 bytes (262 kbytes) son necesarios para
almacenar 512 x 512 pixeles de una sola banda. Sin embargo, es a menudo
necesario analizar simultneamente varias bandas, por ejemplo, para almacenar
las siete bandas del mapeador temtico LANDSAT se requiere ms de 1.000.000
de bytes de capacidad de almacenamiento. Los sistemas de disco duro
tpicamente almacenan ms de veinte millones de bytes por lo cual constituyen un
medio ideal.
La tecnologa de almacenamiento en discos pticos contina mejorando
permitiendo almacenar grandes cantidades de datos del orden de mil millones de
bytes (GybaBytes).
1.5.5 Resolucin del monitor
Los monitores a color existentes en el mercado, tienen diferentes capacidades de
despliegue, existen monitores de baja resolucin, capaces de desplegar hasta 256
x 256 pixeles, de media resolucin hasta 512 x 512 pixeles y de alta resolucin
con posibilidad de desplegar 1024 x 1024 o ms pixeles. Para un sistema de PDI
lo ms aconsejable es el monitor de alta resolucin el cual permite analizar
porciones ms amplias de imagen.
1.5.6 Resolucin del color

Esto hace referencia al nmero de escalas de gris y/o colores (ejemplo 256) que
puede presentar un monitor simultneamente tomados de una paleta de colores
disponible (ej. 16.7 millones). Para muchas aplicaciones geogrficas un solo bit
de color es requerido, pero para operaciones cartogrficas ms sofisticadas donde
las escalas de gris o la combinacin de diferentes colo res es requerida como
mnimo se necesitan ocho bits (256 colores). Para aplicaciones del mapeador
temtico se requiere que el usuario pueda seleccionar sesenta y cuatro colores de
una paleta de 256 como mnimo.
El anlisis y despliegue de imgenes de sensores remotos requiere de mayor
resolucin que las aplicaciones cartogrficas de tal manera que existen sistemas
de PDI que poseen la capacidad de desplegar alrededor de 4096 colores de una
paleta de 16.7 millones.
El software de PDI requiere de una alta velocidad en el proceso de los datos, para
ello existen algoritmos que optimizan al mximo el computador, haciendo que
cada da los tiempos de proceso sean ms cortos. A su vez, la tendencia de este
tipo de software es a estandarizar ciertos algoritmos muy empleados y crear otros
nuevos que le permiten al usuario desarrollar pruebas de eficiencia.
Los programas son usualmente interactivos, de tal forma que el usuario, luego de
hacer una solicitud, recibe una respuesta en un tiempo que depende del tipo de
operaciones que tenga que ejecutar el computador. Sin embargo, en algunos
casos, la respuesta es casi inmediata debido a las altas velocidades de proceso
existentes actualmente. Se espera alcanzar con el tiempo una velocidad que
permita obtener respuestas en forma inmediata, lo cual no depende del software
solamente sino de los avances de la electrnica para construir mquinas ms
veloces.
2. CARACTERIZACIN ESTADSTICA DE LAS IMGENES
Los datos contenidos en una imagen multiespectral proporcionan abundante

informacin al analista de imgenes, sin embargo, para ello es necesario recurrir a
la estadstica para poder cuantificar mejorar las caractersticas de la imagen.
Comnmente se calculan histogramas, valores mnimo, medio y mximo, entropa,
varianza, desviacin tpica, covarianza y coeficiente de correlacin como
parmetros fundamentales para caracterizar estadsticamente una imagen
multiespectral.
10
Salvatierra
Ing. Esp. H.Cristiina
2.1 HISTOGRAMA DE UNA IMAGEN

Es la funcin que representa la frecuencia de ocurrencia de cada uno de los
diferentes niveles de gris (valores radiomtricos) en una imagen digital. Puede
representarse en forma numrica o grfica.
El rango de los valores discretos que puede tomar un pixel generalmente es
ubicado en el eje de las abscisas (eje X), mientras que la frecuencia de ocurrencia
de cada uno de estos valores es desplegada sobre las ordenadas (eje Y).
Generalmente una imagen digital con un pobre contraste visual presenta un
histograma muy estrecho (figura 5), y una imagen muy contrastada y un
histograma ancho (figura 6). Los diversos picos y valles en un histograma
multimodal corresponden a diferentes tipos de cobertura dominantes en la imagen.
Otra representacin comn del histograma es desplegar la frecuencia de aparicin
de cada uno de los valores radiomtricos expresando su porcentaje con respecto
al total y el porcentaje acumulado.
Antes de aplicar cualquier tipo de proceso a una imagen multiespectral, se
acostumbra a calcular el histograma para cada una de las bandas lo que permite
al analista tener una idea de la calidad de los datos originales. Despus de aplicar
una tcnica de mejoramiento se calcula de nuevo el histograma para documentar
los efectos del proceso sobre la imagen original.
2.1.1 ENTROPIA
Es un parmetro que permite medir cuantitativamente la cantidad de informacin
presente en una imagen. (grado de desorden de los pixeles o nivel de utilizacin
de los diferentes niveles de gris).
n
E = - f (i) log f (i)
i=1
f(i): Frecuencia de ocurrencia del valor radiomtrico i.
La entropa no tiene en cuenta la informacin que proviene de la distribucin
espacial de los pixeles. De acuerdo a lo anterior, la Entropa mnima se presenta
cuando todos los pixeles una imagen tienen el mismo valor. Si la imagen contiene
m pixeles entonces:
11
Salvatierra
m
E = - m log m
255
La mxima entropa se presenta cuando la imagen presenta el mismo nmero de

pixeles para cada uno de los 256 niveles.
m/256
0 1 2 3 4 5 6 7 ...............................................................255
E = 256* [(m/256)* log (m/256)] = m* log (m/256)
Figura N 5 Histograma estrecho

12
Salvatierra
Figura N 6 Histograma amplio.

2.1.2 VALOR MNIMO

Es el valor radiomtrico (nivel de gris) ms bajo encontrado en una imagen digital.
2.1.3 VALOR MXIMO
Es el valor radiomtrico ms alto encontrado en una imagen digital
2.1.4 MEDIA ARITMTICA. (Esperanza matemtica o valor esperado)
La media expresa el promedio de los valores radiomtricos de la imagen.
m
Xi
X1 + X2 + X3 + .................+Xm
i=1
= -------------- = -----------------------------------------------m
m
13
Salvatierra
donde:
Xi: Valor radiomtrico del pixel i
m: Nmero total de pixeles en la imagen
:
Media aritmtica de la imagen
2.1.5 VARIANZA
Es una medida de dispersin o variacin de los valores radiomtricos de los
pixeles de una imagen alrededor de su media. Si los valores tienden a
concentrarse alrededor de la media (Histograma estrecho) las varianza es
pequea, si los valores tienden a distribuirse lejos de la media, la varianza es
grande.
La varianza puede calcularse por medio de la ecuacin:
m
(Xi - )2
i= 1
Var = ----------------------------------m-1
donde:
Xi:
m:
:
Valor radiomtrico del pixel i

Nmero total de pixeles en la imagen
Media aritmtica de la imagen
2.1.6 DESVIACIN TPICA

Se le denomina as a la raz cuadrada de la Varianza
S=
Var
Los parmetros anteriores se pueden calcular para cada una ade las bandas de
una imagen digital multiespectral.
Existen otros parmetros que involucran dos bandas, permitiendo establecer la
relacin existente entre stas; ellos son la covarianza y el coeficiente de
Correlacin.
14
Salvatierra
2.1.7 COVARIANZA
Es una medida de la variacin conjunta de los valores de los pixeles en ambas
bandas alrededor de su media comn.
La covarianza se calcula aplicando la siguiente ecuacin:
m
(Xj-Ux (Yi-Uy)
J= 1 i = 1
COV xy = ------------------------------------------------------m-1
donde:
Xj:
Yi:
x:
y:
m:
Valor radiomtrico del pixel j en la banda X

Valor radiomtrico del pixel i en la banda Y
Media aritmtica de la banda X
Media aritmtica de la banda Y
Nmero total de pixeles en cada banda
2.1.8 COEFICIENTE DE CORRELACIN

Es una medida de la relacin existente entre los valores de los pixeles de dos
bandas.
rxy
Cov xy
= ------------Sx Sy
donde;
Cov xy:
Sx:
Sy:
Covarianza de las bandas X e Y

Desviacin estndar de la banda X
Desviacin estndar de la banda Y
15
Salvatierra
El coeficiente de correlacin toma valores que van entre - 1 y 1.

Un rxy = 1 indica una relacin perfecta entre los valores radiomtricos de los
pixeles en las dos bandas (un incremento en el valor de un pixel en una banda,
implica tambin un incremento igualmente proporcional en la otra banda. Sera el
caso en el cual las dos bandas son iguales).
Un rxy = 1 indica que una banda est inversamente relacionada a la otra.
Un rxy = 0 sugiere que no existe alguna relacin entre las dos bandas X e Y.
El que dos bandas estn relacionadas implica que existe redundancia en los datos
de las bandas.
Si las dos bandas tienen un rxy = 0 significa que no existe ningn tipo redundancia
en los datos de las bandas.
Los coeficientes rxy son usualmente almacenados en una matriz de correlacin,
que resume la relacin entre bandas, esta matriz es simtrica con respecto a la
diagonal, es decir que por ejemplo el coeficiente de correlacin entre la banda 1
con la banda 2 es igual al coeficiente de correlacin entre banda 2 con banda 1.
Los coeficientes que estn en la diagonal son iguales a la unidad por cuanto existe
una relacin perfecta entre una banda con si misma. El formato de la matriz de
correlacin es como sigue:
Banda 1
Banda 1
Banda 2
Banda 3
Banda 4
1.0
r 2,1
r 3,1
r 4,1
Banda 2
r 1,2
1.0
r 3,2
r 4,2
Banda 3
r 1,3
r 2,3
1.0
r 4,3
Banda 4
r 1,4
r 2,4
r 3,4
1.0
2.1.9 HISTOGRAMA BIDIMENSIONAL

Es una forma de presentar grficamente los valores radiomtricos de los pixeles
de dos bandas. En el eje X se ubican los valores radiomtricos de una banda y
en el eje Y se ubican los valores radiomtricos de la otra. Cada pixel es ploteado
en el espacio bidimensional de acuerdo a sus valores en cada banda, formndose
una nube de puntos.
16
Salvatierra
B1 10 50 30 .......
B2 10 20 30 .......
B2
30
20
10
10 20 30 40 50
B1
Se presentan algunos histogramas bidimensionales que estn representando los

principales casos de relacin entre bandas:
By
By
rxy=1
By
rxy=-1
Bx
By
rxy=0
Bx
By
Bx
By
ry=0
rxy
Bx
Bx
17
Salvatierra
Bx
2.1.10 MATRIZ VARIANZA COVARIANZA

La matriz de covarianza es uno de los ms importantes conceptos matemticos en
el anlisis de datos de sensores remotos, donde se observa si existe una
correlacin entre las respuestas en un par de bandas espectrales, los elementos
fuera de la diagonal sern grandes con respecto a los de la diagonal. Pero si
existe poca correlacin, los elementos fuera de la diagonal sern cercanos a cero.
Esta caracterstica puede tambin ser observada en trminos de matriz de
correlacin.
La varianza y covarianza se acostumbra a representar en una matriz, donde la
diagonal contiene los valores de la varianza y los elementos fuera de la diagonal
sern grandes con respecto a los de la diagonal. Pero si existe poca correlacin,
los elementos fuera de la diagonal sern cercanos a cero. Esta caracterstica
puede tambin ser observada en trminos de la matriz de correlacin.
La varianza y covarianza se acostumbra a representar en una matriz, donde la
diagonal contiene los valores de la varianza y los elementos fuera de la diagonal
corresponden a las covarianzas. Ntese que la matriz es simtrica con respecto a
la diagonal, es decir que todos los elementos, que no estn en la diagonal estn
duplicados (Ej Cov. 1,2 = Cov. 2,1). A continuacin se presenta el formato de la
matriz Varianza covarianza, para cuatro bandas:
Banda 1
Banda 1
Banda 2
Banda 3
Banda 4
VAR 1
COV 2,1
COV 3,1
COV 4,1
Banda 2
COV 1,2
VAR 2
COV 3,2
COV 4,3
18
Salvatierra
Banda 3
COV 1,3
COV 2,3
VAR 3
COV 4,3
Banda 4
COV 1,4
COV 2,4
COV 3,4
VAR 4
3. PROCESAMIENTO DE IMGENES
Los sistemas de sensoramiento remoto introducen algunos errores en el proceso
de captacin de datos. Estos errores afectan el anlisis de las imgenes. Por
esta razn es necesario preprocesar los datos captados por el sensor, antes de
analizarlos.
La restauracin de imgenes permite hacer correcciones de la distorsin,
degradacin y ruido introducido durante el proceso de captacin de las imgenes.
Para corregir los datos de la imagen deben ser determinados los errores internos y
externos.
Los errores internos son originados por el sensor mismo, son
generalmente sistemticos (predecibles) y estacionarios (constantes) y puede ser
corregidos por una calibracin de los detectores antes del lanzamiento o en vuelo.
Los errores externos son debidos a perturbaciones de la plataforma y a la
variacin de las caractersticas de la superficie. Los errores no sistemticos
pueden ser resueltos por mediciones hechas en tierra, mediante puntos de control.
3.1 DISTORSIONES Y CORRECCIONES RADIOMTRICAS
Las distorsiones radiomtricas son las que afectan la radiometra de los objetos en
la imagen.
Algunos de los problemas ms frecuentes y el procedimiento par minimizarlos son:
3.1.1 Falta de una lnea.
El mal funcionamiento de un detector puede ocasionar que una lnea de barrido
aparezca con valores muy bajos o nulos, es decir que el sensor no capte
informacin apareciendo en la imagen visual como una lnea negra. La correccin
a este error se logra sustituyendo la lnea problema por el valor promedio de los
pixeles correspondientes a la lnea anterior y posterior.
3.1.2 Efectos atmosfricos.
Los efectos atmosfricos en imgenes de sensores remotos son debidos
especialmente a la atenuacin que sufre la radiacin en la atmsfera y la
dispersin en dicha radiacin. La dispersin es un fenmeno fsico que se
presenta al penetrar la radiacin visible a la atmsfera, debido a que al chocar con
las molculas de aire y de aerosol, se dispersa en varias direcciones, de tal
manera que una parte de esta puede ser desviada y nuevamente dirigida al
espacio. Es claro que la dispersin guarda una relacin con la longitud de onda,
19
Salvatierra
entre ms pequea la longitud de onda mayor ser la dispersin. Por esta razn
las imgenes multiespectrales presentan menos contraste en las bandas
correspondientes al azul y al verde mientras aumenta en las bandas del infrarrojo.
Para corregir el efecto de este fenmeno, el mtodo ms sencillo consiste en
comparar pixeles idnticos en todas las bandas.
Por ejemplo, pixeles
correspondientes a sombra o agua clara donde la respuesta espectral es muy baja
en todas las longituides de onda (visible e infrarrojo).
Cuando en las bandas de longitudes de onda ms corta tienen valores
relativamente altos, esto se debe la dispersin la cual causa cierta iluminacin. En
este caso se restan estos valores de todos los pixeles de la imagen. Los errores
de distorsin tambin pueden ser corregidos usando mtodos un poco ms
sofisticados basndose en estadsticas y en modelos de absorcin y dispersin
tomando parmetros como la temperatura, humedad relativa, visibilidad.
La absorcin por vapor de agua y otros gases en la atmsfera afecta
especialmente a las longitudes de onda mayores que 0.8 m, disminuyendo los
valores radiomtricos.
Los efectos atmosfricos ocasionan distorsiones radiomtricas cuando se intenta
comparar las mediciones espectrales hechas en campo con las mediciones de un
barredor multiespectral, lo cual tambin puede tener incidencia en el momento de
hacer la clasificacin.
3.1.3 Ruidos.
Se entiende por ruido cualquier seal no deseada dentro de una imagen. En
imgenes de sensores remotos hay varios tipos de ruido, entre otros: ruido al azar,
ruido aislado, ruido peridico y estacionario, ruido peridico pero no estacionario.
El ruido al azar se caracteriza por variaciones estadsticas de los niveles de gris
pixel por pixel. Este ruido puede ser originado en la atmsfera o en los
componentes electrnicos del sistema. Este tipo de ruido es independiente de la
seal. La forma ms aconsejable de eliminarlo es aplicar un filtro de paso bajo. El
ruido peridico es relativamente fcil de corregir, pero el ruido al azar es
considerablemente ms complejo, aunque a veces teniendo las caractersticas del
sensor, es posible tener una aproximacin del ruido esperado (figura 7)
Es necesario hacer un anlisis de la estructura del ruido antes de aplicarle el
algoritmo de "eliminacin del ruido".
20
Salvatierra
3.1.4 Error de medicin de la irradiancia.

Es un error inherente al sensor, ya que ste tiene una determinada precisin para
medir la energa incidente, ms all de la cual el sensor no detecta seales
diferentes. Este tipo de error resulta difcil de corregir por cuanto tendra que
cambiarse la escala de valores radiomtricos.
3.1.5 Saturacin del detector.
Un detector es sensible a un rango especfico de radiacin, fuera de este rango en
sensor se satura. Es un error que slo se presenta cuando se tienen objetos en
tierra que presentan una alta reflectancia.
Figura N 7. Ruido (noise) y bandeamiento (stripping)}

Fuente: CCRS, 1999
3.2 DISTORSIONES Y CORRECCIONES GEOMTRICAS
Las distorsiones geomtricas se pueden clasificar en sistemticas o inherentes al
sistema y en no sistemticas, es decir causadas por problemas de funcionamiento
del sistema.
3.2.1 Distorsin por rotacin de la tierra.
Esta distorsin se presenta porque la mayora de las imgenes de sensores
remotos (excepto la fotografa) son registradas en forma continua y en el lapso de
tiempo durante el cual se forma la imagen, la tierra se ha desplazado debido a su
21
Salvatierra
rotacin. Esta es una distorsin geomtrica sistemtica pero no es constante, ya

que el desplazamiento depende de la latitud (a menor latitud mayor
desplazamiento). Por ejemplo, las imgenes Landsat deben ser corregidas y por
esta razn tienen forma de paralelogramo. Esta correccin se hace aplicando
algoritmos que logren desplazar grupos de pixeles hacia una nueva direccin.
Dado que es una distorsin determinstica se corrige calculando la velocidad
relativa entre la tierra y el satlite (Figura 8).
3.2.2 Distorsin panormica.
A medida que se aleja la lnea del nadir el tamao del pixel aumenta. Este tipo de
distorsin se corrige slo cuando se tiene control terrestre adecuado y se hace a
travs del llamado Algoritmo de expansin (figura 9a).
3.2.3 Efecto de la curvatura terrestre.
Afecta el tamao del pixel por cuanto a medida que se aleja del nadir el campo de
vista instantneo el mayor (figura 9.b).
3.2.4 Distorsiones geomtricas no sistemticas.
Son debidas a variaciones imprevistas en velocidad, altitud y orientacin de la
plataforma.
Al aumentar la velocidad de la plataforma se cubre mayor rea en el sentido de la
lnea de vuelo de la plataforma (figura 10a).
Al aumentar la altitud aumenta el tamao de la superficie captada por los sensores
(figua 10b).
Las diferencias de posicin de los diversos puntos de la plataforma en relacin al
eje Y o al eje X (figura 10c).
22
Salvatierra
Tierra
Satlite
Figura N 8. Rotacin terrestre.

Fuente: Lpez; J. 1990
Tamao
Pixel
Tamao
pixel
Figura N 9A. Panormica

b. Alargamiento
Figura N 10a. Velocidad b. Movimiento de la plataforma c. Distorsiones

geomtricas
23
Salvatierra
3.3 SISTEMA DE PROYECCION

Es un sistema diseado para representar la superficie de una esfera o esferoide
(como la tierra) sobre un plano.
3.4 RECTIFICACION
Es el proceso de transformacin de los datos a partir de un sistema de grilla a otro
usando una ecuacin polinomial de orden n.
3.5 REMUESTREO
Es el proceso de extrapolacin de los valores de los datos
calculados para los pixeles a localizar en la nueva grilla a partir de los valores de
los pixeles fuentes (figura 11).
Figura N 11. Imagen rectificada.

Para corregir las distorsiones producidas por el movimiento de la plataforma se
utilizan tcnicas de remuestreo en concordancia con el registro continuo del
movimiento del satlite.
Las tcnicas de remuestreo se pueden efectuar por cualquiera de los siguientes
mtodos:
24
Salvatierra
a)
b)
c)
Vecino ms cercano
Interpolacin bilineal
Convolucin cbica
3.5.1 Mtodo del vecino ms cercano.

Utiliza el valor del pixel ms cercano para asignar el valor del pixel de salida
(figura 12). Para determinar el vecino ms cercano, el algoritmo usa la inversa de
la matriz de transformacin para calcular las coordenadas de la imagen a partir de
las coordenadas geogrficas deseadas. El valor del pixel que ocupa la coordenada
ms cercana de la imagen respecto a la estimada ser usada por el valor del pixel
de salida en la imagen georreferenciada.
VENTAJAS.
Valores de salida son los valores originales de entrada. Otros mtodos de

remuestreo tienden a promediar los valores de los pixeles vecinos.
Ya que se retienen los valores de los datos originales, este mtodo se
recomienda antes de la clasificacin.
Es fcil de calcular y muy rpido de ejecutar.
DESVENTAJAS.
Produce un efecto de escalonammiento. La imagen tiene una apariencia de

rugosidad relacionada con los datos originales sin rectificar.
Los valores de los datos podran perderse mientras otros valores podran
duplicarse.
Figura N12. Mtodo del vecino ms cercano.

25
Salvatierra
3.5.2 Mtodo de interpolacin bilinear.

Utiliza el promedio ponderado de los 4 pixeles ms cercanos para signar el valor
del pixel de salida (figura 13).
VENTAJAS
Se reduce el efecto de escalonamiento causado por el vecino ms cercano. La

imagen luce mas suavizada.
DESVENTAJAS
Altera los datos originales y reduce el contraste por promediar conjuntamente

los valores de los pixeles vecinos.
Es mas costosa desde el punto de vista computacional que el mtodo del
vecino ms cercano.
Figura N 13. Mtodo de interpolacin bilinear.

3.5.3 Mtodo de convolucin cbica

utiliza el promedio ponderado de los 16 pixeles ms cercanos para asignar un
nuevo valor al pixel de salida (figura 14).
26
Salvatierra
VENTAJAS
Se reduce el efecto de escalonamiento. La imagen luce suavizada.
DESVENTAJAS
Altera los datos originales y reduce el contraste por usar los valores promedios
conjuntos de los pixeles vecinos.
Es mas costoso computacionalmente que los mtodos de vecino ms cercano
y de interpolacin bilinear.
Figura N 14. Mtodo de convolucin cbica.

3.6 PASOS DE LA RECTIFICACION
1. Localizacin de puntos de control (GCP)
2. Comprobacin y prueba de una matriz de transformacin
3. Creacin de una imagen de salida con la informacin de las nuevas
coordenadas en el encabezador. Los pixeles deben ser remuestrados
conforme a la nueva grilla.
11.
1. 1.
27
Salvatierra
1.1.
1. Localizacin de puntos de control (GCP)
Los puntos de control deben estar uniformemente distribuidos sobre toda la
imagen satelital asegurando que, al final del remuestreo, la imagen quede
correctamente georeferenciada.
2. Comprobacin y prueba de una matriz de transformacin

La rectificacin se utiliza para calcular la posicin de los pixeles de salida a partir
de los GCPs. Para ello utiliza, dentro de las ecuaciones polinomiales, coeficientes
que convierten las coordenadas x,y de la imagen original, en coordenadas planas
(figura 15).
RMS
GCP
COORDENADA
X DE
REFERENCIA
CURVA POLINOMIAL
Figura N 15. Matriz polinomial.

Fuente: Chuvieco, 1996.
3.7 TRANSFORMACIONES
3.7.1. LINEARES
Las transformaciones de primer orden se llaman lineares. Se usan para
proyectar una imagen original a una proyeccin plana de un mapa.
Se recomiendan para reas relativamente pequeas.
28
Salvatierra
3.7.2. NO LINEARES
Estn referidas a las transformaciones de segundo orden. Pueden utilizarse para
convertir coordenadas referidas a latitud y longitud a un sistema de proyeccin
planar. Se recomienda para reas grandes, con informacin distorsionada.
3.8 NUMERO MINIMO DE GCP
A mayor orden de transformacin, mayor nmero de GCPs.
Ecuacin para determinar el nmero mnimo de GCPs:
((t + 1) (t + 2))
2
siendo t el orden de la transformacin.
Es decir, que en una transformacin de primer orden, el nmero mnimo de GCP
es de 3. Sin embargo, expertos internacionales (Jensen, 1996) recomiendan un
nmero mnimo de 15 puntos de control para asegurar una correcta rectificacin.
3.9 ERROR MEDIO CUADRATICO (RMS)

Es la distancia entre la localizacin de entrada (fuente) de un GCP y la localizacin
retransformada para el mismo GCP, el cual es transformado a partir de una matriz
de transformacin.
RMS = (Xr - Xi)2 + (Yr - Yi)2
donde:
Xi y Yi son las coordenadas de entrada (fuente) y

Xr y Yr son las coordenadas re-transformadas.
Se recomienda un error medio cuadrtico de 1.5 para zonas escarpadas (con el

objeto de compensar las distorsiones debidas al terreno) y de 3 para zonas
planas.
29
Salvatierra
4. MEJORAMIENTO DE IMGENES
Mejorar una imagen consiste en ejecutar un procesamiento numrico para realzar,
enfatizar o suprimir caractersticas de la imagen. En este procesamiento se
incluye el mejoramiento del contraste entre objetos, nfa sis en lmites entre los
diferentes tipos de cobertura terrestre y tambin sirve para suprimir caractersticas
no deseadas en la imagen.
Se han desarrollado diversas tcnicas que de acuerdo al tipo de operacin que
ejecuta sobre el pixel se pueden clasificar en puntuales y locales. El valor del pixel
en la primera es modificado en forma independiente de los dems y en la segunda
depende del valor que tengan los pixeles vecinos.
Las tcnicas para el realce de detalles en imgenes digitales, se pueden clasificar
como:
4.1 REDUCCIN Y AMPLIACIN DE LA IMAGEN
4.1.1 Reduccin
En varias ocasiones se requiere analizar una imagen en un sistema de
procesamiento que solo puede desplegar 512 x 512 pixeles simultneamente.
Para reducir una imagen justo 1/m2 de los datos originales, cada m-xima fila y mxima columna de la imagen es sistemticamente seleccionada y desplegada.
Ejemplo: Si una escena LANDSAT MSS contiene 3240 columnas y 2340 filas y se
reduce con un factor m = 2, la nueva imagen ser un 25% ms pequea que la
original.
2340 filas
3240 columnas
Si m = 2, la imagen original se reducir 1 m/2 = = 25%
30
Salvatierra
Entonces:
3240 2 = 1620
2340 2 = 1170
1170 filas
1630 columnas
Ejercicio: Sabiendo que una escena de Landsat TM tiene 6940 columnas por
5940 filas, cada cuntos pixeles se deben seleccionar, para poder desplegarse
en monitor de 512 x 512 pixeles?
4.1.2 Ampliacin de la Imagen
La ampliacin de Imgenes digitales (a menudo denominada ZOOM), es
usualmente ejecutada para mejorar la escala de despliegue con propsitos de
interpretacin visual. Amplificar una imagen digital implica hacer una rplica de
valores de pixel. Para ampliar una imagen digital por un factor m2, cada pixel de la
imagen origina l es usualmente reemplazado por un bloque de m x m pixeles, todos
con el mismo valor radiomtrico como pixel de entrada original.
31
Salvatierra
Porcin de Imagen original
14
15
13
21
22
19
13
16
15
18
17
21
30
28
27
29
19
29
25
28
24
27
26
25
82
77
76
95
85
85
Porcin de Imagen Ampliada con m = 2
14
14
15
15
13
13
14
14
15
15
13
13
13
13
16
16
15
15
13
13
16
16
15
15
54
59
52
52
56
56
4.2 MEJORAMIENTO DEL CONTRASTE

Consiste en la aplicacin de procedimientos que realzan el contraste visual en la
imagen. Se utiliza una funcin definida por el usuario.
4.2.1 Expansin lineal total
El Histograma (figura 16 a y b)ocupa un rango [N min, N max], mediante una
funcin lineal F (figura 17 )se transforma el histograma para que ocupe todo
el rango disponible [0, 255].
32
Salvatierra
255
255
Figura N 16.a Histograma estrecho

Nmin
Nmax
.b Histograma ancho
Nmax 255
255
Figura N 17. Transformacin mediante una funcin lineal

En la prctica se obtienen mejores resultados saturando algunos pixeles cercanos

a los valores N-min y N-max (figura 18).
Pixeles saturados
255
255
Figura N 18. Saturacin de pixeles cercanos al mnimo y al mximo

33
Salvatierra
Esta tcnica no aumenta la cantidad de informacin en la imagen. Sin embargo la

expansin del histograma no permite discriminar 2 pixeles que tienen el mismo
valor radiomtrico.
El parmetro ENTROPIA
imagen digital (figura 19).
no vara al realizar la ampliacin del histograma de una
0.........................255
0 ..........................................255
Figura N 19. Ampliacin del histograma sin variacin de Entropa

El parmetro VARIANZA si vara al realizar la ampliacin del histograma de una

imagen digital, pues este aumenta.
4.2.2 Expansin lineal parcial
Se puede expandir solamente una porcin del histograma y enmascarar las otras.
Ejemplo: Enmascarar el mar y mejorar el contraste en el suelo (figura 20).
MAR
MAR
Figura N 20. Enmascaramiento de una clase
34
Salvatierra
4.2.3 Ecualizacin: (Expansin no lineal del histograma).

Se busca reducir el contraste en reas muy claras o muy oscuras y expandir los
niveles de gris intermedios hacia los extremos alto y bajo de la escala de
reflectancia, en razn de que la mayora de los histogramas tienen una forma
Gaussiana (figura 21).
By
By
Nmin
Nmax
By
Nmin
Nmax
255
Figura N 21. Histograma Ecualizado por una funcin no lineal

Es decir que a partir del histograma original de entrada, seguramente asimtrico,

se busca obtener un histograma con una distribucin ms uniforme en el cual la
"participacin" (frecuencia) de cada uno de los tonos de gris sea ms uniforme.
La frecuencia "ideal" para cada uno de los niveles de gris de salida ser:
Fs = 100% /ng
En donde:
fs: Frecuencia relativa de salida
ng: Nmero de niveles de gris
Por ejemplo si una pantalla permite visualizar 16 tonos de gris simultneamente
entonces la frecuencia relativa de salida para cada uno de ellos ser:
Fs = 100 / 16 = 6.25%
35
Salvatierra
4.3 SEGMENTACIN
Esta tcnica permite una primera interpretacin de la imagen y obtener un mapa
temtico.
Se aprovecha el carcter multimodal del histograma para definir ciertos rangos
que son identificados como clases de informacin. A todos los pixeles ubicados
en el mismo rango se les asigna el mismo color (Figura 22).
255
Figura N 22. Histograma segmentgado y curva isodensidad.

4.4 FILTRAJE O CONVOLUCIN

Dentro de las tcnicas para el mejoramiento de imgenes estn las que ejecutan
operaciones sobre el pixel, dependiendo de un espacio de frecuencia, a ese
nmero de cambios en el valor del pixel por unidad de distancia es lo que se
denomina frecuencia espacial. Esto significa que si existen muy pocos cambios
en el valor radiomtrico sobre un rea dada, corresponder a un rea de baja
frecuencia, al contrario si los valores radiomtricos cambian a cortas distancias se
dir que es un rea de alta frecuencia.
Para extraer informacin de la frecuencia espacial es necesario definir un rea
donde se observe la variacin de los valores radiomtricos. Generalmente se
utilizan mscaras de convolucin, llamadas tambin matriz de coeficientes o
"kernel", que pueden ser de tamao 3 x 3, 5 x 7, 7 x 7, 9x 9 y as sucesivamente.
El proceso de filtrado consiste en calcular para cada pixel una combinacin lineal
de los valores radiomtricos sobre un espacio de frecuencia cercano de este, y
ponderarlo de acuerdo a una mscara de convulucin cuyos coeficientes son
constantes. Es dexcir un filtro espacial transforma el valor de un pixel teniendo en
36
Salvatierra
cuenta los valores de los pixeles vecinos. La combinacin lineal se calcula por
medio de la ecuacin:
n
Pi = [G* Ki Po ] + H
i =1
Donde:
Pi:
G:
n:
Ki:
Po:
H:
Valor del pixel nuevo

Constante que escaliza el valor nuevo del pixel entre 0 y 255
Nmero de elementos de la matriz de coeficientes
Elemento i de la matriz de coeficientes
Valor del pixel original
Constante que garantiza que los nuevos valores de Pi sean positivos
Dependiendo del efecto que tienen sobre la imagen original, los filtros espaciales
se pueden clasificar como:
4.4.1 De suavizacin.
El efecto de este tipo de filtro es suavizar o reducir niveles de gris y en
consecuencia hacer ms armnico el contraste, aunque se pierden detalles
geomtricos, es posible resaltar zonas homogneas. Adems permite atenuar
altas frecuencias y eliminar ruidos instrumentales (figura 23).
Figura N 23. Filtro de suavizacin

37
Salvatierra
4.4.2 De mejoramiento.
Se utiliza para realzar las altas frecuencias y detalles geomtricos, mejorando as
la definicin de contornos, lineamientos etc.
Al realzar las caractersticas
geomtricas es normal que se pierdan algunos detalles radiomtricos. (figura 4.9).
Cuando el valor absoluto de la sumatoria de los coeficientes alrededor del pixel
central es igual al valor del pixel central se obtiene el filtro pasa-alto mximo o
tambin conocido como filtro Laplaciano. (figura 24).
a.
b.
-1
-1
-1
-1
10
-1
-1
-1
-1
-1
-1
-1
-1
16
-1
-1
-1
-1
38
Salvatierra
c.
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
d.
-1
-2
-1
-2
-2
-2
-1
Figura N 24. Filtros de mejoramiento con diferentes valores centrales.

4.4.3 Filtros de Deteccin de Bordes

En el estudio de los recursos naturales, la informacin ms valiosa puede ser
derivada de una imagen detectando los bordes de varios objetos o caractersticas
de inters. Las operaciones de mejoramiento de bordes permiten delinear los
cambios en valor de brillo de dos pixeles adyacentes. Con ello hacen posible la
deteccin de formas y detalles.
Los bordes pueden ser mejorados usando tanto tcnicos de mejoramiento lineal o
no lineal.
39
Salvatierra
4.4.4 Filtro de deteccin de bordes lineales

Se encarga de resaltar detalles geomtricos en una direccin, ejemplo norte sur,
este oeste. (figura 25).
NORTE
SUR
ESTE
OESTE
-2
-1
-2
1NORDESTE
-1
-1
-1
-1
-1
-1
-1
-1
-2
-2
-1 NOROESTE
-1
-1
-1
-1
-1
-1
-1
-2
-2
1 SURESTE
-1
-1
-1
-1
-2
-1
-2
-1 SUROESTE
-1
40
Salvatierra
-1
-2
-1
-1
-2
-1
H/TAL
VERTICAL
Figura N 25. Filtro de deteccin de bordes lineales

4.4.5 Filtro de deteccin de bordes no lineales

Su principal funcin es resaltar los cambios fuertes en los valores de los pixeles,
por ello se utiliza para enfatizar los bordes (figura 26).
HORIZONTAL
DIAGONAL
-1
-1
-1
-1
-1
-1
-1 VERTICAL
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
2
DIAGONAL
-1
-1
Figura N 26. Filtro de deteccin de lneas

41
Salvatierra
5 T R AT AMIE N TO CONJU NT O DE BAN DAS
Trabajar con bandas individuales proporciona resultados tiles en la interpretacin,

sin embargo, es posible mejorar estos resultados cuando se incorpora informacin
proveniente de varias bandas en forma simultnea por cuanto existe un mayor
aporte de datos. Es aqu donde las imgenes multiespectrales demuestran su
potencialidad para generar nuevas imgenes que recogen el resultado de un
anlisis conjunto de datos que aunque aparentemente se encuentra desmembrado
en diferentes bandas del espectro, tiene una relacin estrecha, que como tal debe
ser aprovechada.
El tratamiento conjunto de las bandas como tal, no implica que se tenga que
trabajar con todas las bandas disponibles, sino con aquellas que estn menos
correlacionadas con el fin de que el aporte de informacin sea ms significativo.
Existen mltiples operaciones que se pueden aplicar a las bandas entre ellas
operaciones matemticas, como adicin, sustraccin, producto, divisin y algunas
combinaciones de las anteriores como el caso de ndice de vegetacin. Otras
operaciones son las de tipo lgico, entre las cuales se encuentra la composicin a
color. Tambin se pueden aplicar a las imgenes cierto tipo de transformaciones
que facilitan el anlisis de los datos, entre ellas estn las transformada de
Karhunen-Loeve y la transformada de Fourier, muy utilizadas en imgenes de
sensores remotos.
5.1 OPERACIONES ENTRE BANDAS
El aplicar operaciones matemticas entre bandas es muy til, sin embargo los
resultados estn limitados por la escala de grises en la que se trabaje. As cuando
la escala tiene 256 niveles (escala que estamos utilizando en este curso), debe ser
normalizado para evitar interpretaciones equvocas.
Para las operaciones que se van a presentar a continuacin, se definen las
siguientes variables:
Sea A una banda de m filas por n columnas
Sea B una banda de m filas por n columnas
Sea C una matriz resultante de la operacin
42
Salvatierra
A=
C=
a
a
:
:
a
a
a
:
:
a
....a
....a
:
:
....a
c
c
:
:
c
c
c
:
:
c
.... c
.... c
:
:
c
b
b
B=
:
:
b
b ..... b
b ..... b
:
:
:
:
b ..... b
5.1.1 Adicin
La adicin entre banda A y Banda B est definida como la suma entre valores
radiomtricos respectivos de banda A con banda B.
Cij = aij + bij
Como es posible que Cij sea mayor que el mximo nivel de gris, es decir 255, se
debe aplicar una funcin de normalizacin que para el caso bien puede ser
obtener un promedio entre los valores radiomtricos de las bandas.
Cij =
Ejemplo:
aij + bij
2
Hallar la matriz resultante de A + B y el resultado de la adicin

normalizada para:
43
Salvatierra
10
20
30
20
A=
30
20
70
10
B=
10 + 30
20 + 20
30 + 70
20 + 10
40
40
C=
C=A+B
100
30
El resultado de la adicin normalizada es:
10+ 30
2
20+ 20
2
20
20
50
15
C=A+B=
30+ 70
2
20+10
2
La adicin normalizada es utilizada generalmente cuando se quiere obtener una

nueva imagen (resultante) con menor influencia de ruido, debido a que al
promediarse se logra una atenuacin de valores altos ocasionados por este
fenmeno, se requiere claro est, ejecutar las operaciones entre bandas cercanas
dentro del espectro, as por ejemplo dos bandas del rango visible o dos del
infrarrojo.
La adicin sin normalizar puede ser til cuando se desea incrementar un valor
constante a una banda el cual fue reducido por algn tipo de fenmeno
atmosfrico por ejemplo la absorcin. En este caso, se utiliza una imagen con
valores constantes para sumar a la original y as obtener una nueva imagen con
valores ms altos.
5.1.2 Sustraccin
La operacin de sustraccin de A y B est definida como la resta entre valores
radiomtricos respectivos de la banda A con respecto a la banda B.
Cij = aij bij

44
Salvatierra
Si aij es menor que bij, el valor de cij ser negativo lo cual es imposible de
representar cuando se trabaja en una escala como la que tenemos (0, 255). Para
solucionar este inconveniente se puede convertir el resultado negativo siempre en
cero o aplicar una funcin de normalizacin, as:
Cij = aij - bij
Sean A y B dos bandas diferentes de la misma rea, la operacin de sustraccin A
- B est definida como la diferencia normalizada entre cada uno de los valores de
pixel de A respecto de B.
5.1.3 Producto
Sean A y B dos bandas diferentes de la misma rea, la operacin de multiplicacin
o producto entre A y B queda almacenada en C y est definida como:
Cij =
aijxbij
255
Debido a que el resultado est acotado por:

1/255 Cij 255
Se debe aplicar una funcin de normalizacin para estar seguro de que el valor
resultante de la operacin est entre 0 y 255.
Para ello se divide el intervalo de valores en dos as:
El primero, entre 1/255 y 1
El segundo, entre 1 y 255
Si un valor Cij est en el primer intervalo, se transforma a un valor entre 1 y 128,
mientras si se encuentra en el segundo intervalo se transforma a una escala entre
128 y 255.
As para 1/255 1 Cij = Ent [(Cij x 127) + 1]
Para 1 Cij 1/255 Cij = Ent [(Cij/2) + 128]
45
Salvatierra
5.1.4 Divisin o proporcin

Es un proceso que consiste en obtener una imagen resultante de la divisin de los
valores de los pixeles en una banda por los correspondientes valores de los
pixeles en una banda por los correspondientes valores en otra banda.
Sean A y B dos bandas diferentes de la misma zona, la divisin o proporcin de
banda A con banda B es almacenada en C, y est definida como sigue:
Cij = aij
bij
Cuando el valor bij = 0, se aproxima a 0.1, para solucionar el problema de la

divisin por cero.
Se presenta un caso similar al que ocurre con el producto, es decir que 1/255 < Cij
< 255, por lo tanto, se debe aplicar al resultado una funcin de normalizacin
idntica al caso visto en el producto.
Este tipo de proceso mejora las caractersticas radiomtricas de la imagen, al no
tener en cuenta las variaciones en las condiciones de iluminacin (Topografa,
sombras).
5.1.5 ndice de Vegetacin
El ndice de vegetacin es un ejemplo de operacin entre bandas donde se
establece la probabilidad de encontrar diferentes tipos de cobertura vegetal,
dependiendo de factores tales como: la biomasa, el contenido de clorofila, la
productividad, el rea de la hoja y porcentaje de cobertura del suelo.
Para el clculo del ndice de vegetacin se aprovecha la diferencia significativa de
la respuesta espectral de la vegetacin en una banda del infrarrojo y en una zona
de la imagen existe vegetacin, esto se va a ver reflejado en un ndice alto, debido
a la ecuacin que define el ndice de vegetacin:
Sea A una banda del infrarrojo de m filas por n columnas
Sea B una banda del visible de m filas por n columnas
Sea C la matriz resultante del clculo del ndice de vegetacin
C ij = aij bij
aij + bij
46
Salvatierra
El resultado de esta operacin est entre -1 y 1, para poder observar la matriz de

los Cij es necesario escalizarlos entre 0 y 255, para ello es necesario recurrir a
una operacin de normalizacin, que para el caso sera:
C ij = aij bij
aij + bij
* 127 + 127
As una vez aplicado este ndice de vegetacin normalizado, los valores de los Cij
altos estarn indicando mayor probabilidad de existencia de cobertura vegetal.
5.2 COMPOSICIN EN COLOR
Los monitores de los computadores despliegan los colores basados solamente en
tres colores primarios el rojo, verde y azul, con los cuales construye otra serie de
colores, que dependen del porcentaje que aporte cada uno de ellos. Dependiendo
de la profundidad del monitor (nmero de bits que maneja) es posible desplegar
cierto nmero de colores, as para un monitor con una profundidad de 8 bits es
posible obtener 256 combinaciones diferentes (2 ^8 = 256).
La composicin en color es un proceso mediante el cual se crea una nueva
imagen basado en la combinacin de 3 bandas, aportando cada una de ellas un
porcentaje de color primario que depende del valor del pixel, as por ejemplo:
El valor del pixel ij en banda 1 es: 57 (57/255=0.22)
Si el aporte de la banda 1 va estar representado por el color Rojo, el de banda 2
por el verde y el de banda 3 por el azul, esto significa que en la composicin a
color, habr una contribucin aproximada de un 22% de rojo, un 21% de verde y
un 57% de azul. Con base en una tabla de color preestablecida se asigna un
nuevo valor de pixel a la imagen resultante.
Las posibles combinaciones que se pueden obtener con tres bandas, si en cada
una existen 256 estados son 16'700.000, cuando se utiliza un monitor que no
alcanza a desplegar tal cantidad se debe recurrir a agrupar ciertas combinaciones.
En general este proceso se conoce como composicin en falso color debido a que
el resultado difiere de los colores naturales, ya sea porque el monitor no alcanza el
nmero de colores, o porque no hay una correspondencia entre el rango de
frecuencias de la banda asignada y el color que est representando su aporte.
47
Salvatierra
As por ejemplo una aproximacin a una composicin en verdadero color estara

dada cuando el aporte de cada banda se represente en el mismo color, en el caso
de una imagen Landsat TM a la banda 1 que se encuentra en el rango del azul, su
aporte se represente en color azul, a la banda 2 se le asigne el color verde y a la
banda 3 el color rojo.
5.3 ANLISIS EN COMPONENTES PRINCIPALES

Tambin denominado factor KL o Transformador Karhunen-;Locue. Tiene un
significado especial en el anlisis de datos de Sensores Remotos.
La
transformacin de los datos usando CP puede resaltar imgenes en una nueva
componente principal que a menudo son ms fciles de interpretar que los datos
originales. Tambin el anlisis en CP puede ser usado para comprimir el
contenido de la informacin en dos bandas de la imagen. As por ejemplo, de
siete bandas del mapeador temtico, es posible comprimirlas a 2 o 3 imgenes de
componente principal.
Para ejecutar la descomposicin en CP, se aplica una transformacin al conjunto
de datos correlacionados, es decir eliminando la redundancia de informacin y
correlacin entre bandas, se consigue la reduccin en la dimensionalidad de la
imagen multiespectral.
La posicin de un pixel en un espacio multiespectral puede ser descrito por
vectores cuyos componentes son respuestas espectrales en cada banda.
Estrictamente, estos son vectores dibujados desde el origen hasta el punto del
pixel, pero su concepto no es usado explcitamente. Cada pixel est descrito por
un vector X donde X es el valor del pixel en la banda i. La posicin media de los
pixeles en el espacio est definida por la media aritmtica.
El objetivo de usar el anlisis en CP es trasladar o rotar el origen de los ejes, as
que los valores de brillo sobre los ejes X y X son redistribuidos en un nuevo
conjunto de ejes o dimensiones X y X.
48
Salvatierra
6. CLASIFICACIN DE IMGENES MULTIESPECTRALES
Es posible analizar datos captados por sensores remotos de la tierra y extraer

informacin temtica til. Uno de los mtodos ms utilizados para la extraccin de
informacin es la Clasificacin Multiespectral. Este procedimiento asume que la
imagen de un rea geogrfica especfica es agrupada en mltiples regiones del
espectro electromagntico y que estn registradas en las imgenes.
La clasificacin multiespectral es un concepto del procesamiento digital de
imgenes que contempla los procedimientos mediante los cuales un computador
puede agrupar los pixeles de una imagen de acuerdo a categoras o clases dentro
de un espacio multiespectral. Este proceso incluye la determinacin de un criterio
de decisin que pueda usar un computador para asignar a un objeto determinado
una clase especfica con base en reglas de clasificacin.
Existen dos enfoques principales para la determinacin de las caractersticas
espectrales de todos los tipos de cobertura del terreno en los cuales se clasifican
los datos y estos son el mtodo supervisado y el no supervisado.
6.1 CLASIFICACIN SUPERVISADA
Dentro de la clasificacin supervisada la identidad y localizacin de algunos de los
tipos de cobertura tanto urbana, agrcola y forestal son conocidos a priori a travs
de una combinacin de trabajos de campo, anlisis de fotografas areas, mapas y
experiencias personales. Los anlisis previos para localizar sitios especficos en
los datos de sensores remotos, que representan ejemplos homogneos de stas,
son comnmente conocidos como reas de entrenamiento en razn de que las
caractersticas espectrales de estas reas conocidas son utilizadas para "entrenar"
un algoritmo de clasificacin. Los parmetros estadsticos multivariados (media,
desviacin estndar, matriz de covarianza, matriz de correlacin) son calculados
para cada sitio de entrenamiento, para luego evaluar cada pixel de la imagen,
compararlo y asignarlo a una respectiva clase.
Los principales aspectos que deben considerarse para orientar una clasificacin
supervisada son:
1.
Adoptar un esquema de clasificacin ordenado
2.
Seleccionar reas de entrenamiento representativa
3.
Extraer las estadsticas de los datos espectrales del rea de entrenamiento.

49
Salvatierra
4.
Analizar las estadsticas para seleccionar los datos que ofrezcan mayores
ventajas (bandas) en el proceso de clasificacin.
5.
Seleccionar el algoritmo de clasificacin adecuado
6.
Clasificar la imagen en n clases
7.
Evaluar estadsticamente la exactitud de la clasificacin
En este anlisis se pueden utilizar mapas temticos, fotografas areas, trabajos

de campo, experiencia previa, etc.
La clasificacin de la escena depende del analista, los objetivos que se tengan,
incluso de los sistemas polticos o burocrticos del medio. Tambin influyen la
resolucin del sensor, escala de la imagen y datos recolectados en campo.
6.1.1 Seleccin de algoritmos apropiados para la clasificacin supervisada.
Muchos algoritmos fueron propuestos para responder a la pregunta de cmo
asociar un punto desconocido con cada informacin de clase.
Para escoger un algoritmo particular o regla de decisin, se debe tener en cuenta
la naturaleza de los datos de entrada y lo que se desea obtener como resultado.
Los algoritmos de clasificacin paramtricos asumen que las medidas de los
vectores observados Xc obtenidos para cada clase, en cada banda espectral en
la zona de entrenamiento de la clasificacin supervisada son de naturaleza
Gaussiana (es decir, estn normalmente distribuidos).
Los algoritmos de
clasificacin no paramtricos no asumen esta situacin. Esta es una regla para
revisar la lgica de algunos de los clasificadores.
Entre los clasificadores ms frecuentemente usados estn los de: Paraleleppedo,
distancia mnima y mxima verosimilitud.
6.1.1.1 Paraleleppedo
Este algoritmo requiere previamente establecer las zonas de entrenamiento y se
basa en la inspeccin de los histograma de las zonas elegidas para ello.
De los histogramas en cada zona de entrenamiento se define un rango mediante
el valor mximo y mnimo de pixel en cada banda. Esto se representar como un
50
Salvatierra
rea rectangular en un diagrama de dos canales (si estamos trabajando con dos
bandas) (figura 27).
B2
Vmin
Vmax B 1
B1
B1
Vmin
Vmax B 2
B2
Figura N 27. Rango de dispersin de los valores radiomtricos

La figura 27 indica el mtodo para una clase determinada (ej. Bosques). Al repetir
el mtodo para otras clases (ej. Agua, arenas, etc.) se obtendr una figura con las
caractersticas siguientes (figura 28):
51
Salvatierra
u u
U u
S
s s
S s
u u
N
D
W
A
C
Cc
CC
Cc c
1
h
cc
hh
hhh
hhhh
F F hhhhh
4
FF
FF
FFF
FF
F
w
W
w
w
BANDA 4
Figura N 28. Distribucin de clases espectrales por banda.
De este modo, un pixel desconocido, es clasificado de acuerdo a la categora de
los rangos espectrales o regin de decisin en la cual se encuentra.
Si se trabaja con ms de dos bandas, los rangos en todos los componentes
describen una caja multidimensional o paraleleppedo. Si en la clasificacin se
encuentra que un pixel cae dentro de ese paraleleppedo cualquiera, se lo designa
como perteneciente a esa clase.
El clasificador de paraleleppedo es muy rpido y eficiente y es empleado en
muchos sistemas de anlisis de imgenes por la simplicidad para entrenar y
ejecutar. A pesar de ello, presenta los siguientes inconvenientes.
a. Pueden existir vacos considerables entre los paraleleppedos y por ende los
pixeles no pueden ser clasificados en una regin (ej. Punto 3, figura 28) del
paralelepdedo
52
Salvatierra
b. Puede existir sobreposicin de paraleleppedos que tienen como consecuencia

el no poder discriminar a qu clase pertenece el pixel analizado (ej. Punto 4,
Figura 28). En este caso se clasifica al pixel como "no seguro" o se lo asigna
arbitrariamente a una de las clases superpuestas.
6.1.1.2 Distancia Mnima a la Media
Figura N 29. Mtodo de la mnima distancia

La figura 29 ilustra una de las ms simples clasificaciones. En esta es necesario
que el usuario provea el valor del vector medio para cada clase y para cada banda
en funcin del rea de entrenamiento.
El medio de la cartografa est sealado con el smbolo "+" en la figura 29. Un
pixel de identidad desconocida puede ser clasificado computando la distancia
entre el valor del pixel y el valor medio de cada una de las zonas. Luego se
asigna el pixel a la zona cuya distancia sea menor al valor medio.
Si son evaluadas ms de una banda, en la clasificacin (n bandas), la ecuacin
euclidiana que se utiliza es:
53
Salvatierra
Si el pixel se encuentra a una distancia mayor que una determinada "a priori" por
el analista de la imagen, se interpretar como clase "desconocida".
Este mtodo es matemticamente simple y computacionalmente eficaz pero posee
graves limitaciones. La principal de ellas se ilustra en el punto 2 de la figura 29,
donde por distancia, el punto pertenece a la clase U.
6.1.1.3 Mxima probabilidad

El clasificador de mxima verosimilitud evala cuantitativamente la varianza y
correlacin de la respuesta espectral del patrn de la muestra de entrenamiento
cuando clasifica un pixel desconocido. Para realizar esto se asume que la
distribucin de los puntos de una categora de una zona de entrenamiento es
Gaussiana (es decir, que su distribucin es normal).
Esto es razonable
generalmente para distribuciones espectrales de clases de entrenamiento
comunes. En consecuencia, la misma puede ser descrita por medio del vector
promedio y la materia de parmetros de covarianza. Lo siguiente describe la
varianza y la correlacin, tambin llamada aproximacin paramtrica. Dado estos
parmetros, se computa la probabilidad estadstica de que un valor de pixel dado
pertenezca a una clase particular de cobertura. La figura 30 muestra los valores
probables ploteados en un grfico de tres dimensiones.
Figura N 30. Mtodo de mxima probabilidad

54
Salvatierra
El eje vertical es asociado con la probabilidad de un pixel de ser un miembro de

una de las clases. Las superficies resultantes, con formas de campanas, son
llamadas funciones de probabilidad de densidad. Luego de evaluar la probabilidad
en cada una de las categoras, el pixel debe ser asignado a la clase que ms se
asemeja o designado como desconocido cuando los valores de probabilidad sean
todos menores a un lmite que designe el analista.
En esencia, el clasificador de mxima verosimilitud delinea contornos elipsoidales
de equiprobabilidad en el diagrama.
Estas regiones de decisin se muestran en la figura 30. La forma de los contornos
de equiprobabilidad expresan la sensibilidad del clasificador de verosimilitud a la
correlacin. Por ejemplo, dada una sensitividad podra verse que el pixel 1 sea
asignado apropiadamente a la categora C.
El principal inconveniente del clasificador de mxima verosimilitud es el gran
nmero de cmputos que se requieren para clasificar cada pixel.
Esta
complejidad hace que el proceso de clasificacin sea lento y ms costoso que las
tcnicas ms sencillas. Mientras ms costosa sea la tcnica de clasificacin de
mxima verosimilitud, es generalmente de mayor exactitud.
Intuitivamente pareciera que cuando se utiliza un mayor nmero de bandas en un
clasificador de mxima verosimilitud, el resultado de la clasificacin es mejor.
Pero generalmente, hay un nmero ptimo relativamente pequeo que se utiliza.
Pues al aumentarse el nmero de bandas, el tiempo computacional requerido
dada la gran cantidad de clculos involucrados, aumenta y tambin porque el
contenido de la informacin puede estar contaminada por informacin
insignificante en otras bandas. Este problema es particularmente crtico, cuando
se utilizan un nmero grande de bandas espectrales correlacionadas. Se ha
encontrado en algunos casos que la exactitud del clasificador de mxima
verosimilitud comienza a decaer cuando se utilizan ms de cuatro o cinco bandas
espectrales, es beneficioso el considerar un subconjunto de las bandas ms
representativas. La decisin sobre cual de las bandas se debe utilizar se basa en
un proceso llamado seleccin de rasgos o caractersticas. En este proceso se
evalan muchos subconjuntos de bandas para as determinar cual combinacin es
ms til para discriminar las categoras de intereses y el anlisis de la clasificacin
se limita a ese conjunto de bandas.
55
Salvatierra
6.2 CLASIFICACIN NO SUPERVISADA

En este mtodo los tipos de cobertura no se conocen bien porque falta trabajo de
campo o porque las caractersticas espectrales de la superficie no estn
claramente definidas en la imagen. El computador es orientado para que agrupe
(cluster) los pixeles en diferentes clases de acuerdo con un cierto criterio
estadstico.
En este enfoque los parmetros estadsticos que determinan las clases de
entrenamiento se determina mediante la seleccin de campos heterogneos que
contienen tantas relaciones espectrales diferentes como sean posibles y entonces
se usa un algoritmo aglutinante para agrupar automticamente los pixeles de
caractersticas espectrales similares en un nmero de clases de grupos
separables espectralmente. No se requiere conocer a priori la identidad del
agrupamiento (entrenamiento) y quizs una de las caractersticas ms importantes
de este mtodo es que no solo determina los tipos de cobertura pura del terreno,
en una zona, sino tambin las clases mezcladas que se presentan usualmente en
un grupos de datos Landsat. Por consiguiente, se obtiene una representacin
ms cercana de los agrupamientos espectrales naturales de una zona mediante el
enfoque no supervisado.
An cuando la clasificacin multiespectral real de datos de sensores remotos
involucran un gran nmero de operaciones, los conceptos fundamentales y los
pasos esenciales se pueden considerar en:
6.2.1 Presentacin pictrica de los datos sin analizar
Como los datos se graban usualmente en una cinta magntica el primer paso de
una clasificacin multiespectral involucra la representacin de estos datos en una
forma pictrica para su inspeccin visual. Esto se puede lograr mediante el uso de
un monitor a color o de una impresora.
Los datos en forma pictrica se usan entre otros objetivos para:
-
Valorar la calidad de los datos

Determinar la cantidad y distribucin de nubes
Dlinear las reas de inters para estudio detallado (seleccionar ventanas)
Seleccionar muestras representativas dentro de un rea de inters para
determinar las clases espectrales (reas de entrenamiento) que se usarn en
el entrenamiento del clasificador).
56
Salvatierra
La parte ms importante y crtica en este paso es la de asegurarse que todos los

objetos posibles que se encuentran en la zona estn debidamente representados
en la muestra para entrenamiento.
6.2.2 Definicin de las clases espectrales (entrenamiento)
El proceso de instruir al computador cmo y en qu circunstancias tomar ciertas
decisiones se conoce como "entrenamiento".
En el caso particular de la clasificacin de datos multiespectrales percibidos
remotamente, al computador debe proporcionrsele las caractersticas de un
nmero de clases espectrales que le permita decidir si un pixel se debe clasificar
en una de las clases de adiestramiento.
En el caso particular de la clasificacin de datos multiespectrales percibidos
remotamente, al computador debe proporcionrsele las caractersticas de un
nmero de clases espectrales que le permita decidir si un pixel se debe clasificar
en una de las clases de adiestramiento.
En la prctica las caractersticas espectrales de los tipos de cobertura terrestre, se
determinan usualmente mediante simples parmetros estadsticos, como las
medianas y covarianzas de distribuciones normales de la firma espectral de cada
una de las clases de adiestramiento.
La figura 31 muestra un histograma bidimensional (bandas 2 y 3 del Landsat TM)
de un gran nmero de pixeles que corresponden a 3 tipos bsicos de cobertura y
los cuales se agrupan entre ellos. El algoritmo de agrupamiento ubica estos
grupos y computa sus parmetros estadsticos caractersticos que luego se usan
para entrenar el computador.
Figura N 31. Agrupamiento de formas espectrales del agua, suelos, y vegetacin

57
Salvatierra
Clasificacin en toda el rea de estudio

En este caso el clasificador implementado por el computador hace prcticamente
el trabajo.
En esta etapa los parmetros estadsticos determinan las
caractersticas espectrales de las clases que se usaron en el entrenamiento y
entonces efecta la clasificacin de toda el rea de estudio.
El clasificador es un algoritmo que toma decisiones y que puede ser entrenado
para asignarlo a cada pixel una clase determinada. Existen varias clases de
clasificadores u difieren unos de otros en cuanto al tipo de decisin o regla de
clasificacin usada (Bartolucci, 1979). Se pueden mencionar el clasificador de
probabilidad mxima por punto, clasificador de la distancia mnima, clasificador de
cascada, paraleleppedo, clasificador de extraccin y clasificacin de objetos
homogneos, clasificador de niveles, el del vecino ms cercano, etc.
6.2.3 Representacin pictrica y tabular de la clasificacin
Al terminar la clasificacin multiespectral los resultados se pueden presentar en
distintos formatos de acuerdo con las necesidades y especificaciones del usuario.
Existen tres tipos principales de formatos:
-
Productos grficos
Tablas estadsticas
Archivos de datos digitales
6.2.4 Evaluacin de los resultados de la clasificacin

Para que una clasificacin multiespectral sea de utilidad prctica es necesario
determinar su exactitud y confiabilidad. Usando el anlisis numrico es posible
evaluar cuantitativamente el grado de exactitud de una clasificacin multiespectral.
58
Salvatierra
BIBLIOGRAFA
DAVIS , SHIRLEY / SWAIN, PHILIP. Remote Sensing, the cuantitative

Approach. 1984
CHUVIECO, E. Fundamentos De teledeteccin. Ediciones RIAL, S.A. Madrid,
Espaa. 3. Edicin. 1996
FRIEDRICH M., WAHL. Digital Image Signal Processing. Artech House,
Inc., Norwood, MA 1987.
JENSEN, J. R., Introductory Digital Image Processing. Prentice Hall,
Engewood Cliffs, New Jersey, 1986.
JENSEN, J. R., Introductory Digital Image Processing: A remote sensing
perspective, 2nd Edition. NJ: Prentice-Hall, pp. 17-24. 1996.
LILLESAND, T. M., R. W. KIEFER, Remote Sensing and Image Interpretation, 3rd
Edition. John Wiley & Sons, Inc., 23 p. 1994.
LIRA, JORGE. Introduccin al Procesamiento Digital de Imgenes
RICHARDS, JOHN A. Remote Sensing Digital Image Analysis. Springer
Verlag. Berln Herdelberg, 1986.
ROBINSON, A. H., J. MORRISON, P. MUEHRCKE, A. KIMERLING, S. Guptill,
Elements of Cartography, 6th Edition, John Wiley & Sons, Inc., pp. 190-192. 1995.
SABINS, FLOYD F. Jr. Remote Sensing, Principles and Interpretation Second
Edition. W.H. Freeman and Co., New York, 1987.
SCHOWENGERDT, ROBERT. Techniques for Image Processing and
Classification in Remote Sensing.
PAGINAS WEB:
http://www.airbornelasermapping.com/ALMSkinny.html
http://www.webdirectory.com/Science/Space_Science/Remote_Sensing/
59
Salvatierra
http://www.webdirectory.com/Science/Geography/Aerial_Surveying_and_Mapping/
http://www.conservationimaging.org/
http://www.dfa.com.au/
http://www.asdi.com/asd/apps/index.html
http://stormy.geology.yale.edu/ceo/Projects/Faculty/faculty.html
http://edcwww.cr.usgs.gov/earthshots/slow/tableofcontents
http://www.ldeo.columbia.edu/remote/remote.html
http://keystone.geog.ucsb.edu/rsru/research.html
http://www.research.umbc.edu/~tbenja1/
http://www.unc.edu/~aaronm/RSCC/#spectral
http://grouchy.geog.ucsb.edu/rscc/vol2/rsccvol2.html
http://www.cla.sc.edu/geog/rslab/
http://www.cla.sc.edu/GEOG/rslab/rsccnew/fmod1.html
http://www.cla.sc.edu/GEOG/rslab/rsccnew/rscc-no-frames.html
http://www.cla.sc.edu/GEOG/rslab/rsccnew/mod3/3-2/dipsoftware.html
http://www.cla.sc.edu/GEOG/rslab/rsccnew/mod5/5-2/exercises/MERGE.HTM
60
Salvatierra

Procesamiento Digital

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Procesamiento Digital

Uploaded by

Copyright:

Available Formats

FUNDAMENTOS DE PROCESAMIENTO DIGITAL DE IMGENES____________________

Ing. Esp. H. CRISTINA SALVATIERRA

Mendoza, Agosto de 2004

Ing. Esp. H.Cristiina Salvatierra

FUNDAMENTOS DE PROCESAMIENTO DIGITAL DE IMGENES____________________

Ing. Esp. H.Cristiina Salvatierra

FUNDAMENTOS DE PROCESAMIENTO DIGITAL DE IMGENES____________________

3.1.1 Falta de una lnea............................................................................................19

Ing. Esp. H.Cristiina Salvatierra

FUNDAMENTOS DE PROCESAMIENTO DIGITAL DE IMGENES____________________

Ing. Esp. H.Cristiina Salvatierra

FUNDAMENTOS DE PROCESAMIENTO DIGITAL DE IMGENES____________________

TABL A DE F IGU RAS

Ing. Esp. H.Cristiina Salvatierra

FUNDAMENTOS DE PROCESAMIENTO DIGITAL DE IMGENES

1.1 CONCEPTO DE IMAGEN MULTIESPECTRAL

Figura N 1. Espectro electromagntico.

Ing. Esp. H.Cristiina Salvatierra

FUNDAMENTOS DE PROCESAMIENTO DIGITAL DE IMGENES

1.2 ANLISIS DE IMGENES MULTIESPECTRALES

El anlisis de una imagen se ha dividido en dos grandes ramas: el procesamiento

En la prctica existen dos formas de hacer anlisis de imgenes, la primera

Ing. Esp. H.Cristiina Salvatierra

FUNDAMENTOS DE PROCESAMIENTO DIGITAL DE IMGENES

Figura N 2. Esquema metodolgico de estudio de un sistema fsico por medio del

Ing. Esp. H.Cristiina Salvatierra

FUNDAMENTOS DE PROCESAMIENTO DIGITAL DE IMGENES

As es posible almacenar en una computadora una imagen numrica resultado de

Ing. Esp. H.Cristiina Salvatierra

FUNDAMENTOS DE PROCESAMIENTO DIGITAL DE IMGENES

1.3.1.2 Formato BIL (Band interleaved by line)

1.3.1.3 Formato BSQ (Band Secuencial)

1.4 Caractersticas de los Sistemas Digitales

Ing. Esp. H.Cristiina Salvatierra

FUNDAMENTOS DE PROCESAMIENTO DIGITAL DE IMGENES

1.4.1 Equipos (Hardware)

Figura N 3. Estructura bsica de un computador.

Ing. Esp. H.Cristiina Salvatierra

FUNDAMENTOS DE PROCESAMIENTO DIGITAL DE IMGENES

del equipo para solucionar, mediante algoritmos, problemas inherentes al

Ing. Esp. H.Cristiina Salvatierra

FUNDAMENTOS DE PROCESAMIENTO DIGITAL DE IMGENES

1.5.1 Nmero de analistas y modo de operacin

Ing. Esp. H.Cristiina Salvatierra

FUNDAMENTOS DE PROCESAMIENTO DIGITAL DE IMGENES

RAM es suficiente para el procesamiento de imgenes cuando slo unas pocas

Ing. Esp. H.Cristiina Salvatierra

FUNDAMENTOS DE PROCESAMIENTO DIGITAL DE IMGENES

1.5.6 Resolucin del color

Los datos contenidos en una imagen multiespectral proporcionan abundante

Ing. Esp. H.Cristiina

FUNDAMENTOS DE PROCESAMIENTO DIGITAL DE IMGENES

2.1 HISTOGRAMA DE UNA IMAGEN

Ing. Esp. H.Cristiina

FUNDAMENTOS DE PROCESAMIENTO DIGITAL DE IMGENES

La mxima entropa se presenta cuando la imagen presenta el mismo nmero de

Figura N 5 Histograma estrecho

Ing. Esp. H.Cristiina

FUNDAMENTOS DE PROCESAMIENTO DIGITAL DE IMGENES

Figura N 6 Histograma amplio.

2.1.2 VALOR MNIMO

Ing. Esp. H.Cristiina

FUNDAMENTOS DE PROCESAMIENTO DIGITAL DE IMGENES

Valor radiomtrico del pixel i