FUNDAMENTOS DE PROCESAMIENTO
TABLA DE CONTENIDO
Página
1. FUNDAMENTOS .............................................................................................................1
1.1 CONCEPTO DE IMAGEN MULTIESPECTRAL .................................................1
1.2 ANÁLISIS DE IMÁGENES MULTIESPECTRALES ...........................................2
1.3 PROCESAMIENTO DIGITAL.................................................................................3
1.3.1 Formatos de almacenamiento para imágenes 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 Características de los Sistemas Digitales .............................................................5
1.4.1 Equipos (Hardware)...........................................................................................6
1.4.2 Programas (Software) .......................................................................................6
1.5 Características de los sistemas de PDI.................................................................7
1.5.1 Número de analistas y modo de operación ...................................................8
1.5.2 Unidad Central de Proceso, coprocesador matemático ..............................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 Resolución del monitor......................................................................................9
1.5.6 Resolución del color ........................................................................................10
2. CARACTERIZACIÓN ESTADÍSTICA DE LAS IMÁGENES ...................................10
2.1 HISTOGRAMA DE UNA IMAGEN........................................................................11
2.1.1 ENTROPIA ........................................................................................................11
2.1.2 VALOR MÍNIMO...............................................................................................13
2.1.3 VALOR MÁXIMO .............................................................................................13
2.1.4 MEDIA ARITMÉTICA. (Esperanza matemática o valor esperado) ........13
2.1.5 VARIANZA ........................................................................................................14
2.1.6 DESVIACIÓN TÍPICA......................................................................................14
2.1.7 COVARIANZA ..................................................................................................15
2.1.8 COEFICIENTE DE CORRELACIÓN ............................................................15
2.1.9 HISTOGRAMA BIDIMENSIONAL .................................................................16
2.1.10 MATRIZ VARIANZA COVARIANZA ...........................................................18
3. PROCESAMIENTO DE IMÁGENES..........................................................................19
3.1 DISTORSIONES Y CORRECCIONES RADIOMÉTRICAS .............................19
ii Ing. Esp. H.Cristiina Salvatierra
FUNDAMENTOS DE PROCESAMIENTO DIGITAL DE IMÁGENES____________________
5.1.1 Adición...............................................................................................................43
5.1.2 Sus tracción.......................................................................................................44
5.1.3 Producto ............................................................................................................45
5.1.4 División o proporción.......................................................................................46
5.1.5 Índice de Vegetación......................................................................................46
5.2 COMPOSICIÓN EN COLOR................................................................................47
5.3 ANÁLISIS EN COMPONENTES PRINCIPALES..............................................48
6. CLASIFICACIÓN DE IMÁGENES MULTIESPECTRALES..................................49
6.1 CLASIFICACIÓN SUPERVISADA .....................................................................49
6.1.1 Selección de algoritmos apropiados para la clasificación supervisada. .50
6.1.1.1 Paralelepípedo ..........................................................................................50
6.1.1.2 Distancia Mínima a la Media...................................................................53
6.1.1.3 Máxima probabilidad................................................................................54
6.2 CLASIFICACIÓN NO SUPERVISADA................................................................56
6.2.1 Presentación pictórica de los datos sin analizar.........................................56
6.2.2 Definición de las clases espectrales (entrenamiento)................................57
6.2.3 Representación pictórica y tabular de la clasificación..............................58
6.2.4 Evaluación de los resultados de la clasificación.........................................58
BIBLIOGRAFÍA ...................................................................................................................59
P ági na
Figura N° 1. Espectro electromagnético. .........................................................................1
Figura N° 2. Esquema metodológico de estudio de un sistema físico por medio del
análisis de datos multiespectrales. ...........................................................................3
Figura N° 3. Estructura básica 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. Rotación terrestre........................................................................................23
Figura N° 9A. Panorámica b. Alargamiento ....................................23
Figura N° 10a. Velocidad b. Movimiento de la plataforma c. Distorsiones
geométricas.................................................................................................................23
Figura N° 11. Imagen rectificada.....................................................................................24
Figura N°12. Método del vecino más cercano. .............................................................25
Figura N° 13. Método de interpolación bilinear. ............................................................26
Figura N° 14. Método de convolución cúbica................................................................27
Figura N° 15. Matriz polinomial. .......................................................................................28
Figura N° 16.a Histograma estrecho .b Histograma ancho ............................33
Figura N° 17. Transformación mediante una función lineal........................................33
Figura N° 18. Saturación de pixeles cercanos al mínimo y al máximo ....................33
Figura N° 19. Ampliación del histograma sin variación de Entropía ......................34
Figura N° 20. Enmascaramiento de una clase ...........................................................34
Figura N° 21. Histograma Ecualizado por una función no lineal................................35
Figura N° 22. Histograma segmentgado y curva isodensidad. .................................36
Figura N° 23. Filtro de suavización................................................................................37
Figura N° 24. Filtros de mejoramiento con diferentes valores centrales. .................39
Figura N° 25. Filtro de detección de bordes lineales ..................................................41
Figura N° 26. Filtro de detección de líneas ..................................................................41
Figura N° 27. Ra ngo de dispersión de los valores radiométricos ..............................51
Figura N° 28. Distribución de clases espectrales por banda. .....................................52
Figura N° 29. Método de la mínima distancia ...............................................................53
Figura N° 30. Método de máxima probabilidad.............................................................54
Figura N° 31. Agrupamiento de formas espectrales del agua, suelos, y vegetación
......................................................................................................................................57
1. FUNDAMENTOS
Para ello se aprovecha el solo como fuente de radiación y las propiedades que
tienen la mayor parte de los cuerpos en la superficie terrestre de reflejar una parte
de esa radiación emitida que a su vez captada por un sensor calibrado para
trabajar en una franja o banda del espectro.
COMPARACION FENOMENO DE
DEGRADACION
El ser humano puede interpretar visualmente las imágenes producidas por ciertos
dispositivos de sensoramiento, especialmente cámaras. Uno podría preguntarse:
¿Por qué tratar de imitar o mejorar esta capacidad? Primero hay ciertos limitantes
que hacen que el intérprete no pueda detectar diferencias poco notables en una
imagen. Por ejemplo, es comúnmente conocido que un análisis puede discriminar
sólo alrededor de 8 a 16 escalas de gris cuando se hace interpretación continua
en tonos de blanco y negro de una fotografía aérea. Si los datos estuvieran
originalmente grabados con 256 escalas de gris, podría estar presente mayor
información en la imagen de la que el intérprete puede visualizar.
Cada elemento en la matriz tiene cuatro valores de pixel (uno de cada banda
espectral) localizados unos después del otro. Este formato es práctico si todas las
bandas son usadas.
B1 B2 B3 B1 B2 B3 B1 B2 B3 B1 B2 B3 B1
..................
pixel 1 pixel2 pixel 3 pixel 4
...................
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 práctico si todas las bandas van a ser usadas en el análisis. Si algunas
bandas no son de interés el formato es ineficiente por cuanto es inevitable leer
serialmente datos innecesarios.
B1 B2 B3
................
Fila 1 Fila 1 Fila 1
El formato de banda secuencial requiere que todos los datos de una banda cubran
la escena completa y sean escritos sobre un archivo. Así, cuando se busca un
área en el centro de la escena en cuatro bandas, se requiere leer esta localización
en cuatro archivos para extraer la información deseada. Los datos numéricos 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 así sucesivamente.
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 características fundamentales de los
sistemas de PDI.
Los datos captados por el sensor son almacenados en un formato matricial con
varias bandas multiespectrales, de acuerdo a los formatos analizados en la
sección 1.3.1. El fenómeno más común 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 simultáneamente varias bandas, por ejemplo, para almacenar
las siete bandas del mapeador temático LANDSAT se requiere más de 1.000.000
de bytes de capacidad de almacenamiento. Los sistemas de disco duro
típicamente almacenan más de veinte millones de bytes por lo cual constituyen un
medio ideal.
Esto hace referencia al número de escalas de gris y/o colores (ejemplo 256) que
puede presentar un monitor simultáneamente tomados de una paleta de colores
disponible (ej. 16.7 millones). Para muchas aplicaciones geográficas un solo bit
de color es requerido, pero para operaciones cartográficas más sofisticadas donde
las escalas de gris o la combinación de diferentes colo res es requerida como
mínimo se necesitan ocho bits (256 colores). Para aplicaciones del mapeador
temático se requiere que el usuario pueda seleccionar sesenta y cuatro colores de
una paleta de 256 como mínimo.
El software de PDI requiere de una alta velocidad en el proceso de los datos, para
ello existen algoritmos que optimizan al máximo el computador, haciendo que
cada día los tiempos de proceso sean más 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 electrónica para construir máquinas más
veloces.
2.1.1 ENTROPIA
n
E = - Σ f (i) log f (i)
i=1
m
E = - m log m
0 N 255
m/256
0 1 2 3 4 5 6 7 ...............................................................255
Es el valor radiométrico (nivel de gris) más bajo encontrado en una imagen digital.
m
Σ Xi X1 + X2 + X3 + .................+Xm
i=1
µ = -------------- = ------------------------------------------------
m m
13 Ing. Esp. H.Cristiina
Salvatierra
FUNDAMENTOS DE PROCESAMIENTO DIGITAL DE IMÁGENES
donde:
2.1.5 VARIANZA
m
Σ (Xi - µ)2
i= 1
Var = -----------------------------------
m-1
S= Var
Los parámetros anteriores se pueden calcular para cada una ade las bandas de
una imagen digital multiespectral.
2.1.7 COVARIANZA
m m
Σ Σ (Xj-Ux (Yi-Uy)
J= 1 i = 1
COV xy = -------------------------------------------------------
m-1
donde:
Es una medida de la relación existente entre los valores de los pixeles de dos
bandas.
Cov xy
rxy = -------------
Sx Sy
donde;
Un rxy = 1 indica una relación perfecta entre los valores radiométricos de los
pixeles en las dos bandas (un incremento en el valor de un pixel en una banda,
implica también un incremento igualmente proporcional en la otra banda. Sería el
caso en el cual las dos bandas son iguales).
Un rxy = 0 sugiere que no existe alguna relación entre las dos bandas X e Y.
El que dos bandas estén relacionadas implica que existe redundancia en los datos
de las bandas.
Si las dos bandas tienen un rxy = 0 significa que no existe ningún tipo redundancia
en los datos de las bandas.
B1 10 50 30 ....... B2 10 20 30 .......
B2
30
20
10
10 20 30 40 50 B1
By By By
Bx Bx Bx
By By By
ry=0
rxy →
Bx Bx Bx
3. PROCESAMIENTO DE IMÁGENES
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 sistemáticos (predecibles) y estacionarios (constantes) y puede ser
corregidos por una calibración de los detectores antes del lanzamiento o en vuelo.
Los errores externos son debidos a perturbaciones de la plataforma y a la
variación de las características de la superficie. Los errores no sistemáticos
pueden ser resueltos por mediciones hechas en tierra, mediante puntos de control.
Las distorsiones radiométricas son las que afectan la radiometría de los objetos en
la imagen.
entre más pequeña la longitud de onda mayor será la dispersión. Por esta razón
las imágenes 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 fenómeno, el método más sencillo consiste en
comparar pixeles idénticos 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).
3.1.3 Ruidos.
Es un error inherente al sensor, ya que éste tiene una determinada precisión para
medir la energía incidente, más allá de la cual el sensor no detecta señales
diferentes. Este tipo de error resulta difícil de corregir por cuanto tendría que
cambiarse la escala de valores radiométricos.
A medida que se aleja la línea del nadir el tamaño del pixel aumenta. Este tipo de
distorsión se corrige sólo cuando se tiene control terrestre adecuado y se hace a
través del llamado Algoritmo de expansión (figura 9a).
Afecta el tamaño del pixel por cuanto a medida que se aleja del nadir el campo de
vista instantáneo el mayor (figura 9.b).
Tierra
Satélite
Tamaño Tamaño
Pixel pixel
3.4 RECTIFICACION
3.5 REMUESTREO
Utiliza el valor del pixel más cercano para asignar el valor del pixel de salida
(figura 12). Para determinar el vecino más cercano, el algoritmo usa la inversa de
la matriz de transformación para calcular las coordenadas de la imagen a partir de
las coordenadas geográficas deseadas. El valor del pixel que ocupa la coordenada
más cercana de la imagen respecto a la estimada será usada por el valor del pixel
de salida en la imagen georreferenciada.
VENTAJAS.
DESVENTAJAS.
Utiliza el promedio ponderado de los 4 pixeles más cercanos para signar el valor
del pixel de salida (figura 13).
VENTAJAS
DESVENTAJAS
VENTAJAS
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 métodos de vecino más cercano
y de interpolación bilinear.
11.
1. 1.
1.1.
1. Localización de puntos de control (GCP)
RMS
GCP
COORDENADA
X DE
REFERENCIA
CURVA POLINOMIAL
3.7 TRANSFORMACIONES
3.7.1. LINEARES
3.7.2. NO LINEARES
((t + 1) (t + 2))
2
donde:
Xi y Yi son las coordenadas de entrada (fuente) y
Xr y Yr son las coordenadas re-transformadas.
4. MEJORAMIENTO DE IMÁGENES
4.1.1 Reducción
Ejemplo: Si una escena LANDSAT MSS contiene 3240 columnas y 2340 filas y se
reduce con un factor m = 2, la nueva imagen será un 25% más pequeña que la
original.
2340 filas
3240 columnas
1170 filas
1630 columnas
Ejercicio: Sabiendo que una escena de Landsat TM tiene 6940 columnas por
5940 filas, ¿cada cuántos pixeles se deben seleccionar, para poder desplegarse
en monitor de 512 x 512 pixeles?
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
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
0 255 0 255
Pixeles saturados
0 255 0 255
f f
0.........................255 0 ..........................................255
Se puede expandir solamente una porción del histograma y enmascarar las otras.
Ejemplo: Enmascarar el mar y mejorar el contraste en el suelo (figura 20).
MAR
MAR
Se busca reducir el contraste en áreas muy claras o muy oscuras y expandir los
niveles de gris intermedios hacia los extremos alto y bajo de la escala de
reflectancia, en razón de que la mayoría de los histogramas tienen una forma
Gaussiana (figura 21).
By By By
La frecuencia "ideal" para cada uno de los niveles de gris de salida será:
Fs = 100% /ng
En donde:
Fs = 100 / 16 = 6.25%
4.3 SEGMENTACIÓN
0 n 255
Dentro de las técnicas para el mejoramiento de imágenes están las que ejecutan
operaciones sobre el pixel, dependiendo de un espacio de frecuencia, a ese
número 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 radiométrico sobre un área dada, corresponderá a un área de baja
frecuencia, al contrario si los valores radiométricos cambian a cortas distancias se
dirá que es un área de alta frecuencia.
El proceso de filtrado consiste en calcular para cada pixel una combinación lineal
de los valores radiométricos sobre un espacio de frecuencia cercano de este, y
ponderarlo de acuerdo a una máscara de convulución cuyos coeficientes son
constantes. Es dexcir un filtro espacial transforma el valor de un pixel teniendo en
36 Ing. Esp. H.Cristiina
Salvatierra
FUNDAMENTOS DE PROCESAMIENTO DIGITAL DE IMÁGENES
cuenta los valores de los pixeles vecinos. La combinación lineal se calcula por
medio de la ecuación:
n
Pi = [G* Σ Ki Po ] + H
i =1
Donde:
Dependiendo del efecto que tienen sobre la imagen original, los filtros espaciales
se pueden clasificar como:
4.4.1 De suavización.
1 1 1
1 1 1
1 1 1
4.4.2 De mejoramiento.
Se utiliza para realzar las altas frecuencias y detalles geométricos, mejorando así
la definición de contornos, lineamientos etc. Al realzar las características
geométricas es normal que se pierdan algunos detalles radiométricos. (figura 4.9).
-1 -1 -1
a. -1 10 -1
-1 -1 -1
-1 -1 -1
b.
-1 16 -1
-1 -1 -1
-1 -1 -1 -1 0 -1
c. -1 8 -1 -1 4 0
-1 -1 -1 -1 0 -1
-1 -2 -1
d. -2 4 -2
1 -2 1
Los bordes pueden ser mejorados usando tanto técnicos de mejoramiento lineal o
no lineal.
1 1 1 1 1 1
NORTE 1 -2 1 -1 -2 1NORDESTE
-1 -1 -1 -1 -1 1
-1 -1 -1 1 1 1
SUR 1 -2 1 1 -2 -1 NOROESTE
1 1 1 -1 -1 -1
-1 1 1 -1 -1 1
ESTE -1 -2 1 1 -2 1 SURESTE
-1 1 1 1 1 1
1 1 -1 1 -1 -1
OESTE 1 -2 -1 1 -2 -1 SUROESTE
1 1 -1 1 1 1
-1 -2 -1 -1 0 1
H/TAL VERTICAL
0 0 0 -2 0 2
1 2 1 -1 0 1
Su principal función es resaltar los cambios fuertes en los valores de los pixeles,
por ello se utiliza para enfatizar los bordes (figura 26).
-1 -1 -1 -1 2 -1
HORIZONTAL 2 2 2 -1 2 -1 VERTICAL
-1 -1 -1 -1 2 -1
2 -1 -1 -1 -1 2
DIAGONAL DIAGONAL
-1 2 -1 -1 2 -1
-1 -1 2 2 -1 -1
El tratamiento conjunto de las bandas como tal, no implica que se tenga que
trabajar con todas las bandas disponibles, sino con aquellas que están menos
correlacionadas con el fin de que el aporte de información sea más significativo.
Existen múltiples operaciones que se pueden aplicar a las bandas entre ellas
operaciones matemáticas, como adición, sustracción, producto, división y algunas
combinaciones de las anteriores como el caso de índice de vegetación. Otras
operaciones son las de tipo lógico, entre las cuales se encuentra la composición a
color. También se pueden aplicar a las imágenes cierto tipo de transformaciones
que facilitan el análisis de los datos, entre ellas están las transformada de
Karhunen-Loeve y la transformada de Fourier, muy utilizadas en imágenes de
sensores remotos.
El aplicar operaciones matemáticas entre bandas es muy útil, sin embargo los
resultados están limitados por la escala de grises en la que se trabaje. Así cuando
la escala tiene 256 niveles (escala que estamos utilizando en este curso), debe ser
normalizado para evitar interpretaciones equívocas.
a a ....a b b ..... b
a a ....a b b ..... b
A= : : : B= : : :
: : : : : :
a a ....a b b ..... b
c c .... c
C= c c .... c
: : :
: : :
c c c
5.1.1 Adición
La adición entre banda A y Banda B está definida como la suma entre valores
radiométricos respectivos de banda A con banda B.
Como es posible que Cij sea mayor que el máximo nivel de gris, es decir 255, se
debe aplicar una función de normalización que para el caso bien puede ser
obtener un promedio entre los valores radiométricos de las bandas.
aij + bij
Cij = 2
10 20 30 20
A= B=
30 20 70 10
10 + 30 20 + 20 40 40
C=
C=A+B 30 + 70 20 + 10 100 30
10+ 30 20+ 20
2 2
20 20
C=A+B=
50 15
30+ 70 20+10
2 2
La adición sin normalizar puede ser útil cuando se desea incrementar un valor
constante a una banda el cual fue reducido por algún tipo de fenómeno
atmosférico por ejemplo la absorción. En este caso, se utiliza una imagen con
valores constantes para sumar a la original y así obtener una nueva imagen con
valores más altos.
5.1.2 Sustracción
Si aij es menor que bij, el valor de cij será 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 función de normalización, así:
5.1.3 Producto
aijxbij
Cij =
255
Se debe aplicar una función de normalización para estar seguro de que el valor
resultante de la operación esté entre 0 y 255.
Cij = aij
bij
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 función de normalización
idéntica al caso visto en el producto.
C ij = aij – bij
aij + bij
Así una vez aplicado este índice de vegetación normalizado, los valores de los Cij
altos estarán indicando mayor probabilidad de existencia de cobertura vegetal.
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 composición en falso color debido a que
el resultado difiere de los colores naturales, ya sea porque el monitor no alcanza el
número de colores, o porque no hay una correspondencia entre el rango de
frecuencias de la banda asignada y el color que está representando su aporte.
47 Ing. Esp. H.Cristiina
Salvatierra
FUNDAMENTOS DE PROCESAMIENTO DIGITAL DE IMÁGENES
Así por ejemplo una aproximación a una composición en verdadero color estaría
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.
Los principales aspectos que deben considerarse para orientar una clasificación
supervisada son:
4. Analizar las estadísticas para seleccionar los datos que ofrezcan mayores
ventajas (bandas) en el proceso de clasificación.
Entre los clasificadores más frecuentemente usados están los de: Paralelepípedo,
distancia mínima y máxima verosimilitud.
6.1.1.1 Paralelepípedo
área 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
La figura 27 indica el método para una clase determinada (ej. Bosques). Al repetir
el método para otras clases (ej. Agua, arenas, etc.) se obtendrá una figura con las
características siguientes (figura 28):
S
U u u s s
B
U u u •2 S s
C
U u u u Cc
A CC
Cc c
1• cc
h
N hh
hhh
D hhhh
W w F F hhhhh
A •3 •4 FFFF
W w FFF
FF F
W w
3
BANDA 4
Si se trabaja con más de dos bandas, los rangos en todos los componentes
describen una caja multidimensional o paralelepípedo. Si en la clasificación se
encuentra que un pixel cae dentro de ese paralelepípedo cualquiera, se lo designa
como perteneciente a esa clase.
a. Pueden existir vacíos considerables entre los paralelepípedos y por ende los
pixeles no pueden ser clasificados en una región (ej. Punto 3, figura 28) del
paralelepídedo
Si el pixel se encuentra a una distancia mayor que una determinada "a priori" por
el analista de la imagen, se interpretará como clase "desconocida".
En este método los tipos de cobertura no se conocen bien porque falta trabajo de
campo o porque las características espectrales de la superficie no están
claramente definidas en la imagen. El computador es orientado para que agrupe
(cluster) los pixeles en diferentes clases de acuerdo con un cierto criterio
estadístico.
Como los datos se graban usualmente en una cinta magnética el primer paso de
una clasificación multiespectral involucra la representación de estos datos en una
forma pictórica para su inspección visual. Esto se puede lograr mediante el uso de
un monitor a color o de una impresora.
La parte más importante y crítica en este paso es la de asegurarse que todos los
objetos posibles que se encuentran en la zona están debidamente representados
en la muestra para entrenamiento.
- Productos gráficos
- Tablas estadísticas
- Archivos de datos digitales
BIBLIOGRAFÍA
PAGINAS WEB:
http://www.airbornelasermapping.com/ALMSkinny.html
http://www.webdirectory.com/Science/Space_Science/Remote_Sensing/
59 Ing. Esp. H.Cristiina
Salvatierra
FUNDAMENTOS DE PROCESAMIENTO DIGITAL DE IMÁGENES
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