INTRODUCCIÓN A LA TELEDETECCIÓN
Docente a cargo: Lic. Marcela E. Fernández
Universidad Virtual de Quilmes
Licenciatura en Geografía
Ciclo de Complementación
CLASE Nº6
1
PROCESAMIENTO DIGITAL DE IMÁGENES
OBJETIVOS DE LA CLASE
• Aproximar a los estudiantes al tratamiento digital básico de la imagen,
• Acercar a las y los estudiantes a los fundamentos de las técnicas de preprocesamiento, procesamiento
y post-procesamiento de imágenes digitales
2
PROCESAMIENTO DIGITAL DE IMÁGENES SATELITALES
La clase anterior vimos que existen dos métodos para la extracción de información de una imagen.
En cualquiera de los casos es necesario acondicionar la imagen para poder llegar a esa instancia.
Los tratamientos y procesamientos que le haré a las imágenes dependerán de qué método voy a utilizar (análisis
visual o digital) en función de mis objetivos de trabajo.
En este curso nos vamos a centrar especialmente en el Análisis Visual. El análisis digital de las imágenes
demanda, en muchos casos, procesos complejos que requieren supervisión y conocimientos avanzados. De igual
manera, veremos las nociones básicas que amerita que conozcan en un Curso como este de Introducción a la
Teledetección. También veremos en esta clase las etapas de procesamiento digital de imágenes que son
comunes a los dos métodos de extracción de información y que versan sobre el tratamiento de las imágenes
previo al análisis.
Extracción de Información de la imagen
Métodos Utilizados
¡En esta clase nos vamos a
Centrar en el Método de
Análisis Digital!
CLASES 5 CLASES 6
ANÁLISIS VISUAL ANÁLISIS DIGITAL
3
Aspectos a tener en cuenta cuando trabajamos con imágenes
• Tanto las imágenes analógicas como digitales son una representación bidimensional
de objetos en una escena real.
• Las imágenes de teledetección son representaciones de partes de la superficie
terrestre tal como se ven desde el espacio. Las imágenes pueden ser analógicas o
digitales.
• Las fotografías aéreas son ejemplos de imágenes analógicas, mientras que las
imágenes satelitales adquiridas con sensores remotos son ejemplos de imágenes
digitales.
• Si bien no vamos a profundizar demasiado en la extracción de información digital
(haremos más énfasis en el análisis visual), es necesario que conozcan los
fundamentos de estos procesos de clasificación digital de imágenes para ver otro tipo
de extracción de información de las imágenes.
4
Introducción: concepto de pixel y números digitales
Hemos visto ya que las imágenes digitales ESTÁN FORMADAS POR unidades homogéneas en color
denominadas pixel (acrónimo del inglés picture element, ‘elemento de imagen’).
Cada pixel queda definido por su posición (fila, columna); el tamaño (mayor o menor resolución
espacial) y luminancia (nivel de gris).
Esta imagen es discreta y finita ya que espacialmente tiene un número finito de celdas de tamaño
determinado y en cuanto a su luminancia sus valores son enteros entre un mínimo y un máximo.
5
¿Qué representa cada píxel de la imagen?
- Cada píxel representa un área en la superficie de la Tierra. Un píxel tiene un valor
de intensidad (cantidad física medida) y una dirección de ubicación en la imagen
bidimensional.
- La intensidad de un píxel se digitaliza y se registra como un número digital (ND).
Imagen: Nivel digital de un pixel
6
Los pixeles y su posicionamiento espacial
- La dirección de un píxel se denota por sus coordenadas de fila y columna en la imagen
bidimensional. Existe una correspondencia de uno a uno entre la dirección de la fila de
columnas de un píxel y las coordenadas geográficas (por ejemplo, longitud, latitud) de la
ubicación de la imagen.
- En la siguiente imagen podemos observar de forma esquemática cómo una imagen
digital está compuesta de pixeles ubicados en la intersección de cada fila (i) y columna (j)
en cada una de las (k) bandas correspondientes a una escena concreta.
- Cada pixel en cada banda está en perfecto registro geométrico con sus equivalentes de
las restantes bandas. Asociado a cada pixel existe un número (Número Digital, DN) que
mide la radiancia promedio o brillo correspondiente al área de escena abarcada por dicho
pixel. En una base binaria de 8 bits el DN poseerá 28 valores en un rango de 0 a 255.
7
Los Números de bits y la resolución radiométrica
- El número de bits determina la resolución radiométrica de la imagen. Por ejemplo, un
número digital de 8 bits varía de 0 a 255, mientras que un número digital de 11 bits
varía de 0 a 2.047.
- El valor de intensidad detectado debe procesarse para ajustarse a este rango de
valor
Ejemplo de imagen de 8 bits de resolución radiométrica.
8
- Estos valores pueden ser modulados para producir en la pantalla de una computadora un escala de
grises que va desde el negro (DN=0) hasta el blanco (DN=255). O sea que para cada pixel en una
escena que consta de k bandas espectrales habrá asociados k niveles de grises. Estos definen un
espacio espectral k dimensional en el que cada pixel es representado por un vector que constituye su
firma espectral y que permitirá, a través de operaciones de clasificación basadas en algoritmos
matemático-estadísticos, asignar dicho pixel a clases temáticas definidas.
Estructura de una imagen multiespectral
-Los sensores recogen información en diferentes longitudes de onda y generan una imagen
independiente que se denominan banda. Los sensores que sólo tienen una banda se les denomina
pancromáticos y los que recogen imágenes en más bandas se les denomina multiespectrales. Así, un
sensor presenta tantas bandas como imágenes en diferentes regiones del espectro electromagnético.
9
En base a qué se determina el área que abarca un pixel
El área terrestre representada por un pixel está determinada por la altura del sensor y los
parámetros de diseño de éste, particularmente el campo de visión instantáneo (IFOV). Al reducirse
dicha área más detalles de la imagen serán aparentes, es decir que aumenta la resolución espacial.
10
EN RESUMEN, UNA IMAGEN DIGITAL ES LA ADAPTACIÓN AL SISTEMA INFORMÁTICO DE LA
IMAGEN DISCRETA EN EL QUE SE PROCEDE A LA ASIGNACIÓN DE UN NIVEL DE GRIS A CADA
ELEMENTO DE IMAGEN (PÍXEL) A TRAVÉS DE UN NIVEL DIGITAL (ND).
11
PROCESAMIENTO DIGITAL DE IMÁGENES
El procesamiento digital de imágenes trabaja principalmente con cuatro grupos
de operaciones básicas:
1. RESTAURACIÓN (correcciones geométricas, radiométricas y atmosféricas)
2. MEJORA (ajustes de contraste, filtros)
3. CLASIFICACIÓN (supervisada y no supervisada)
4. TRANSFORMACIÓN DE IMÁGENES (NDVI, ACP)
12
1- Restauración de Imágenes
• Antes del análisis de los datos, se lleva a cabo, generalmente, un preprocesamiento
de las imágenes para corregir cualquier distorsión debida a las características del
sistema con el que se han obtenido dichas imágenes.
• Según los requisitos del usuario, los operadores de las estaciones terrestres pueden
llevar a cabo algunos procedimientos de corrección estándar antes de que los datos
se entreguen al usuario final.
• Este procedimiento incluye una corrección geométrica para arreglar las distorsiones
en la imagen global derivada de alteraciones en el movimiento del satélite y el
mecanismo de captación de los sensores, una corrección radiométrica de los errores
producidos por los sensores que generan píxeles incorrectos; y una corrección
atmosférica que trata de solucionar la interferencia sistemática de la atmósfera en
los valores de los píxeles (chuvieco, 1995).
13
1- Restauración de Imágenes
• La corrección y calibración de las imágenes se realizan para lograr una
representación lo más fiel posible de la superficie de la tierra:
14
Corrección Geométrica
• Las imágenes digitales proporcionadas por los distintos sensores presentan una serie
de distorsiones con respecto a la “imagen real”. La corrección geométrica pretende
eliminar esas deformaciones “recolocando” los píxeles, y rellenando los “huecos”
existentes.
15
Corrección Radiométrica
• Las correcciones radiométricas de las imágenes de satélite se abordan de forma
distinta dependiendo de la región espectral que se considere (es decir, dependiendo
de la longitud de onda de las bandas del sensor).
Repasemos…
16
Máscaras
• Cuando en una imagen tenemos, por ejemplo, sombras y nubes, existe la posibilidad de corregirlas,
borrándolas del registro para aligerar los análisis, reemplazando píxeles o fusionándolas con otras
imágenes reduciendo la alteración de valores medios de píxel (con el software adecuado).
• La utilización de máscaras permiten identificar píxeles característicos: tierra, agua, nieve, hielo, nubes,
sombras, etc.
17
Corrección Atmosférica
• La corrección atmosférica es el proceso mediante el cual se elimina, de la señal
detectada por el sensor, la perturbación producida por la atmósfera.
• La radiación medida por el sensor no se corresponde con la radiación que proviene de
la superficie, ya que entre la superficie y el sensor se encuentra la atmósfera,
produciendo una perturbación en la señal.
• Esta perturbación se produce por los procesos de absorción y dispersión debidos a los
componentes de la atmósfera (gases atmosféricos y aerosoles).
• El efecto atmosférico depende de la longitud de onda, dependiendo por lo tanto de la
banda del sensor considerada. De ahí que se considere por separado la corrección
atmosférica en el espectro solar (bandas situadas en la región del visible e infrarrojo
cercano, entre los 0.3 y los 3 mm) y la corrección en el infrarrojo térmico
(generalmente entre 8 y 14 mm).
18
19
Ejemplo de Corrección Atmosférica
• Comparación entre una imagen en la que no se ha realizado la corrección
atmosférica y una imagen en la que sí se ha corregido este efecto.
Imágenes del sensor POLDER.
Composición en falso color RGB.
20
Corrección atmosférica en el Espectro Solar: Reflectividades TOA
21
Corrección atmosférica en el Espectro Solar
• La ecuación de transferencia radiativa nos proporciona una relación entre los parámetros
medidos por el sensor y los parámetros de superficie, lo que nos permite abordar el
tema de la corrección atmosférica.
22
Corrección atmosférica en el Espectro Solar: Reflectividades TOA
23
Corrección atmosférica en el Espectro Solar: Reflectividades TOA
24
Corrección atmosférica en el Espectro Solar: Temperatura de Brillo TOA
• La radiancia medida por el sensor en una cierta banda térmica puede utilizarse para
obtener la temperatura a partir de la ley de planck. Esta temperatura se conoce con
el nombre de temperatura de brillo. La temperatura calculada de esta forma asume
que la atmósfera es transparente y la superficie es un cuerpo negro.
25
Corrección atmosférica en el Espectro Térmico
Ejemplo: transmisividad atmosférica para las cinco atmósferas estándar
LMV: latitudes medias de verano,
LMI: latitudes medias de invierno,
SAV: subártica de verano,
SAI: subártica de invierno,
TRO: tropical.
26
Corrección atmosférica en el Espectro Térmico
27
Corrección atmosférica en el Espectro Térmico
• Si conseguimos obtener datos de la transmisividad atmosférica y de la radiancia de la atmósfera,
podemos obtener la radiancia emitida por la superficie a partir de las medidas del sensor:
• Una vez obtenida la radiancia de la superficie, podemos obtener la temperatura de la superficie
terrestre (ts) por inversión de la función de planck:
28
Corrección atmosférica en el Espectro Térmico
• Además del problema de la corrección atmosférica, en el infrarrojo térmico existe
un acoplamiento entre la temperatura y la emisividad.
• En general, si tenemos un sensor con n canales, tendremos un total de n
ecuaciones con n+1incógnitas:
Atención:
No desesperen con las ecuaciones.
Es para que tengan una idea básica
sobre correcciones atmosféricas si las
tuvieran que implementar.
Normalmente al descargar las
imágenes se pueden buscar con
correcciones ya hechas. Y depende
para que objetivo si necesito que las
imágenes vengan con ese tipo de
corrección o no.
29
2- Mejora de la imagen
• La mejora de la imagen se refiere a su modificación para hacerla más
adecuada a las capacidades de la visión humana o automática y su
interpretación.
• Las mejoras pueden agruparse en dos bloques:
• Procesos de ajuste de contraste, aquellos que tratan de adaptar la
resolución radiométrica de la imagen a la capacidad de visualización del
monitor.
• Procesos de filtrado, aquellos que intentan suavizar o reforzar
contrastes en la imagen para que los ND de la imagen se asemejen o
diferencien más de los correspondientes a los píxeles vecinos.
30
Procesos de ajuste de contraste
• Respecto al ajuste de contraste existen dos opciones: el estiramiento de contraste y
la compresión de contraste.
• Al estirar, tratamos de que el rango de ND de la imagen sea menor que el número de
visualización (NV) para facilitar la memoria gráfica del ordenador (es la técnica más
utilizada).
• Al comprimir, intentamos que esta capacidad de visualización sea menor que el
rango de ND de la imagen (como es habitual utilizar ordenadores con una resolución
gráfica en pantalla de 8 bits para cada uno de los colores elementales (rojo, verde y
azul), no es necesario utilizar esta técnica).
• Existen dos formas de trabajar las mejoras y realces: mediante los operadores
puntuales, que son transformaciones que modifican el nivel de gris de cada píxel
independientemente de la naturaleza de los píxeles vecinos; y las técnicas de
modificación del histograma, que también modifican el nivel de gris de cada píxel,
pero, en este caso, con base en el estudio del histograma de la imagen completa.
31
Este ejercicio lo hicimos en las primeras clases. Se trata de ajustar los valores del
histograma.
Ejemplo de estiramiento de contraste
Ajuste de histogramas. 32
Procesos de Filtrado
• Los filtros son utilizados, al igual que las técnicas anteriormente señaladas, para
obtener una mejora visual de las imágenes.
• Podemos agrupar los filtros en dos tipos según la modificación que realizan:
• A) los filtros de suavizado, que producen un efecto de desenfoque, restando
definición a la imagen y atenuando las diferencias entre píxeles vecinos.
• B) los filtros de realce, que producen un efecto de enfoque, aumentando la
definición de la imagen. Acentúan las diferencias de intensidad entre píxeles
vecinos (Olaya, 2014: 433).
33
Ejemplo de filtro suavizado
34
Ejemplo de filtro de realce
35
2- Mejora de la imagen
• La mejora de la imagen entonces implica la modificación de la imagen para optimizar su
apariencia para la percepción visual. El análisis visual es un elemento clave, incluso en
el procesamiento de imágenes digitales. Los efectos de estas técnicas pueden ser
decisivos.
36
3- Clasificación de imágenes
La clasificación de imágenes consiste en la interpretación de las imágenes a través de la
definición de una serie de clases o agrupaciones. Este proceso es asistido, actualmente, por
computadora (sistemas de información geográfica). Existen dos formas de realizarlo:
• Clasificación supervisada.
Se parte de una serie de clases previamente definidas y se obtienen sus signaturas o firmas
espectrales. Generalmente, el sistema de software delimita los tipos específicos de
cobertura terrestre basados en datos de caracterización estadística extraídos de ejemplos
conocidos en la imagen.
• Clasificación no supervisada
No se establece ninguna clase a priori, aunque es necesario determinar el número de clases
que se quiere generar, y permitir que las defina un procedimiento automático.
37
Clasificación Supervisada
El proceso de clasificación supervisada conlleva las siguientes etapas:
1) Un análisis de componentes principales para sintetizar la información contenida en las bandas e
incluso pudiendo excluir alguna del análisis.
2) La generación de clases y firmas/signaturas espectrales características donde se realiza una
clasificación no supervisada en la que se utilizan algoritmos matemáticos de clasificación automática
(algoritmos de clustering, principalmente, que fracciona el espacio de las variables en una serie de
regiones minimizando la varianza interna de los píxeles de cada región; de esta forma, cada región va
a definir una clase espectral). Asimismo, se seleccionan áreas de entrenamiento para clasificación
supervisada, áreas de las que se conoce a priori la clase a la que pertenecen y que se utilizarán para
crear una signatura espectral propia de cada una de ellas (clases informacionales). Seguidamente, se
comparan las signaturas espectrales características de las clases informacionales con las clases
espectrales. Aquí se determinarán las clases con las que se trabajará (es preferible trabajar con clases
espectrales que con clases informacionales).
3) La clasificación en sí misma a través de diferentes métodos: no estadísticos (mínima distancia),
estadísticos clásicos (máxima probabilidad), algoritmos basados en inteligencia artificial (lógica
borrosa).
4) Finalmente, se lleva a cabo una evaluación de la precisión de la clasificación realizada.
38
Ejemplo de Clasificación Supervisada
A la izquierda pueden ver en la tabla de contenidos de un SIG las capas (layers) resultantes de la
clasificación de la imagen satelital. Se agruparon clases de elementos con similar respuesta
espectral en base a las firmas espectrales que fuimos asignando a cada clase.
Así podemos separar elementos sin tener que digitalizarlos manualmente (como en la
interpretación visual). Este método de extracción de información tiene sus ventajas y desventajas. Si
bien es rápido, requiere mucho entrenamiento y conocimiento de la zona de estudio (o material de
apoyo) y una validación rigurosa al obtener el resultado de la clasificación.
39
Clasificación No Supervisada
• En contraste con la clasificación supervisada, donde informamos al sistema sobre el
carácter (la firma) de las clases de información que estamos buscando, la
clasificación no supervisada no requiere información anticipada sobre las clases de
interés, sino que examina los datos y los divide en los grupos espectrales o en las
agrupaciones más presentes en los datos. Es necesario, posteriormente, identificar
estos grupos como clases de cobertura terrestre a través de una combinación de
familiaridad con la región y visitas a campo.
• Operativamente, se utilizan algoritmos de clasificación automática multivariante
como el clustering. Este consta de n pasos, siendo n el número total de individuos a
clasificar. En cada uno de los pasos se van a identificar los dos individuos más
próximos, se crea una clase con ellos y se sustituyen por el centroide de la clase
resultante. Así, cada paso analiza un individuo menos que el anterior, ya que los
individuos son sustituidos por clases. El proceso finaliza cuando se ha alcanzado un
número de clases igual al número de clases que se estableció a priori
40
Ejemplo de Clasificación No Supervisada
Este tipo de clasificación es bastante automático y los resultados requieren de mucho trabajo
posterior de separación de clases, pues en muchos casos puede haber mezclas. Si bien es rápido el
proceso inicial, luego se debe trabajar bastante en corregir los resultados y en validar los resultados
obtenidos.
Ninguno de los dos tipos de clasificación (supervisada y no supervisada) se pueden hacer sin que
interfiera la interpretación visual. El rol del interprete siempre es fundamental, incluso en los
análisis automáticos o semiautomáticos.
Siempre hay que evaluar cual es la magnitud del trabajo a realizar, qué información de base tengo y
cuál es mi objetivo. En muchos casos una interpretación visual es mucho más rápida que las
clasificaciones automatizadas. En otros, cuando se tiene una gran cantidad de información a
procesar y un buen conocimiento del área de estudio para definir las clases o para corregir la
clasificación, puede ser más útil esta última opción.
41
4- Transformación de imágenes
• Consiste en la generación de nuevas imágenes como resultado de algún tratamiento
matemático de las bandas de imagen en bruto. Para realizar las operaciones aquí
enumeradas, es necesario tener acceso a un software de procesamiento de
imágenes.
• El procesamiento digital de imágenes ofrece una gama ilimitada de posibles
transformaciones sobre los datos obtenidos de forma remota.
42
Índices de Vegetación
• La vegetación es uno de los elementos de la superficie terrestre del que más se ha ocupado el
análisis de imágenes. Uno de los principales parámetros utilizados para recoger información
sobre esta cobertura son los denominados índices de vegetación.
• Estos índices permiten identificar la vegetación (y su actividad) en una zona concreta a través
de sus valores (que están en relación con dicha actividad).
• Son usados para acentuar en la imagen las áreas con vegetación (y para ver su estado) a
través de la combinación de diferentes bandas de una imagen multiespectral.
43
Índices de Vegetación: NDVI
• El índice de vegetación más utilizado es el NDVI.
NDVI es la diferencia normalizada entre la reflectividad de la banda infrarroja y la banda
roja). Es un índice de cálculo sencillo (basado en la distancia), que dispone de un rango
de variación fijo (entre -1 y +1), posibilitando establecer umbrales y comparar
imágenes, entre otros. Se expresa de la siguiente manera:
• R e IR son las reflectancias correspondientes al rojo (R) e infrarrojo (IR),
respectivamente.
• Asimismo, el NDVI puede emplearse para conocer otros parámetros relativos a la
vegetación.
44
Ejemplo de Índice de Vegetación de Diferencia Normalizada (NDVI)
45
Análisis de Componentes Principales
• El análisis de componentes principales (ACP) es otra técnica estadística de gran
interés en la transformación de las imágenes.
• Mediante el ACP se trata de disminuir la dimensionalidad de un conjunto de
variables reduciéndolo a uno más pequeño para evitar la pérdida de información. Su
objetivo es el de resumir la información que contienen las variables eliminando
partes redundantes o superfluas, pero sin eliminar información relevante. Esta
trasformación es útil para reducir el volumen de datos y facilitar las operaciones de
análisis, interpretación y manejo de las variables.
• De este modo, para el usuario final de productos de teledetección, el objetivo del
ACP es generar una o varias imágenes que aumenten la posibilidad de diferenciar
distintas coberturas en la superficie terrestre.
• Complementariamente, desde el punto de vista estadístico, el ACP facilita una
primera interpretación sobre los ejes de variabilidad de la imagen que permitirá
identificar tanto los rasgos comunes en las bandas como los que son específicos de
algún grupo de ellas (Olaya, 2014).
46
Ejemplo de Análisis de Componentes Principales con el Software MULTISPEC
imágenes Landsat MMS, TM y ETM+
47
ACTIVIDAD DE LA CLASE (ACTIVIDAD 6)
Luego de la lectura de la clase 6 y el material propuesto están en condiciones de
realizar la actividad 6.
¡Buena semana!
48