CENTRO INTERAMERICANO DE INVESTIGACIÓN Y DESARROLLO EN INFORMACIÓN GEOGRÁFICA

CIAF

PROCESAMIENTO DIGITAL DE IMÁGENES - PRÁCTICA -

Xander Bakker

Santa Fe de Bogotá, Mayo 2001

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

Índice
1. INTRODUCCIÓN A ILWIS 2.23 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1.1 La ventana principal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1.2 Objetos de ILWIS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 1.3 Dominios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 1.4 Dependencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 1.5 Propiedades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 1.6 Menú sensitivo al contexto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 2. PROCESAMIENTO DIGITAL DE IMÁGENES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 2.1 Importación de imágenes de satélite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 3. VISUALIZACIÓN DE BANDAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.1 Despliegue de imágenes de satélite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.2 Acercar a y alejar de la imágenes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.3 Utilización de las barras de desplazamientos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.4 Despliegue de la imagen entera . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.5 Generar un sub mapa de la información útil . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.6 Pixeles y números digitales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4. MEJORAMIENTO DE LAS IMÁGENES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.1 Mejoramiento del contraste . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.1.1 Cálculo del histograma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.1.2 Expansión lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.1.3 Comparación de la imagen original con la imagen mejorada . . . . . . . . . . . . . . . . . . . 4.1.4 Ecualización del histograma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.2 Mejoramiento espacial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.2.1 Filtros de paso bajo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.2.2 Filtros de paso alto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.2.3 Explicación adicional sobre el funcionamiento de filtros . . . . . . . . . . . . . . . . . . . . . . . 5. VISUALIZACIÓN DE INFORMACIÓN MULTIBANDA . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.1 Composición a color . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.1.1 Composiciones a falso color . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.1.1.1 Composiciones a falso color, creando un mapa físico . . . . . . . . . . . . . . . . . . . 5.1.1.2 Composiciones a falso color, usando un listado de mapas . . . . . . . . . . . . . . . . 5.1.2 Composiciones a color (pseudo)-natural . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6. GEOREFERENCIAR IMÁGENES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.1 Georeferenciación por medio de especificación de las coordenadas de las esquinas . . . . . 6.2 Georeferenciación por medio de puntos de control . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.2.1 Funciones de transformación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.2.2 Puntos de control a partir de mapas análogos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.3.3 Puntos de control a partir de mapas digitales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 15 16 16 17 17 19 20 20 20 22 23 24 25 25 26 26 29 30 32 32 34 34 35 35 35 36 37 38

7. OPERACIONES MULTIBANDA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7.1 Relaciones entre las bandas: variaciones en iluminación . . . . . . . . . . . . . . . . . . . . . . . . . 7.2 Índice de vegetación de diferencia normalizado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7.3 Aritméticas de imágenes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8. CLASIFICACIÓN DE LAS IMÁGENES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8.1 “Density slicing” (clasificación de una sola banda) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8.2 Clasificación multi-espectral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8.2.1 Clasificación no-supervisada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8.2.2 Clasificación supervisada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8.2.2.1 Fase de entrenamiento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8.2.2.2 Despliegue de “Feature Spaces” . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8.2.2.3 Evaluación de estadísticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8.2.2.4 Clasificación del muestreo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8.2.2.4.1 “Box classifier” . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8.2.2.4.2 “Minimum Distance classifier” . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8.2.2.4.3 “Minimum Mahalanobis Distance classifier” . . . . . . . . . . . . . . . . . . . . . . . . . 8.2.2.4.4 “Maximum Likelihood classifier” . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8.2.2.4.5 Efectuar la clasificación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8.2.2.5 Evaluar los resultados de la clasificación . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8.2.2.6 Operaciones posteriores a la clasificación . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8.2.2.7 Filtros de predominancia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9. CORRECCIÓN GEOMÉTRICA DE LOS RESULTADOS . . . . . . . . . . . . . . . . . . . . . . . . . . 9.1 Diferentes funciones de transformación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9.1.1 Vecino más cercano (Nearest Neighbour) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9.1.2 Interpolación bilineal (Bi-Linear) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9.1.3 Convolución cúbica (Cubic Convolution) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9.2 Crear una georeferenciación de esquinas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9.3 Re-muestreo hacia una georeferenciación de esquinas . . . . . . . . . . . . . . . . . . . . . . . . . . . 9.4 Incorporar las zonas urbanas en el mapa de cobertura . . . . . . . . . . . . . . . . . . . . . . . . . . .

40 40 41 44 46 46 48 48 48 49 50 50 51 51 52 52 52 52 53 53 54 55 55 55 55 55 55 56 56

10. PROCESAR UNA VENTANA DE UNA IMAGEN LANDSAT . . . . . . . . . . . . . . . . . . . . . . 58 11. RESPUESTAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59 BIBLIOGRAFÍA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64

Introducción al Sistema de Información Geográfica ILWIS 2. Es necesario introducir unos conceptos básicos de ILWIS para Windows antes de empezar con el desarrollo del análisis: Para entrar al Sistema de Información Geográfica ILWIS haga doble clic sobre el icono de ILWIS que se ha generado en el escritorio de WINDOWS. 2001 .23 Para el desarrollo de las prácticas de análisis y modelamiento se ha escogido el Sistema de Información Geográfica ILWIS para Windows versión 2. ILWIS 2.23. 1. ILWIS es un SIG que ofrece sus funciones de análisis principalmente en el formato raster. Bakker 1 Instituto Geográfico Agustín Codazzi. ILWIS 2.1 La ventana principal Se despliega una ventana de bienvenida que inmediatamente conduce a la ventana principal: © X. Programas.PRÁCTICA DE PROCESAMIENTO DIGITAL DE IMÁGENES 1. o acceda al programa mediante la utilización de las opciones Inicio. puesto que es fácil de manejar por su interfaz amigable y tiene amplias posibilidad de análisis espacial.2.2.

2001 . ampliar. si se es un usuario avanzado puede utilizarse para ejecutar ordenes mediante el tecleo de los comandos apropiados. Bakker 2 Instituto Geográfico Agustín Codazzi. así como del programa que se está ejecutando. en ella se muestran todos los elementos necesarios para la elaboración de cualquier operación así como los archivos que el usuario genera. Se memorizan las últimas órdenes dadas de tal forma que el usuario tenga rápido acceso a ellas sin necesidad de escribirlas nuevamente. posee botones de control que permiten cerrar. La linea de comandos Esta es una característica especial de ILWIS. © X. tablas o mapas). Además allí pueden escribirse las fórmulas de generación de nuevos elementos (columnas. reducir o minimizar la ventana en uso. Elementos de la Ventana Principal La barra de Título Como en otras aplicaciones bajo Windows la barra de título suministra información al usuario acerca de la ubicación en la que se encuentra trabajando.PRÁCTICA DE PROCESAMIENTO DIGITAL DE IMÁGENES La Ventana principal de ILWIS da acceso a todas sus posibilidades. La barra de Menús Inmediatamente bajo la barra de título se encuentra una barra de menús de tipo persiana en donde se posibilita al usuario el acceso a todas las herramientas y elementos del Sistema.

En ILWIS es posible conocer las características de atributos que corresponden a un elemento geográfico. tablas y gráficos simultáneamente. de esta manera se obtendrá mayor espacio para visualizar los elementos del catálogo.PRÁCTICA DE PROCESAMIENTO DIGITAL DE IMÁGENES La barra de botones Bajo la linea de comandos se encuentra la barra de botones. con el puede desplazarse de uno a otro sin tener que recurrir al Administrador de Archivos. De igual forma que en el despliegue de mapas es posible la visualización de varias tablas en una pantalla de Windows. esta herramienta le facilita encontrar un objeto o mostrar solamente aquellos de un tipo determinado. Haga clic aquí para seleccionar los elementos que quiere visualizar en el Catálogo. En la barra de estado aparecen las propiedades y funcionalidades de cada uno de los elementos por donde se desplace el cursor. Gracias a las características propias del Sistema operativo (Windows) es posible desplegar varias ventanas de mapa. La función de este elemento de la barra de botones es el despliegue de una tabla existente. su funcionalidad es el despliegue de información y su presentación en pantalla los siguientes elementos la conforman: El primer elemento de la barra de botones permite desplegar y ocultar la ventana correspondiente al Listado de operaciones. Las Barras de desplazamiento al igual que en cualquier aplicación de Windows permiten visualizar información dentro de una ventana sin tener que modificar su tamaño. esto significa que mediante el uso de este botón puede leerse la información alfanumérica que atañe a cualquier ubicación geográfica. Normalmente toda la información que se procese será almacenada en el drive y directorio que aparecen en la ventana principal en el momento de ejecutarla. Este botón permite al usuario mostrar un nuevo mapa en una nueva pantalla. Si hace clic sobre él se desplegarán los drives existentes en el computador y podrá escoger cualquiera de ellos. Bakker 3 Instituto Geográfico Agustín Codazzi. 2001 . Este es el seleccionador de drive. © X. Este otro seleccionador permite navegar por los directorios de un mismo drive.

es importante tener en cuenta que un objeto de ILWIS no siempre consta de un solo archivo por ello es recomendable que sean manejados. Bakker 4 Instituto Geográfico Agustín Codazzi. El Catálogo En el Catálogo aparecen todos aquellos elementos de ILWIS que se encuentran dentro del directorio en ejecución. 2001 .PRÁCTICA DE PROCESAMIENTO DIGITAL DE IMÁGENES El Listado de Operaciones En él se encuentran todos los programas y funcionalidades que hacen parte del Sistema de Información Geográfica ILWIS. copiados o borrados desde la ventana de ILWIS y no desde el Administrador de archivos. La forma de acceder a cualquiera de estas aplicaciones es haciendo doble clic sobre el programa que se quiere ejecutar. © X.

pH y profundidad para unidades de suelos. © X. Además. los objetos se caracterizan por ser utilizados como datos de entrada en un análisis. que puede caracterizar elementos especiales. Representación Contiene la definición de como representar los elementos en el dominio. cobertura. municipios. Los objetos se dividen en cuatro clases: Objetos de Datos: Objetos de datos consisten en los elementos que contengan datos.2 Tipos de objetos en ILWIS En ILWIS se utilizan diferentes iconos para representar diferentes tipos de objetos. etc) Mapas Raster (todos los mapas vectoriales rasterizados y además grados continuos {ej: modelo digital de elevación} y productos de sensores remotos {ej: imágenes de satélite y fotografías aéreas}). sitios de muestreo. Listados de mapas (un listado de mapas raster que comparten la misma georeferenciación y el mismo dominio). Columnas Objetos de mantenimiento Objetos de mantenimiento contienen información acerca de objetos de datos: Dominio Contiene información sobre la definición (códigos) de los elementos que contiene un objetos de datos. Georeferenciación Contiene la definición para mapas raster de como se relacionan filas y columnas con coordenadas planas o geográficas. a continuación podrá diferenciar estos iconos y comprender su significado. 2001 . Sistema de coordenadas Contiene información sobre la extensión del mapa y opcionalmente la relación de coordenadas planas con su ubicación geográfica. Bakker 5 Instituto Geográfico Agustín Codazzi. 1. etc). etc) Mapas de Polígonos (ej: uso. ej: datos de textura. Como puede observarse un icono identifica cada objeto dentro de esta ventana. curvas de nivel.PRÁCTICA DE PROCESAMIENTO DIGITAL DE IMÁGENES En el Catálogo entonces pueden visualizarse los diferentes tipos de mapas. tablas u objetos que pueden generarse con ILWIS. etc) Mapas de Segmentos (ej: vías. Mapas de Puntos (ej: Estaciones pluviométricas. drenajes. Tablas (información sin componente espacial.

La definición de tal presentación se guarda en una vista de mapas. etc). Histograma de un mapa raster Una tabla con el mismo dominio que el mapa raster. la cual contiene información sobre la frecuencia de ocurrencia de los elementos en el mapa. Filtro Contiene información sobre la matriz de valores que se aplica en el proceso de filtrar un mapa raster. Vistas de mapas Frecuentemente existe la necesidad de elaborar un producto visual para su impresión o presentación en pantalla. que consiste en múltiples capas de información. perímetros y número de polígonos por cada elemento del dominio del mapa de polígonos. © X. Histograma de un mapa de polígonos Una tabla con áreas. Matriz Generado en algunas operaciones estadísticas (covariancia. 2001 . correlación. Bakker 6 Instituto Geográfico Agustín Codazzi. Tabla bi-dimensional Usado para definir la combinación de elementos en dos mapas raster durante una superposición. Funciones Contiene funciones definidas por el usuario. Por medio de los scripts se puede automatizar un análisis.PRÁCTICA DE PROCESAMIENTO DIGITAL DE IMÁGENES Objetos especiales Objetos especiales son aquellos objetos que pueden ser aplicados a. Scripts Pueden contener una secuencia de operaciones de ILWIS. eigenvectors de componentes principales. Conjunto de muestreos espectrales Usado en el procesamiento digital de imágenes para efectuar una clasificación multiespectral supervisada. o derivados de objetos de datos. Histograma de un mapa de puntos Una tabla con el número de puntos por cada elemento del dominio del mapa de puntos. Histograma de un mapa de segmentos Una tabla con la longitud y el número de segmentos por cada elemento del dominio del mapa de segmentos.

1000-2000 msnm a clima templado. Dentro de este tipo de dominio existe una variación que se llama “class group”. Un mapa con estaciones pluviométricas es un mapa de tipo identificador. Bakker 7 Instituto Geográfico Agustín Codazzi. Capa de textos Título Leyenda Caja Escala Norte Grilla Graticule Bitmap 1. Un dominio valor se define por su rango de valores y precisión.PRÁCTICA DE PROCESAMIENTO DIGITAL DE IMÁGENES Objetos de anotación Los objetos de anotaciones son aquellos que contribuyen a los objetos de datos para convertirlos a cartografía. La mayoría de estos objetos no pueden ser desplegados en el catálogo y son una parte integral de una “vista de mapas”. Ellos contienen todos los códigos que pueden ocurrir en un mapa. y aunque esta unidad existe en varias partes. 2000-3000 msnm a clima frío y superior a 3000 a páramo y sub-páramo. Dominio tipo Identificador El dominio identificador se utiliza para identificar elementos que son únicos en un mapa. puesto que la información que almacena una estación pluviométrica es única.000 con precisión 0.000'000.999 con precisión 1 Para cálculo de distancias: valores de 0 hasta 1. tabla o columna. las características de estas unidades son las mismas. Existen tres principales tipos de dominios: Dominio tipo clase El dominio clase (“class”) se utiliza para mapas donde una unidad puede existir en varias partes del mapa. Dominio tipo valor El dominio tipo valor se utiliza obviamente para mapas y columnas con valores. Count Distance Conteo de elementos: valores de 0 hasta 999'999. Cuando a partir de un modelo digital de elevación (mapa con valores que representan la altura en cada pixel) se genera un mapa de pisos climatológicos. 2001 . Este tipo de dominio se subdivide en muchos tipos de dominio valor.3 Dominios Los dominios son como el centro de un conjunto de información. Se utiliza para mapas donde rangos de valores se asignan el mismo significativo. Un mapa de unidades de cobertura es un ejemplo de un mapa con dominio tipo clase. se aplica el dominio “class group”.1 © X. 0-1000 msnm corresponde a cálido.

que solamente utilice información (mapas) de precipitación. la dependencia del resultado con el mapa cambiado avisará al usuario que el resultado del análisis está desactualizado y ofrece la opción de actualizarlo.99. En ILWIS.  Dominio tipo valor usados para productos de la percepción remota Image Para imágenes satelitales con rango de valores de o hasta 255: valores de 0 hasta 255 con precisión 1 Noaa Para imágenes del satélite NOAA: valores de 0 hasta 1023 con precisión 1 Radar Para imágenes RADAR: valores de 0 hasta 32767 con precisión 1  Dominio tipo valor usados para operaciones lógicas Bit Contiene valores 0 (falso) y 1 (verdadero) Bool Contiene valores 0 (falso). el usuario puede adaptar el rango y la precisión según sus necesidades. “No” (No) y “?” (indefinido) Otros dominios Binary Usados internamente y solo en elementos binarios (filtros del sistema) Color Para mapas raster con colores de 24-bits. 2001 . 1 (verdadero) y “?” (indefinido) Yesno Contiene “Yes” (Si). además puede tener por medio del dominio una o más representaciones.PRÁCTICA DE PROCESAMIENTO DIGITAL DE IMÁGENES Min1to1 Perc Value Usado para cálculos con resultado en el rango de -1 hasta 1 como el índice de vegetación verde: valores de -1 hasta 1 con precisión 0. Un mapa depende de un dominio. precisión 0. Picture Para mapas que contienen colores de paleta (8-bits.0 (la precisión no tiene límite) Para representar porcentajes: valores de 0 hasta 100 con precisión 0. suelos y pendientes. Bakker 8 Instituto Geográfico Agustín Codazzi. Ejemplo: un análisis simplificado para determinar la erosión. Valores por defecto de -9999999. 256 colores) sin otro significativo de los pixeles. Otro tipo de dependencia es cuando se efectúa un análisis y se guardan en las propiedades la fórmula que se aplicó para generar un nuevo mapa. String Únicamente para columnas que contienen textos 1. generando un resultado de análisis estático.4 Dependencias En ILWIS existen diferentes tipos de dependencias.01.0 (la precisión no tiene límite). Una tabla de atributos puede utilizar el mismo dominio que un mapa y por compartir el mismo dominio estos objetos de datos pueden estar directamente relacionados. cuando un mapa utilizado como entrada para un análisis se cambia.99 hasta 9999999. Colorcmp Para composiciones a color de tipo estándar usando 216 colores. None Para tablas no relacionadas a elementos espaciales. cobertura vegetal. Normalmente se tratan los mapas de entrada como si fueran estáticos. © X.

6 Menú sensitivo al contexto El menú sensitivo al contexto en un menú emergente que aparece cuando el mouse está ubicado sobre un objeto y se oprima el botón de la derecha del mouse. Bakker 9 Instituto Geográfico Agustín Codazzi. Además. luego seleccionar la opción “Properties”. © X. Para hacerlo aparecer se debe ubicar el puntero sobre el objeto de interés y oprimir el botón derecho del mouse. 1. o polígonos para mapas vectoriales y número de filas y columnas para mapas raster. 2001 . En las propiedades se puede obtener información sobre el dominio que está usando el objeto de datos.PRÁCTICA DE PROCESAMIENTO DIGITAL DE IMÁGENES 1. Las opciones difieran dependiendo el objeto que se está usando. segmentos. En las propiedades se puede especificar la descripción del objeto que nos ayuda a trabajar más estructuradamente y hacer los datos mas intercambiables.5 Propiedades El usuario puede tener acceso a las propiedades de los objetos por medio del menú sensitivo al contexto. el número de puntos.

un análisis visual puede revelar información sobre textura.2001 10 Importación . Los pixeles con tonos oscuros indican aquellas áreas sobre las que el sensor detectó una señal baja. El ojo humano es más sensible a las variaciones cromáticas que a la intensidad luminosa. emplazamiento o disposición. Es fácil de comprender que el color es un factor indispensable para la interpretación visual de imágenes. Por medio de la incorporación de un criterio visual. © X. la vegetación tiende a ofrecer tonos oscuros en las bandas visibles y muy claros en el infrarrojo cercano. ya que los valores numéricos de ambas cubiertas son muy similares. Por ejemplo. su significado temático es claramente distinto. algunos cultivos irrigados suelen ofrecer una respuesta espectral muy parecida a los parques urbanos. turbidez en el agua (azul). para la banda particular del espectro sobre la que se trabaja. se puede separar ambas cubiertas. estructura. Digitalmente su distinción es muy compleja. Por ejemplo. el tono se relaciona estrechamente con el comportamiento espectral de las distintas cubiertas. En otros palabras. En el capítulo 5 VISUALIZACIÓN DE INFORMACIÓN MULTIBANDA se explica más sobre los colores y las composiciones a color. Bakker . mientras el agua ofrece valores oscuros en ambas y la nieve presenta un tono blanco relativamente uniforme. mientras las zonas claras son testigo de altos valores de radiancia. los cuales muy difícilmente pueden ser definidos en términos digitales. El tono hace referencia a la intensidad de energía recibida por el sensor para una determinada banda del espectro. PROCESAMIENTO DIGITAL DE IMÁGENES Mientras el procesamiento digital se trata fundamentalmente en la intensidad radiométrica de cada pixel.PRÁCTICA DE PROCESAMIENTO DIGITAL DE IMÁGENES 2. d e limit a c ió n t ier r a/ ag u a (infrarrojo cercano) y vegetación (rojo e infrarrojo cercano). Se pueden seleccionar las bandas más aptas para reconocer determinados rasgos de interés: modelos de drenaje y morfología (infrarrojo cercano). Sin embargo. zonas urbanas (verde y rojo visible). puesto que la mezcla de varias bandas del espectro resulta en un aumento de información.

2. el número de columnas con información y en cual columna comienza la información (siempre 33). ILWIS 2. lo cual también se utiliza para las imágenes de LANDSAT. 2) Muestra información sobre el número de filas que tiene la imagen.2001 11 Importación .1 Importación de imágenes de satélite En este ejercicio se importará una imagen de satélite SPOT multiespectral y una imagen de satélite SPOT pancromática. RADAR y otros. Las imágenes de satélite SPOT multiespectral vienen en un formato llamado “band interleaved”. etc. por lo tanto se deben utilizar el formato “General raster data”. se tiene que indicar algunos parámetros que definen como importar la información. Bakker . 4) Muestra el número de columnas que se debe utilizar para la importación: 3 1 2  Para imágenes pancromáticas:  Para imágenes multiespectrales: 4 (En nivel de pre-procesamiento 1B) 8640 5400 © X. Las imágenes de SPOT vienen con una página donde están especificados los parámetros que se necesitan para la importación de las imágenes: 1) Muestra la información sobre el modo espectral y el número de bandas: 1 para el modo pancromático (P) y 3 ó 4 para el modo multiespectral (XS). Las bandas de SPOT pancromática y multiespectral tanto como las de LANDSAT utilizan un rango de valores de 0 hasta 255.2 todavía no viene con un formato de importación que detecta el formato SPOT. Puesto que este tipo de importación se pueden utilizar para varios formatos que no son lo mismo. 3) Muestra la información de las coordenadas geográficas en relación con los pixeles de esquina. lo cual significa que las 3 ó 4 bandas están en un archivo donde primero se escribe la primera linea de todas las bandas. Imágenes meteorológicas como NOAA utilizan un rango más reducido (0-63).PRÁCTICA DE PROCESAMIENTO DIGITAL DE IMÁGENES ILWIS utiliza el dominio image para las imágenes de satélite y fotografías escaneadas en escala de grises. luego la segunda.

  Entre al programa de importación. luego presionando <Enter> Seleccionando del listado de operaciones la opción “import” ILWIS permite importar la información directamente desde el CD-ROM sin la necesidad de copiar la información primero al disco duro. el formato “General raster data”. Especificaciones en caso de importar una imagen SPOT XS. con 3 bandas.PRÁCTICA DE PROCESAMIENTO DIGITAL DE IMÁGENES    Existen varias maneras de accesar el programa de importación: Seleccionando del menu “File”. y cambie el nombre de salida a “xs”. seleccione el archivo “imag_01.2001 12 Importación . En caso que el CD-ROM contenga varias imágenes el CDROM tendrá varios directorios: \SCENE01 \SCENE02 . Luego. © X.. En la siguiente ventana (ver gráfico a la derecha) cambie el número de bandas a 3. Escribiendo en la línea de comando la palabra “import”. Seleccione del listado con los formatos de importación. Siempre habrá que utilizar el archivo denominado “IMAG_nn. de marzo de 1998. \SCENEnn nn representa el número de imágenes en el CD-ROM.DAT” (donde nn se debe reemplazar por el número adecuado). Bakker . de marzo de 1998. seleccione el drive del CD-ROM. Imagen pancromática tomada sobre Francia con el satélite SPOT-4. El CD-ROM usado dentro del curso contiene dos imágenes de SPOT originales: SCENE01 SCENE02 Imagen multiespectral de tres bandas tomada sobre Francia con el satélite SPOT-4. el directorio “CPDI1” y su subdirectorio “SCENE01". Dentro de estos directorios vienen varios archivos. luego “Import”.. número de columnas a 5400 y asegure que la estructura del archivo (“File Structure”) está en “Band Interleaved” y oprima el botón “OK”.dat”.

Desafortunadamente el orden de las bandas en que viene las imágenes multiespectrales no es 1. Especificaciones en caso de importar una imagen SPOT P. se generarán los mapas raster “xs1". Seleccione el drive del CDROM. el directorio “CPDI1” y su subdirectorio “SCENE02". Además. Seleccione del listado con los formatos de importación. En caso de importar una imagen de satélite multiespectral se genera un listado de mapas.dat”. Bakker . En caso que se ha especificado el nombre “xs” en la caja de nombre salida (Output Name). y cambie el nombre de salida a “p”. En la siguiente ventana (ver gráfico a la derecha) cambie el número de columnas a 8640 y oprima el botón “OK”. seleccione el archivo “imag_02. se tendrán que cortar las imágenes por la parte útil. Observe que en el catálogo de la ventana principal de ILWIS aparece el mapa raster “p”. “xs2" y “xs3" (para 3 bandas).2001 13 Importación .un listado de mapas con el nombre “xs” Importe ahora la imagen pancromática:   Seleccione del listado de operaciones la opción “import”. © X.PRÁCTICA DE PROCESAMIENTO DIGITAL DE IMÁGENES Observe que en el catálogo de la ventana principal de ILWIS aparecen los siguientes elementos: . 1 y 2. ILWIS asume que el orden de las bandas es secuencial comenzando con el 1.los mapas raster correspondiente a las tres bandas (“xs1". puesto que se importa la imagen con más columnas de las que tienen información. Luego. “xs2" y “xs3") .2 y 3 pero 3. el formato “General raster data”.

La parte blanco contiene la información satelital.2001 14 Importación .PRÁCTICA DE PROCESAMIENTO DIGITAL DE IMÁGENES El gráfico abajo indica en color gris la parte de la imagen sin información (aparece en color negro y tiene valor 0). © X. Primero reconocemos la información importada. Bakker . Mas adelante cortaremos la información útil y renombraremos las bandas.

..PRÁCTICA DE PROCESAMIENTO DIGITAL DE IMÁGENES 3. No cierre las ventanas de las imágenes y continúe con el ejercicio 2. serán reflejadas mediante tonalidades muy oscuras..  Haga doble clic sobre el mapa raster “xs1”..... © X..... acepte los valores dados por defecto. Asegúrase que se está utilizando la representación “grey” para el despliegue. contenida en el mapa raster llamado . VISUALIZACIÓN DE BANDAS En este capítulo se aprenderá a desplegar las bandas de la imagen multiespectral y la imagen pancromática importadas en el ejercicio anterior. las partes con más densa vegetación aparecerán en gris claro hacia blanco y partes sin cobertura vegetal.. 3........... Bakker .. Una banda con información obtenida del infrarroja cercana.2001 15 Visualización de bandas . En este ejercicio desplegaremos las 3 bandas de la imagen multiespectral separadamente y luego la banda pancromática de la misma área. La imagen pancromática no se parece a la banda 3 de la imagen multiespectral.. Hay dos imágenes que son muy similares en su aparencia...2.. del espectro electromagnético....que se encuentre en el mapa raster llamado .. asignando el color negro donde no hay respuesta espectral y asignando colores más claros (hasta blanco) para las áreas con una mayor respuesta espectral. es similar a la banda . Asegúrase que se está utilizando la representación “grey” para el despliegue.... Con escala de grises.... por lo tanto se puede concluir que la imagen pancromática fue tomada en la parte .. Despliegue simultáneamente las otras dos bandas y compare las diferencias.. en la caja del dialogo.. acepte los valores dados por defecto (esto puede demorar un poco. pero sí a las bandas 1 y 2. De ésta manera.. puesto que la primera vez que se despliegue una banda el sistema tiene que calcular el histograma)... en la caja del diálogo. contiene información sobre la cobertura vegetal de la superficie..... por la siguiente razón:  Haga doble clic sobre el mapa raster “p”.1 Despliegue de imágenes de satélite Normalmente se despliega una banda de una imagen en escala de grises... Anote abajo cuales son las bandas de la imagen multiespectral similares y explique por que: La banda ....

Acérquese hasta observar la definición de los pixeles. según la explicación a continuación. Al oprimir esta parte de la barra se desplaza 75% de despliegue hacia la derecha. Hay que tomar en cuenta que las imágenes tienen un nivel de detalle: las bandas de la imagen multiespectral tienen resolución espacial de 20 metros por pixel.  En la ventana del mapa raster con el nombre “xs1" oprima el botón . con el fin de brindar esta función hace uso de sus barras de desplazamiento. De la misma manera se puede generar un rectángulo con esta función de la parte de la imagen que le interese.2001 16 Visualización de bandas . ILWIS. Aplique este botón hasta obtener el factor con que se despliega el mapa por defecto. Obviamente esta explicación también se aplica a la barra de desplazamiento vertical.PRÁCTICA DE PROCESAMIENTO DIGITAL DE IMÁGENES 3. Al arrastrar este botón se puede desplazar tanto hacia la derecha como hacia la izquierda. y la imagen pancromática tiene una resolución espacial de 10 metros por pixel. © X. Por medio del botón se puede alejar (“zoom out”) de la imagen.3 Utilización de las barras de desplazamientos La mayoría de los Sistemas de Información Geográfica poseen la posibilidad de desplazarse por la información desplegada. 3. Se acerca a la imagen con un factor 2. Ubique el mouse en el centro de la ventana del mapa raster y oprima con el botón izquierdo del mouse. La ventana queda con el mismo tamaño.  En la ventana de alguno de los mapas raster desplegados (y ampliados) oprima con el botón izquierdo sobre la barra de desplazamiento. Esto normalmente se llame “pan”.  Haga acercamientos en una banda de la imagen multiespectral y en la imagen pancromática. y compare la resolución espacial. Bakker . Note que el cursor del mouse se cambia. En caso de que se acerque demasiado se verá la definición de los pixeles.2 Acercar a y alejar de la imágenes ILWIS permite hacer acercamientos en la imagen por medio de los botones correspondientes. 1 2 3 Al oprimir este parte el despliegue se desplazará un pixel a la izquierda.

 En la ventana de alguna de las bandas ampliadas oprime el botón como se vuelve al despliegue original de la banda. Asimismo. primera columna. El programa “SubRas” necesita unos datos de entrada. Bakker . Observe 3. anote en la siguiente tabla la primera columna. © X. seleccionar “Raster Operations” y luego la opción “Sub Map”. las bandas de la imagen multiespectral no tienen el nombre que les corresponde. luego presionando <Enter> Ubicar el mouse sobre el mapa raster de interés. Auque la última opción parece ser más larga que las demás. De esta manera se puede copiar la parte útil y asignar el nombre que debe tener. habrá que especificar el nombre del mapa de salida.PRÁCTICA DE PROCESAMIENTO DIGITAL DE IMÁGENES 3. El programa que permite esto se llama “SubRas”. y calcule tanto el número de filas como el número de columnas. El programa requiere la siguiente información: primera fila donde comienza la información. Existen varias maneras de accesar el programa de creación de un sub-mapa en formato raster:    Seleccionando del listado de operaciones la opción “SubRas” Escribiendo en la línea de comando la palabra “subras”. Además. Repita el proceso para el mapa raster “p”. Esta área no es siempre la misma en cada imagen. puesto que debido a un ángulo de incidencia mayor a 0 al momento de la toma. Note que en la parte inferior izquierda de la ventana se indica la fila y columna donde está ubicado el mouse. oprimir el botón derecho del mouse.2001 17 Visualización de bandas . . se registran más columnas de las 3000 que corresponden a una toma vertical (ángulo de incidencia = 0). esta opción tiene la ventaja que en la ventana del dialogo que sigue el mapa de interés ya está seleccionado como mapa de entrada. Amplíe la ventana superior izquierda para determinar en que fila comienza la información útil. Anote los datos en la tabla a continuación.4 Despliegue de la imagen entera En muchos casos es deseable volver al despliegue por defecto (imagen entera) de las bandas.5 Generar un sub mapa de la información útil Como fue explicado en el primer capítulo. En este ejercicio renombramos las bandas y cortamos las imágenes por la parte útil en la misma operación. para saber por donde está definida el área útil. número de filas y número de columnas. Para este fin existe el siguiente procedimiento.  Despliegue el mapa raster “xs1" (la banda 3).

PRÁCTICA DE PROCESAMIENTO DIGITAL DE IMÁGENES Información multiespectral Primera Fila Primera Columna Número de Filas Número de Columnas Información pancromática  Entre al programa “SubRas” y cree los siguientes sub-mapas especificando los datos de filas y columnas de la tabla anterior (prenda la opción “Show” en la caja del dialogo): Sub-mapa “x3" desde el mapa “xs1" Sub-mapa “x1" desde el mapa “xs2" Sub-mapa “x2" desde el mapa “xs3" Sub-mapa “pan" desde el mapa “p" Muestre los resultados al profesor. © X. Ahora se pueden romper los enlaces de dependencia y borrar las bandas originales. Bakker .2001 18 Visualización de bandas .

cada pixel contiene la traducción de la radiación recibida por el sensor de una determinada banda del espectro. © X. Este valor se denomina “Nivel Digital” o “Número Digital” (ND) y puede ser desplegado en escala de grises (intensidad luminosa) [2]. En este ejercicio anotarán que respuesta espectral tienen las diferentes bandas de la imagen multiespectral. en medio de los cultivos existen viveros que dan una respuesta muy elevada debido al material de los techos (vidrio y/o plástico).PRÁCTICA DE PROCESAMIENTO DIGITAL DE IMÁGENES 3. correspondiente al mapa de cabeceras municipales Mapa de polígonos “xlag". correspondiente al mapa de lagunas Mapa de segmentos “xdren”. Cuando se ubique sobre un elemento en el mapa raster. De esta manera llene la siguiente tabla con los rangos de ND para cada cobertura: Cobertura Bosque Páramo Cuerpos de agua Construcciones Zonas Cultivadas Banda 1 .  Despliegue las bandas 1. “x2" y “x3" correspondientes a una ventana de las bandas 1. se puede oprimir el botón a la izquierda del mouse y esto tendrá como resultado el despliegue del “número digital” (ND) para el pixel donde está ubicado el mouse. a partir del cual se realiza el tratamiento digital de imágenes.XS - Banda 3 .XS - Banda 2 . En consecuencia. Este valor se traduce por el sensor en un valor numérico. unidad visual más pequeña que aparece en la imagen.2001 19 Visualización de bandas .XS - Existen elementos que no son incluidos en estas clases: por ejemplo. 2 y 3 respectivamente de la imagen multiespectral tomada sobre la Sabana de Bogotá. Mapa de polígonos “xcab2". Bakker . vista con los layers necesarios para la georeferenciación El sensor detecta la radiancia media de una parcela de terreno equivalente al tamaño del pixel.6 Pixeles y números digitales En este ejercicio se comienza a trabajar sobre los datos de la Sabana de Bogotá. En este directorio se encuentran los siguientes objetos de datos: Mapas raster “x1". 2 y 3. correspondiente al mapa de vías principales Vista de mapas “xgeoref”. correspondiente al mapa de ríos principales Mapa de segmentos “xvias”. Cambiese al subdirectorio “curso” del directorio “CPDI".

existe el mejoramiento espacial que influye en el contraste local entre diferentes elementos en la imagen. A los ND intermedios se asignan escalas de gris. Bakker . Puesto que los ND en una imagen normalmente están concentrados en un rango limitado de los valores 0 hasta 255. Cuando el sensor presenta un número de ND que excede la capacidad del sistema se debe aplicar una reducción. una imagen normalmente no utiliza el rango completo de ND permitido.1.  Despliegue la banda 3 y en la caja del dialogo apague la opción “stretch” y oprima “OK”.2001 20 Mejoramiento de las imágenes . En el siguiente ejercicio se calcularán los histogramas de las imágenes y luego se aplicarán una expansión lineal para el despliegue adecuado de la información. 4. En la caja del dialogo prenda la opción “stretch”. Al quitar la opción de “stretch” la imagen se despliega asignando negro cuando el ND es 0 y blanco cuando el ND es 255.  Seleccione la banda 1 “x1". el resultado que se despliega tiende a tener poco contraste. “Display Options” y “1 map x1". MEJORAMIENTO DE LAS IMÁGENES El rango máximo de ND debe aplicarse a las diferentes coberturas que puede detectar el sensor.PRÁCTICA DE PROCESAMIENTO DIGITAL DE IMÁGENES 4. oprima el botón derecho del mouse y en el menú sensitivo al contexto seleccione la opción “Statistics” y luego “Histogram”. Observe el resultado. que se aplica globalmente. desde las de muy baja reflectividad de los cuerpos de agua hasta las de muy alta reflectividad de desiertos o nevados. Puesto que es difícil encontrar en una escena tal variedad de coberturas. Con base en el histograma se pueden determinar los rangos de expansión para su despliegue y/o tratamiento digital. Note como el contraste de la banda se ha incrementado. Entre al menú de “Layers”. © X. Hoy en día los computadores ya no constituyen una limitación. se puede aplicar una expansión del contraste original. Quizás usted notó que en la caja del dialogo para especificar las opciones del despliegue por defecto se aplica la opción “stretch”.1 Cálculo del histograma Un histograma es una tabla que para cada ND contiene información sobre la cantidad de pixeles con este valor. En la caja del dialogo oprima el botón “OK”.1 Mejoramiento del contraste En el capítulo anterior desplegamos varias imágenes. En caso que el sensor ofrezca un menor número de ND que el monitor puede procesar. Los procesos de ajuste del contraste tienden a adaptar la resolución radiométrica de la imagen a la capacidad del monitor de visualización. 4. Aparte del mejoramiento de contraste.

Bakker .PRÁCTICA DE PROCESAMIENTO DIGITAL DE IMÁGENES Se calculará el histograma de la banda 1. Normalmente la opción “stretch” excluye el primer y el último 1 porciento del histograma. excluyendo el valor 0 Número de pixeles acumulativo Número de pixeles acumulativo en porcentaje del total de pixeles. Repita el proceso para las bandas 2 y 3: BANDA 2 Porcentaje Valor mínimo Valor máximo 2% 5% 10% BANDA 3 Porcentaje Valor mínimo Valor máximo 2% 5% 10% © X. puesto que es el dominio (image) Número de pixeles por valor especificado en el dominio Número de pixeles por valor del dominio en porcentaje del total de pixeles Número de pixeles en porcentaje del total. Se presentará una tabla con las siguientes columnas: dominio image npix npixpct pctnotzero npixcum npcumpct La primera columna no tiene nombre. podemos concluir que se está usando el rango 56 hasta 175. cuando miramos en la columna “npcumpct” donde tiene un valor cerca a 1 y cerca a 99. Verifique si este rango corresponde al rango que aparece por defecto al prender la opción “stretch” en la caja del dialogo.2001 21 Mejoramiento de las imágenes . Es decir. Establezca los valores mínimos y máximos para la exclusión del 2. 5 y 10% y llene la siguiente tabla: BANDA 1 Porcentaje Valor mínimo Valor máximo 2% 5% 10% Luego aplique estos valores en el despliegue.

es decir el 0% hasta 1% y 99% hasta 100% serán excluidas en la determinación de los valores de expansión. Bakker .1.PRÁCTICA DE PROCESAMIENTO DIGITAL DE IMÁGENES 4.2 Expansión lineal La relación entre el nivel de visualización (NV) o la intensidad y el ND original puede ser expresada por medio de la siguiente fórmula: NV = s + g * ND donde “s” es el sesgo y “g” representa la ganancia. Imagen original Imagen mejorada Histograma original Histograma mejorada © X. ILWIS utiliza por defecto un rango que excluye “1%”.2001 22 Mejoramiento de las imágenes . Al utilizar los valores NDmin y NDmax y asignar al mínimo la intensidad 0 (negro) y al máximo la intensidad 255 (blanco) se pueden determinar las variables “s” y “g”[2]: 255 g= N D m ax − N D m in − 2 5 5 * N D m in N D m ax − N D m in y s= Normalmente no se utilizan los valores mínimos y máximos de la imagen.

PRÁCTICA DE PROCESAMIENTO DIGITAL DE IMÁGENES La expansión lineal se puede aplicar durante el despliegue. Esto se hace por medio del programa “stretch”. seleccionar “Image Processing” y luego la opción “Stretch”. luego presionando <Enter> Ubicando el mouse sobre el mapa raster de interés. luego oprimir el botón derecho del mouse.3 Comparación de la imagen original con la imagen mejorada En este ejercicio desplegaremos las tres bandas con y sin expansión lineal con el fin de evaluar el efecto del proceso de mejoramiento. pero también se puede generar un nuevo mapa raster en donde se registran los valores resultados de la expansión. Existen varias maneras de accesar el programa de expansión lineal:     Seleccionando del listado de operaciones la opción “stretch” Escribiendo en la línea de comando la palabra “stretch”. Escriba como nombre de salida “x1str”. Luego despliegue la banda 1 mejorada “x1str” y compare las diferencias.1. El método de expansión lineal (“Linear Stretching”) está seleccionado por defecto.2001 23 Mejoramiento de las imágenes . La opción “Stretch From” está configurada para el uso de porcentajes y el valor del porcentaje para excluir es 1. Bakker . En este ejercicio creamos las tres bandas mejoradas aplicando la expansión lineal de exclusión del 1% del histograma: Seleccione la banda 1 “x1". prenda la opción “Show” y oprima el botón “OK”. oprime el botón derecho del mouse y en el menú sensitivo al contexto seleccione la opción “Image Processing” y luego “Stretch”. Repite el proceso para las bandas 2 y 3. Repita el proceso para las bandas 2 y 3. Para cual banda es menos notorio el efecto del mejoramiento: Explique por que: © X. mediante la opción “stretch” (la cual está prendida por defecto). 4.  Despliegue la banda 1 “x1" y apague la opción “stretch”.

Puede idearse una técnica de realce más depurada. las construcciones en tonos claros) que tendrán un número de pixeles mayor al promedio que teóricamente se asigna a cada intensidad de gris. Véase el ejemplo abajo.4 Ecualización del histograma La expansión lineal del contraste no tiene en cuenta las características del histograma de la imagen. Seleccione el método de ecualización del histograma (“Histogram Equalization”) y deje los 256 intervalos. Imagen original Imagen mejorada Histograma original Histograma mejorada En el siguiente ejercicio creamos tres nuevos mapas raster (“x1ecua”. sino sólo sus extremos. prenda la opción “Show” y oprima el botón “OK”. Sin embargo. la intensidad de cada ND está en proporción no sólo a su valor. Aquellos ND con mayor número de pixeles serán los que proporcionalmente. donde existen elementos (p. en donde se considere la forma de la distribución de frecuencias en los ND originales. Teóricamente el histograma mejorado trata de describir una linea horizontal. en la práctica siempre habrán ND que tienen una mayor cantidad de pixeles y por lo tanto no pueden ser divididos. donde cada nivel de visualización (NV) tiene un igual número de pixeles asignado.ej. Escriba como nombre de salida “x1ecua”.1. Bakker . sino también a su frecuencia. © X. Note que por defecto la opción “Stretch From” está configurada para el uso de porcentajes y el valor del porcentaje para excluir es 0.  Entre al programa “Stretch”. Según este criterio.2001 24 Mejoramiento de las imágenes .PRÁCTICA DE PROCESAMIENTO DIGITAL DE IMÁGENES 4. “x2ecua” y “x3ecua”) por medio de ecualización del histograma de las bandas originales. ocupen un mayor número de niveles de visualización [2].

4. En otras palabras. El resultado saldrá menos nítido y más difuminado [2]. En pocas palabras. se trata de transformar los ND originales. El tipo de filtro por defecto es “Linear”. se trata de asemejar el ND de cada pixel al de los pixeles vecinos. Observe las diferencias.2001 25 Mejoramiento de las imágenes . luego presionando <Enter> Ubicar el mouse sobre el mapa raster de interés. de tal forma que se parezcan o diferencien más los de correspondientes a pixeles vecinos [2].2. El mejoramiento espacial se hace por medio de filtros. “x1str” y “x1ecua” simultáneamente y compare los resultados. © X. Un filtro se aplica en el procesamiento digital de imágenes para aislar componentes de interés. En esta nueva sección se trata de mejoramientos espaciales donde la relación de un pixel con sus vecinos es substancial. oprimir el botón derecha del mouse. En el siguiente ejercicio se aplica un filtro de paso bajo a la banda 1. 4. es decir se aplican para cada pixel en la misma forma y no se altera por diferencias con los valores de los pixeles vecinos ni por el valor que tenga el mismo pixel. Entre al programa “Filter”. Explique por que el valor por defecto del porcentaje es 0% para ecualización del histograma y es el 1% para expansión lineal: Despliegue gráficos de los histogramas de los mapas “x1". Existen varias maneras de accesar el programa para filtrar una imagen:     Seleccionando del listado de operaciones la opción “Filter” Escribiendo en la línea de comando la palabra “Filter”. seleccionar “Image Processing” y luego la opción “Filter”.PRÁCTICA DE PROCESAMIENTO DIGITAL DE IMÁGENES Repita el proceso para las bandas 2 y 3. Escriba como nombre de salida “x1avg”. Despliegue la banda 1 original y haga unas ampliaciones de la vía que pasa por el norte del Embalse de Tominé tanto de la banda original como de la banda 1 filtrada. creando los mapas raster “x2ecua” y “x3ecua” respectivamente. Se aplica por ejemplo para reducir el efecto “Speckle” en imágenes RADAR. Seleccione el nombre del filtro “avg3x3" en la opción “Filter Name”. prenda la opción “Show” y oprima el botón “OK”.1 Filtros de paso bajo Los filtros de paso bajo tienen por objetivo suavizar los contrastes espaciales presentes en la imagen.2 Mejoramiento espacial Los mejoramientos visto hasta el momento son “mejoramientos globales”. reduciendo la variabilidad espacial de la escena. Bakker . Los filtros aplicados sobre la imagen pretenden suavizar o reforzar los contrastes espaciales presentes en los ND que la componen.

evidenciando cualquier discontinuidad [2]. Abajo aparece el contenido de la matriz que conforma el filtro llamado “avg3x3": 1 1 1 Gain: 0. En términos espaciales.2. se intenta reforzar los contornos entre áreas homogéneas. El mapa “x1edge” tiene errores en las partes donde todos los vecinos tiene un ND cerca al máximo (partes que aparecen en blanco. La formula es la siguiente: Pixelcentral vecinos1 M n 1 Valordelmapan Valordelfiltron Gain  Offset © X.1 aplicamos un filtro de paso bajo.2 Filtros de paso alto Este tipo de filtro pretende aislar los componentes de alta frecuencia en una imagen.3 Explicación adicional sobre el funcionamiento de filtros En el punto 3. esto supone remarcar digitalmente los contrastes espaciales entre pixeles vecinos. Observe las diferencias. Consulte al profesor como corregirlo.2001 26 Mejoramiento de las imágenes . enfatizando los rasgos lineales presentes en la imagen. En definitiva. Escriba como nombre de salida “x1edge”.11111 1 1 1 1 1 1 Offset: 0 Un filtro utiliza los valores de los vecinos para escribir el resultado en el pixel central. parcelas o accidentes geológicos. resultan con puntos negros adentro). En el siguiente ejercicio se aplica el filtro de paso alto (“Edge Enhancement”) a la banda 1.PRÁCTICA DE PROCESAMIENTO DIGITAL DE IMÁGENES 4. como carreteras. 4. Seleccione el nombre del filtro “edgesenh" en la opción “Filter Name”. Bakker . prenda la opción “Show” y oprima el botón “OK”.2.  Entre al programa “Filter”. Despliegue la misma ventana para el mapa raster “x1edge” y compare con la banda 1 original y el mapa “x1avg”.2. El tipo de filtro por defecto es “Linear”.

así que se hace un promedio de los vecinos (incluyendo el valor central) y se escribe el resultado en el mapa de salida en el pixel central.PRÁCTICA DE PROCESAMIENTO DIGITAL DE IMÁGENES Abajo se muestra el proceso de aplicar el filtro “avg3x3": 2 6 4 8 7 5 4 3 6 1 1 1 1 1 1 Filtro 1 1 1 Mapa Salida ^ 5 Mapa entrada Pixelcentral 2 1  8 1  4 1  6 1  7 1  3 1  4 1  5 1  6 1 0.125 y Offset: 0 Como es obvio este filtro ampliará las diferencias que tiene el pixel central con sus vecinos. Abajo se pretende aplicar el filtro “edgesenh” a un mapa de 3 por 3 pixeles. calcule los valores del mapa de salida: 2 6 4 8 7 5 4 3 6 -1 -1 -1 -1 16 -1 -1 -1 -1 ^ Mapa Salida Mapa entrada Filtro Gain: 0.11111  0 El Gain (0. Bakker . En esta forma se va moviendo el filtro sobre el mapa entero para escribir el mapa de salida. © X.11111) 1/9.2001 27 Mejoramiento de las imágenes .

Esto es debido a que los filtros cambian los ND que están directamente ligados a la cobertura de la superficie de la tierra.5 y Offset: 0 Mapa de Salida Nota: Es importante entender que no se deben usar filtros cuando el objetivo es la clasificación multiespectral de la imagen. Qué hace el siguiente filtro: 2 6 4 8 7 5 4 3 6 0 0 0 0 2 0 0 0 0 Mapa de Entrada Filtro Gain: 0.PRÁCTICA DE PROCESAMIENTO DIGITAL DE IMÁGENES ILWIS ofrece una gran escala de filtros.2001 28 Mejoramiento de las imágenes . Bakker . © X. Cuando se cambian estos valores. se puede perder la relación con la superficie de la tierra que están representando. incluyendo la posibilidad que el usuario defina sus propios filtros.

False Color Composite). la banda 2 en color verde y la banda 1 en color azul. el color verde se asigna a la información obtenida del espectro rojo visible y el color azul se asigna a la información obtenida del espectro verde visible.PRÁCTICA DE PROCESAMIENTO DIGITAL DE IMÁGENES 5. VERDE y AZUL. Información espectral de diferentes bandas se combinan asignando cada banda individual a uno de los colores principales: ROJO. cuerpos de agua en azul y suelos (desnudos) en un café claro. En la composición que resulta se puede observar la vegetación en tonos de rojo. Observe el siguiente gráfico donde se esta efectuando una composición a color: A la izquierda está desplegada la información en escala de grises de tres diferentes bandas. © X. el agua en azul y suelos desnudos se destacan en tonos de café y gris. Algunas composiciones pueden dar un resultado similar como nosotros percibimos la cobertura: vegetación en verde. Este combinación RGB (rojo verde azul) se llama RGB 321. VISUALIZACIÓN DE INFORMACIÓN MULTIBANDA La información multiespectral archivada en bandas separadas pueden ser combinada en una sola composición a color. En una FCC el color rojo se asigna a la banda con la información del terreno obtenida del espectro infrarrojo cercano. Para las imágenes multiespectrales de SPOT la banda 3 se despliega en color rojo. Bakker . Existen muchas posibles combinaciones que se pueden efectuar por medio de éste proceso. en el centro se asigna uno de los tres colores principales a las diferentes bandas y luego a la derecha está el resultado de la composición a color. Estos tipos de composiciones se llaman composiciones pseudo naturales. Una combinación específica de bandas utilizada para crear una composición a color se llama composición a falso color (FCC.2001 29 Visualización de información multibanda .

Las composiciones no solamente se pueden realizar con información multiespectral (información de diferentes rangos del espectro tomadas en el mismo momento). © X.2001 30 Visualización de información multibanda . puesto que la intensidad de los colores principales es la misma. La utilización de componentes principales es un ejemplo y la combinación de bandas provenientes de diferentes sensores (sinergismo) como SPOT pancromática (resolución 10m) con SPOT multiespectral (resolución 20m) es otro. indica que se ha cambiado la cobertura. Dentro de las composiciones multiespectrales también se incluyen las que se generan con base en bandas. 5. En el procesamiento de imágenes RADAR normalmente se aplica las composiciones multitemporales puesto que RADAR provee únicamente 1 sola banda. este elemento resulta en tonos de gris. En la versión 2. sino también con información multitemporal.2 de ILWIS la nueva posibilidad de generar la composición a color en pantalla fue incorporada para ajustar los rangos de estiramiento de cada banda hasta obtener el resultado deseado sin la necesidad de ocupar espacio en el disco duro de productos intermedios. Las zonas en tonos de gris no han sufrido cambios. las cuales son el resultado de un análisis. Donde se visualizan colores distintos a tonos de gris. En caso de que un elemento no se ha cambiado en el transcurso del tiempo. 4 de agosto en verde y 26 de mayo en azul [1]. partes en diferentes colores indican incremento o disminución de la respuesta espectral. es que las diferentes coberturas se destacan mejor en las composiciones a falso color.PRÁCTICA DE PROCESAMIENTO DIGITAL DE IMÁGENES La razón por la cual se están utilizando más frecuente las composiciones a falso color que las composiciones pseudo naturales. Composición multitemporal con imágenes ERS del año 1992: 22 de diciembre desplegado en rojo. Bakker .1 Composición a color En ILWIS 2 las composiciones a color son generadas en el disco duro y presentadas en la pantalla.

intensidad de rojo = 255. Este algoritmo está basado en la diferencia en los valores de los pixeles de las tres bandas de entrada. © X. Bakker .2001 31 Visualización de información multibanda . magenta y cyan). verde y azul. la mejor opción es la composición a color estándar. al otro lado un elemento con alta intensidad en las tres bandas resulta en un color claro. Cada punto dentro del cubo representa un diferente color dependiendo de la contribución de los componentes rojo. verde = 0 y azul = 0 resulta en un color rojo. Además. En caso que se esté interesado en una imagen completa la opción dinámica es la mejor opción. El método de la generación de una composición dinámica utiliza el algoritmo de Heckbert. luego se divide el cubo en dos volúmenes y para cada parte se calculan los puntos que están dentro y la parte con la mayor cantidad de puntos se divide de nuevo. el color asignado a cada grupo de pixeles es el centro del volumen del grupo de pixeles generado en la subdivisión. Verde Amarillo Cyan Blanco Negro Rojo Azul Magenta La combinación de un elemento con baja intensidad en las tres bandas resulta en un color oscuro. utilizando un rango de 0-255. ILWIS permite la generación de tres tipos de composiciones a color: 24 bits. estándar y dinámico. Para las composiciones a 24 bits y las estándar se pueden definir diferentes funciones de estiramiento. puesto que mediante el histograma se puede destacar mejor ciertos rangos del espectro. La representación guarda las valores de rojo. En ILWIS la relación entre el valor del pixel de imágenes multibanda y el color asignado a cada pixel se guarda en la representación. La figura abajo muestra el cubo de colores con los colores principales del sistema aditivo (rojo. Finalmente. repitiendo el proceso hasta obtener los partes indicadas por el usuario. verde y azul. El valor para cada color principal representa la intensidad. verde y azul) y del sistema substractivo (amarillo.PRÁCTICA DE PROCESAMIENTO DIGITAL DE IMÁGENES Cada banda se asigna a un color principal. el dominio asignado a la composición a color es “color”. En caso que el usuario esté interesado en un rango limitado del espectro de la imagen. Las tres intensidades combinadas definen el color. Por ejemplo. Cada pixel de las tres bandas se ubica en el cubo de colores.

PRÁCTICA DE PROCESAMIENTO DIGITAL DE IMÁGENES El método estándar subdivide los ejes del cubo de colores en 6 partes iguales.1.2001 32 Visualización de información multibanda . luego presionando <Enter> Seleccionado en el menú “Operations” la opción “Image Processing” y luego la opción “Color Composite”. Normalmente se usa expansión lineal (seleccionada por defecto) y modo “RGB” (Rojo. En esta composición a falso color (la composición convencional de las tres bandas de SPOT) la vegetación aparece en rojo. En caso que la configuración del monitor es de color real 24bits o 16bits. Verde y Azul) utilizando exclusión del 1% del histograma para todas las bandas. Seleccione para la banda Roja el mapa raster “x3". Se puede hacer una composición a color en diferentes formas: creando el mapa raster en el disco duro o combinando las bandas que están en un listado de mapas.1. creando un mapa físico Para crear un mapa físico (en el disco duro) de una composición a color (ya sea falso color o color pseudo natural) se use el programa “MapColorComp”. Entre al programa “MapColorComp”. © X. Es fácil de entender que tanto la opción dinámica como la opción estándar tiene una limitación en la cantidad de colores a utilizar para el resultado. la opción “24 bit” estará prendida. Se observa que se distingue más fácilmente las diferentes coberturas que usando una sola banda.1 Composiciones a falso color.1 Composiciones a falso color En este ejercicio se utilizarán las imágenes SPOT multiespectrales del área de estudio para generar una composición a falso color. prenda la opción “Show” y oprima el botón “OK”. Escribiendo en la línea de comando la palabra “MapColorComp”. La opción 24 bits utiliza las 256x256x256 = 16'777. En el siguiente ejercicio creamos una composición a falso color de la información multiespectral. Existen varias maneras de accesar el programa “MapColorComp”:     Seleccionando del listado de operaciones la opción “Colorcomp” con el icono que se parece más al icono de un mapa raster (la primera).216 colores. 5. para Verde el mapa “x2" y para azul el mapa “x1" . Solamente en caso de tener restricciones de espacio en el disco duro o limitaciones en la resolución de la pantalla se deben aplicar las opciones dinámica y estándar. pero utiliza 4 bytes por pixel para guardar el resultado (4 veces el tamaño de las opciones dinámica y estándar). De esta manera se obtiene 6x6x6 = 216 posibles colores (utilizando el formato 1 byte). Escriba como nombre de salida “xcomp321”.1. Bakker . 5.

estamos utilizando. con el fin de poder distinguir coberturas las cuales serían difícil o imposible de distinguir si hubiéramos utilizada únicamente información de la parte visible del espectro.PRÁCTICA DE PROCESAMIENTO DIGITAL DE IMÁGENES Como fue explicado en la parte teórica de este curso.2001 33 Visualización de información multibanda . además de información visible del espectro electromagnético. Bakker . información de la parte infrarrojo del espectro. Ver abajo el espectro electromagnético con sus diferentes usos dependiendo de la longitud de onda: Llene la siguiente tabla describiendo el color para cada cobertura: Cobertura Bosque Páramo Suelos desnudos Cuerpos de agua Construcciones Zonas Cultivadas Nubes Sombras de Nubes Usted cree que estas coberturas son separables en una clasificación multiespectral? Color © X.

con o sin información pancromática) se pueden hacer composiciones a color pseudo-natural.1. La ventaja que tiene esta forma de hacer una composición a color es que se puede cambiar los rangos de expansión lineal sin la necesidad de crear mapas físicos (en el disco duro). Bakker . En este caso podemos hacer un listado de mapas para las tres bandas originales de la información multiespectral. Escribiendo en la línea de comando la palabra “create mpl”.1. Puesto que esto implica el proceso de “Sinergismo” (cálculos aritméticos complejos que demoran bastante tiempo).2 Composiciones a color (pseudo)-natural Con ILWIS a partir de las imágenes de SPOT multiespectral (3 o 4 bandas. usando un listado de mapas Un listado de mapas (como se ha explicado en el curso de inducción) es un objeto de datos que hace referencia a varios mapas raster con el mismo dominio. 5.2001 34 Visualización de información multibanda . Ahora despliegue el listado de mapas como composición a falso color. Aparece una ventana del dialogo donde se debe especificar las bandas (mapas raster del listado) que se asignarán a los colores principales. Los valores que aparecen al lado derecho de las bandas son los rangos que corresponden al 1% del histograma. © X.2 Composiciones a falso color. Con el método convencional se crea un mapa raster en el disco duro. no se ha incluido esta operación en el curso básico de procesamiento digital de imágenes con ILWIS para Windows. Note que por defecto el primer mapa raster del listado de mapas se asigna al color azul. Observe que en la ventana principal de ILWIS aparece el icono del listado de mapas con el nombre “x123". Repita este proceso con las bandas 2 y 3 y oprima el botón “OK”. Existen varias maneras para crear un listado de mapas:      Seleccionando del listado de operaciones la opción “New MapList”. Oprima el botón “OK”. Haga doble clic sobre el icono del listado de mapas “x123". luego presionando <Enter> Seleccionado en el menú “File” la opción “Create” y luego la opción “Map List”. Cree un listado de mapas con el nombre “x123". generando información pseudo-verde. Seleccione del listado a la izquierda el mapa raster “x1" y oprima el botón con el signo mayor que (“>”) para adicionarlo al listado a la derecha. En este ejercicio se creará un listado de mapas con el fin de desplegarlo como composición a color. utilizando la expansión lineal. el segundo mapa al verde y el tercer mapa al color rojo.1.PRÁCTICA DE PROCESAMIENTO DIGITAL DE IMÁGENES 5.

2 Georeferenciación por medio de puntos de control La fase más crucial del proceso de georeferenciación es el establecimiento de puntos de control. En caso que se reciba una imagen geométricamente corregida. Algunos de estas distorsiones. En este ejercicio no trabajamos a partir de imágenes geométricamente corregida. donde haya construcciones y vías. correctamente posicionada. Obviamente. Bakker . Aunque. se debe establecer un suficiente número de puntos de control. 6. Además cuando haya diferencias en la fecha de las fuentes. Para asegurar que el ajuste del mapa sea correcto. Se asume que la imagen está orientada hacia el Norte y que todos los pixeles son cuadrados con igual tamaño. pero en el capítulo 8 necesitaremos una georeferenciación de esquinas para efectuar la corrección geométrica. © X. Este tipo de georeferenciación únicamente se crea a partir de extensión de coordenadas (es decir: Xmin. esto solamente es posible en áreas desarrolladas. causadas por la misma geometría del sensor. se recomienda utilizar más de 25 puntos de control para una imagen SPOT. son corregidas por SPOT Image. con el fin de tener más certeza acerca la precisión de los puntos y coincidencia del punto a usar como punto de control. etc. y por lo tanto demanda mayor dedicación. La corrección geométrica consiste en mover los pixeles a su ubicación corregida. 6. Xmax y Ymax) y el tamaño del pixel.1 Georeferenciación por medio de especificación de las coordenadas de las esquinas En ILWIS se puede crear una georeferenciación de diferentes maneras. dependiendo del nivel de pre-procesamiento. se puede usar una sencilla georeferenciación de esquinas. con 3 puntos y una transformación “Affine” se puede establecer la georeferenciación. Es importante que la fecha de la fuente (un mapa base análogo o un mapa georeferenciado) está lo más cercano a la fecha de la toma. traspasando los ND de la imagen original a esa nueva matriz. se recomienda aplicarlo únicamente a los resultados de la clasificación (ver capítulo 9).   La georeferenciación consiste en asignar coordenadas a las filas y columnas de la imagen. rotación y curvatura de la tierra. Ymin. no se pueden usar elementos dinámicos (es decir que se vayan cambiando en el tiempo). tales como ríos. GEOREFERENCIAR IMÁGENES Las imágenes de satélite se ven afectadas por distorsiones. es decir creando una nueva matriz. Otras pueden ser corregidas mediante la corrección geométrica. Puesto que la corrección geométrica implica el cambio de los valores ND. previa realización de la georeferenciación.PRÁCTICA DE PROCESAMIENTO DIGITAL DE IMÁGENES 6. límites de las cascos urbanos.2001 35 Georeferenciar imágenes . tener la precisión adecuada en los puntos y distribuirlos para cubrir todos los extremos de la imagen. etc.

De esta forma.1 Funciones de transformación Como se ha hablado en el párrafo anterior.2. se puede estimar las coordenadas X y Y de la imagen de salida.PRÁCTICA DE PROCESAMIENTO DIGITAL DE IMÁGENES 6. Observe a continuación el listado de las transformaciones que ILWIS soporta: “Conformal” Fórmula: Columna Fila Mínimo de 2 puntos de control = = aX + bY + c1 bX . La georeferenciación pone en relación las coordenadas de la imagen con las del mapa estableciendo una función matemática.aY + c2 “Affine” Fórmula: Columna Fila Mínimo de 3 puntos de control = = a11X + a12Y + b1 a12X + a22Y + b2 “Second order bilinear” Mínimo de 4 puntos de control Fórmula: Columna = a1 + b1X + c1Y + d1XY Fila = a2 + b2X + c2Y + d2XY “Full second order” Fórmula: Columna = Fila = Mínimo de 6 puntos de control a1 + b1X + c1Y + d1XY + e1X² + f1Y² a2 + b2X + c2Y + d2XY + e2X² + f2Y² “Third order” Fórmula: Columna Fila Mínimo de 10 puntos de control = = a1 + b1X + c1Y + d1XY + e1X² + f1Y² + g1 X³ + h1 X²Y + i1XY² + j1 Y³ a2 + b2X + c2Y + d2XY + e2X² + f2Y² + g2 X³ + h2 X²Y + i2XY² + j2 Y³ “Projective” Fórmula: Columna Fila Mínimo de 4 puntos de control = = (aX + bY + c) / (gX + hY +1) (dX + eY + f) / (gX + hY + 1) © X. existen diferentes transformaciones para establecer la precisión de la georeferenciación. a partir de las coordenadas columna y linea de cada pixel.2001 36 Georeferenciar imágenes . Bakker .

En este ejercicio se creará una georeferenciación de puntos de control ubicados en el mapa análogo. se debe crear una georeferenciación de tipo “Tiepoints” (puntos de control). Haga ampliaciones en la ventana de la composición. Esto hace aparecer una ventana llamada “Add Tie Point” donde se identifica el número de fila y columna del pixel picado. Esta transformación necesita 3 puntos de control. 6. Se abre una ventana con la composición a color y otra ventana denominada “GeoReference Editor”. Acepte los opciones del despliegue. utilizarán este mapa como fondo para la georeferenciación. Existen varias maneras para crear una georeferenciación:     Seleccionando del listado de operaciones la opción “New GeoRef”.000 del área de estudio. A primera vista se puede identificar elementos comunes los que hemos visto en la imagen también se encuentran en la cartografía análoga.PRÁCTICA DE PROCESAMIENTO DIGITAL DE IMÁGENES Por defecto la transformación “Affine” está seleccionada. Puesto que es más fácil encontrar los puntos de control en la composición a color. Especifique el mapa “xcomp321" como fondo (“Background Map”) y oprima el botón “OK”. En esta ventana se tendrán que especificar las coordenadas X y Y determinadas en el mapa análogo. Bakker . Busque en el mapa análogo y en la composición los puntos que representan el mismo elemento (preferiblemente intersecciones de vías). un mínimo de 15 puntos de control. Cree una georeferenciación con el nombre “pcmana”. Observe que el mouse es como un lápiz. luego presionando <Enter> Seleccionando en el menú “File” la opción “Create” y luego la opción “Georeference”.2001 37 Georeferenciar imágenes . Seleccione la opción “GeoRef Tiepoints”. puesto que estamos trabajando sobre una ventana de una imagen de satélite.2. Utilizaremos para la georeferenciación una transformación de “Full second order” y. Al ingresar más que tres puntos se puede generar una óptima triangulación y para cada punto de control se puede determinar su desajuste (diferencia en X y Y expresada en pixeles) con respecto a la triangulación. Al especificar tres coordenadas aparecen en la parte inferior de la ventana de la composición las coordenadas X y Y determinados con base en la transformación “Affine”. Escribiendo en la línea de comando la palabra “create grf”. llamado “sigma”. Para georeferenciar por medio de puntos de control identificados en un mapa análogo. Con el punto (izquierdo abajo) se debe indicar el elemento que se utilizará como punto de control (hacer clic con el botón izquierdo del mouse). El desajuste global es calculado por medio de la desviación estándar del error medio cuadrado.2 Puntos de control a parir de mapas análogos Anexados a este documento se encuentran 4 hojas con ventanas de un mapa a escala 1:100. © X.

El SIGMA puede clasificarse de la siguiente manera: Valor 0-1 1-2 >2 Explicación Buena georeferenciación. Por lo tanto ILWIS cuenta con una forma más eficiente para el ingreso de coordenadas: a partir de mapas digitales. tanto en filas como en columnas (ver las columnas “DRow” y “DCol” respectivamente). No es aceptable para zonas rurales ni para zonas urbanas. no aceptable para zonas urbanas. Esta vista contiene información de vías principales (1:25.PRÁCTICA DE PROCESAMIENTO DIGITAL DE IMÁGENES Al especificar más de tres puntos la ventana “GeoReference Editor” mostrará el sigma en la parte superior de la ventana. Sin embargo para un proceso de Sinergismo entre SPOT pan y SPOT multiespectral se requiere un SIGMA menor a 0.3. Georeferenciación aceptable para zonas difíciles de georeferenciar (Amazonas. la imagen multiespectral de este ejercicio fue tomada en 1994.000). También para cada punto se desplegará su desviación en pixeles. Cambie la transformación a “Full Second Order”. lagunas y cascos urbanos. el trabajo de extraer coordenadas del mapa análogo es bastante dispendioso. © X. Consulte con el profesor como desactivar puntos de control que tienen una desviación mayor a la requerida con el fin de obtener un sigma apropiado. Georeferenciación aceptable para áreas rurales. los cascos urbanos y las lagunas fueron digitalizadas desde una imagen de satélite del 1995.  Entre en la ventana “GeoReference Editor” al menú “Edit” y luego a la opción “Transformation”. Como referencia para la georeferenciación usamos la vista de mapas con el nombre “xgeoref”. Recuerde que necesitamos seleccionar al menos 15 puntos de control. Sin embargo los diferentes elementos de esta vista tienen diferentes fechas de fuentes: las vías y los drenajes tienen una fuente de información de 1988. Numera los puntos de control en el mapa análogo.3 Puntos de control a partir de mapas digitales Como ya se han experimentado en el ejercicio anterior. 6. Bakker .2001 38 Georeferenciar imágenes .5.  Cree una georeferenciación de puntos de control con el nombre “pcmdig” utilizando la composición a color como fondo. etc). En la ventana que aparece seleccione la transformación “Full Second Order” y oprima el botón “OK”.000). drenajes principales (1:25.  Despliegue la vista “xgeoref” al lado de la composición a color.

PRÁCTICA DE PROCESAMIENTO DIGITAL DE IMÁGENES Haga acercamientos al elemento. © X.000 hasta 1:25. seleccione la georeferenciación “pcmdig”. Seleccione al menos 15 puntos de control y compare tanto la precisión como el tiempo invertido en la georeferenciación a partir del mapa análogo con la hecha desde el mapa digital.5 pixeles lo cual representa un valor del sigma de 2.5 mm corresponden a 50 metros en la realidad. Con un mapa a escala 1:100. pique en la vista “xgeoref” en el mismo elemento y verá que automáticamente aparecen las coordenadas en la ventana.5! Por lo tanto para imágenes SPOT multiespectrales con resolución espacial de 20 metros por pixel se recomienda usar mapas con escalas entre 1:25. Al sacar puntos de control a partir de un mapa análogo se puede obtener una precisión de aproximadamente 0. Pique el elemento en la composición y cuando aparezca la ventana “Add Tie Point”. Despliegue una banda y adicione una grilla mediante la opción “Add Annotation”. tanto en la composición como en la vista “xgeoref”. se debe asignar esta georeferenciación a todas las bandas:  Seleccione la banda 1 (“x1") y oprima el botón a la derecha del mouse. Con una imagen multiespectral de 20 metros de resolución estos 50 metros corresponden a 2.000. estos 0. “Grid Lines”. y para imágenes SPOT pancromáticas con resolución espacial de 10 metros por pixel se recomienda usar mapas con escalas entre 1:10. Repita este proceso para las bandas 2 y 3. En la opción “Georeference”.2001 39 Georeferenciar imágenes .000.5 mm a la escala de trabajo. Note que cuando se cambia la georeferenciación ILWIS vuelve a calcular una sola vez el histograma al desplegar el mapa. luego entre a la opción “Properties”. Es importante entender la precisión de la cartografía (escala) que se requiere para georeferenciar una imagen SPOT aceptablemente.000 hasta 1:50. Bakker . Cual es la conclusión: Una vez establecida una georeferenciación aceptable.000.

se puede emplear la información de múltiples bandas para destacarlos. pero también se puede escribir directamente en la línea de comando. Esto puede complicar el proceso de clasificación multiespectral.1 Relaciones entre las bandas: variaciones en iluminación Cuando un satélite registra una imagen mientras el sol no está verticalmente sobre el área de interés. Observe los valores calculados cerca de la columna 1720 y la fila 810. Este método se puede aplicar tanto a imágenes multiespectrales como a imágenes multitemporales. Sin embargo. © X. OPERACIONES MULTIBANDA Para mejorar o extraer elementos de imágenes de satélite que no pueden ser distinguidos en una sola banda. Recomendamos escribirlos directamente en la linea de comando ya que es una forma más rápida para ingresar la fórmula. Bakker . Este efecto es mínimo en las imágenes multiespectrales de SPOT y puesto que tenemos como área de estudio un altiplano no es muy apreciable en nuestra imagen. cada banda tiene que tener la misma georeferenciación (es decir.3 y 0. igual tamaño de pixel y ubicación). esto causa diferencias en iluminación en las partes montañosas (véase el gráfico abajo). Para hacer cálculos con varias bandas. en el siguiente ejercicio podemos evaluar este efecto.6. Aunque una cobertura puede ser la misma en ambas costados de la montaña.  Donde: Escriba el la línea de comando la siguiente fórmula y oprime <Enter>: x2div3=x2/x3 x2divx3 x2/x3 Es el nombre del mapa que se va a crear Es la formula para dividir la banda 2 por la banda 3 En la caja del dialogo acepte los valores del rango y la precisión que salen por defecto.2001 40 Operaciones multibanda . Note que los valores de interés están entre 0.  Despliegue el resultado (se calcula primero) con la representación “pseudo” y compárelo con la composición a color. Los cálculos se pueden ingresar al programa “MapCalc”. 7. el sensor los registra diferentes debido a variaciones en la iluminación.PRÁCTICA DE PROCESAMIENTO DIGITAL DE IMÁGENES 7.

especialmente la banda roja (0. la vegetación sana ofrece baja reflectividad en la banda roja del espectro y alta en el infrarrojo cercano.2 Índice de vegetación de diferencia normalizado El empleo de los cocientes para discriminar masas vegetales se deriva del peculiar comportamiento radiométrico de estas coberturas (véase el gráfico en la página 1).PRÁCTICA DE PROCESAMIENTO DIGITAL DE IMÁGENES Emilio Chuvieco [2] determinó que en un estudio realizado alrededor de Madrid. © X. muestra un claro contraste entre las bandas visible.1 m).6 m a 0. se necesita un modelo digital de elevación y datos técnicos acerca del ángulo del sol. puesto que la obtención de la masa de la vegetación sale de los objetivos de este curso.02 1. El contraste con la vegetación enferma. El índice de vegetación de diferencia normalizado debe definirse por valores de reflectividad en las bandas y no directamente a los ND que componen la imagen. se puede aplicar la fórmula directamente a los ND y así obtenemos una indicación de la masa de vegetación. Bajos valores de contraste indican una vegetación enferma o escasa. hasta llegar a las cubiertas sin vegetación. La firma espectral. 7. y sobre todo con los suelos. es bastante evidente en estas dos bandas. no se puede ajustar la imagen con este cociente. para corregir la respuesta espectral registrada en las bandas.02 Por lo tanto.2001 41 Operaciones multibanda . que ofrecen un contraste muy pequeño. los pigmentos de la hoja absorben la mayor parte de la luz que reciben. Ver tabla abajo: Banda 4 TM Banda 3 TM Cociente Frondosas en sombra en sol Coníferas en sombra en sol 33 66 22 44 1.7 m a 1. Sin embargo.5 1. puesto que es distinto para cada cobertura.7 m) y las comprendidas en el infrarrojo cercano (0. Mientras en la región visible. Bakker . con el fin de determinar la relación entre el aspecto de la pendiente y la intensidad de iluminación obtenida al momento de la toma. característica de la vegetación sana. mayor vigor vegetal presentará la cubierta observada. Se puede concluir que cuanto mayor sea el contraste entre los ND de la banda infrarroja y roja. Esto corresponde a la banda 2 de SPOT en el rojo visible y a la banda 3 de SPOT en el infrarrojo cercano. Por esta razón.5 25 50 20 40 1. en el infrarrojo cercano estas substancias son bastantes transparentes. el cociente entre la banda 4 y la banda 3 de LANDSAT TM (muy similares a las bandas 3 y 2 de SPOT) es el mismo para cada cobertura sin influencia del sol o de la sombra. Sin embargo.

En la ventana de la representación cambiemos el número de tonalidades a 50: “Edit”. Con el fin de definir una representación especial para este mapa. En ILWIS existe un dominio predefinido para este rango de valores el cual se seleccione por defecto al usar la función NDVI: min1to1. el valor 0. Haga doble clic sobre el valor 1. seleccione el tipo de dominio valor y oprima el botón “OK”. Las cuerpos de agua se despliegan con color azul (el embalse de Neusa con verde). el valor 1 como máximo. © X. utilice la representación “pseudo” para el despliegue. la banda del visible (normalmente el rojo visible) x2 y la banda del infrarrojo cercano x3. Esta fórmula se puede ingresar de dos maneras:  o Escriba el la línea de comando una de las siguientes fórmulas y oprima <Enter>: ivdn = (x3-x2)/(x3+x2) ivdn = NDVI(x2. Con el fin de obtener una mejor separación de las diferentes coberturas. oprima el botón derecho del mouse y seleccione del menú sensitivo al contexto la opción “Create representation”. la cual necesita dos parámetros. Bakker . cambiar el valor a 50 y oprima el botón “OK” (observe que se esta utilizando más tonalidades). haga clic sobre el botón para crear un nuevo dominio.01 como precisión y oprima el botón “OK”.x3) NDVI es una función predefinida en ILWIS. Especifique el valor -1 como mínimo. El resultado es un mapa con valores en el rango desde -1 hasta 1. los suelos desnudos y las zonas construidas con verde y la vegetación con rojo. Haga doble clic sobre el icono del mapa “idvn” para calcular y desplegar el mapa. Luego observe que el nuevo dominio está seleccionado en la caja del dialogo “Raster map definition” y oprima el botón “OK”. En la caja del dialogo “create domain” especifique el nombre “ivdn”. Especifique el nombre “ivdn” y oprima el botón “OK”.2001 42 Operaciones multibanda .00.PRÁCTICA DE PROCESAMIENTO DIGITAL DE IMÁGENES La fórmula para el índice de vegetación de diferencia normalizado es la siguiente: NDVI = B a n d a IR − B a n d a R B a n d a IR + B a n d a R En el siguiente ejercicio generará un índice de vegetación de diferencia normalizado. “Stretch Steps”. creemos un dominio con el nombre “ivdn”:  En la caja del dialogo “Raster map definition”. cambie el color a rojo y oprima el botón “OK”. crearemos una representación (“pericol”) con más colores: baja vegetación alta vegetación  En el catálogo de datos seleccione el dominio “ivdn”.

0.0) (0.255.75 y cree un color con intensidad rojo 150. según la siguiente tabla: Valor -0.125. Determine con la ayuda de la composición a falso color “xcomp321" el rango de valores en el índice de vegetación de diferencia normalizada para las siguientes coberturas: Cobertura Rango IVDN a a a a a a a a a Bosque Páramo Suelos desnudos Cuerpos de agua Construcciones Zonas Cultivadas (fin del ciclo) Zonas Cultivadas (comienzo del ciclo) Nubes* Sombras de los nubes* * Note que ni las nubes ni las sombras de las nubes son coberturas.50 0.150) (0.V.A) (0.150. Bakker .50 -0. verde 0 y azul 150 (150.PRÁCTICA DE PROCESAMIENTO DIGITAL DE IMÁGENES Ahora tendremos que insertar más limites con sus correspondientes colores:  Oprima la tecla “Insertar”.25 0.100) (255.25 0 0.0. Luego inserte los siguientes límites. especifique el valor -0. © X.255) (0.2001 43 Operaciones multibanda .0) Vuelva a desplegar el mapa “ivdn” y seleccione la representación “ivdn”.75 Color (R.255.0.0) (175.150).

3 Aritméticas de imágenes Dentro de la parte de aritméticas de imágenes se pueden incluir las operaciones anteriores (índices de vegetación y relaciones entre bandas). Estos promedios no contribuyen en la clasificación.2001 44 Operaciones multibanda . Bakker . Se trata básicamente de combinar bandas por medio de fórmulas generando nueva información. Escriba el la línea de comando la siguiente fórmula y oprima <Enter>: Prom13 = (x1+x3)/2 Asigne el dominio “image” al mapa de salida y despliegue el resultado. pero cambie el rango a 0 hasta 5 con precisión 0. Compare las bandas originales y los mapas promedios.PRÁCTICA DE PROCESAMIENTO DIGITAL DE IMÁGENES 7..01. © X. pero son aplicados frecuentemente cuando se trabajan con imágenes de RADAR.  Escriba el la línea de comando la siguiente fórmula y oprima <Enter>: Prom123 = (x1+x2+x3)/3 Asigne el dominio “image” al mapa de salida y despliegue el resultado. Un cociente que si puede contribuir para separar cuerpos de agua de las otras coberturas es la siguiente fórmula: R a tio = B a n d a IR B a n d aV  Escriba el la línea de comando la siguiente formula y oprima <Enter>: Ratio = x3/x1 Acepte el dominio valor. De esta manera se puede generar un mapa con el promedio de los ND registrados en dos o en las tres bandas:   Escriba el la línea de comando la siguiente fórmula y oprima <Enter>: Prom12 = (x1+x2)/2 Asigne el dominio “image” al mapa de salida y despliegue el resultado.

...2001 45 Operaciones multibanda ..PRÁCTICA DE PROCESAMIENTO DIGITAL DE IMÁGENES Despliegue el resultado y determine los rangos de valores para las siguientes coberturas: Cobertura Rango en mapa Ratio a a a a a a a a Bosque Páramo Suelos desnudos Cuerpos de agua Construcciones Zonas Cultivadas Nubes* Sombras de los nubes* * Noteque ni las nubes ni las sombras de las nubes son coberturas. Determine con que rango de valores se pueden distinguir los cuerpos de agua de las demás coberturas: utilizando un rango de ........ Bakker . Otras operaciones multibanda que no han sido incluidas en este curso básico son los componentes principales.. © X...... estadísticas multibanda y la creación de mosaicos a partir de múltiples imágenes. hasta ..

PRÁCTICA DE PROCESAMIENTO DIGITAL DE IMÁGENES

8. CLASIFICACIÓN DE LAS IMÁGENES Para la mayor parte de los usuarios de la teledetección , la clasificación supone la fase más importante del procesamiento digital de las imágenes. Las operaciones de los capítulos anteriores están enfocadas a obtener un mapa de la cobertura. Los ND no tienen sentido en si mismos, sino en cuanto son interpretables; esto es, convertibles a categorías que supongan un mejor conocimiento del territorio. Esta interpretación se puede hacer visualmente, o digitalmente (lo que se pretende en este curso). Como resultado se obtiene un mapa de cobertura que define la localización y/o unas tablas estadísticas que ofrecen el inventario superficial de las categorías de interés [2]. Puesto que los valores ND no están directamente relacionados a una cobertura predefinida, siempre habrá que hacer un trabajo de campo. Esto se puede hacer antes de la clasificación con el fin de establecer la relación entre cobertura y respuesta espectral, o se puede hacer después de una clasificación multiespectral con el fin de ajustar dicha clasificación. Es importante tomar en cuenta, que un mayor número de puntos de muestreo en campo bien distribuidos sobre el área de interés permite obtener una clasificación más fiel. Asimismo, cuando la fecha del trabajo de campo es más cercano a la fecha (o época) de toma de la imagen, se puede establecer más fácil una relación real entre ND y cobertura.

8.1 “Density slicing” (clasificación de una sola banda) Por medio de la clasificación de una sola banda (“Density Slicing”) se trata de distinguir diferentes elementos con base en una sola banda (o un mapa derivado de múltiples bandas). Como hemos visto en los ejercicios anteriores (3.6 Pixeles y números digitales, 7.2 Índice de vegetación de diferencia normalizado y 7.3 Aritméticas de imágenes) existen traslapos entre rangos de valores al comparar coberturas en una sola banda. Por lo tanto la clasificación de una sola banda no es una herramienta para generar un mapa de cobertura representativa, pero una herramienta para ayudar a separar coberturas que no se podían separar por medio de una clasificación multiespectral. En el siguiente ejercicio tratamos de separar diferentes coberturas utilizando el mapa “ratio” (banda 3 / banda 1): 

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

©

X. Bakker - 2001

46

Clasificación de las imágenes

PRÁCTICA DE PROCESAMIENTO DIGITAL DE IMÁGENES

Upper Bound 0.6 1 1.5 1.8 4

Name Construcciones Mezcla: Constr./Suelos/Páramo/Nubes/Sombras Bosques Mezcla: Bosque/Cultivos Cultivos

Cierre el dominio cuando todas las clases estén definidas. Ahora se tiene que aplicar el proceso de clasificación de una sola banda: 



Entre a la opción “Slicing”, especifique el mapa “ratio” como mapa de entrada, “ratiocl” como mapa de salida, seleccione el dominio “ratiocl”, prenda la opción “Show” y oprima el botón “OK”.

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

Cuerpos de agua Construcciones Mezcla: Constr./Suelos/Paramo/Nubes/Sombras Bosques Mezcla: Bosque/Cultivos Cultivos

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

©

X. Bakker - 2001

47

Clasificación de las imágenes

PRÁCTICA DE PROCESAMIENTO DIGITAL DE IMÁGENES

8.2 Clasificación multi-espectral La clasificación multiespectral de las imágenes es un proceso donde se relaciona un significado a la respuesta espectral que contienen varias bandas. Normalmente, el ND de un pixel es el resultado de la combinación de respuestas espectrales de las coberturas que se registran dentro de un pixel. Por lo tanto el uso de imágenes con mayor resolución espacial incrementa la confiabilidad de la interpretación. Asimismo, el tener más respuestas espectrales ayuda a separar las diferentes clases de coberturas. Existen dos tipos de clasificación: la clasificación no-supervisada (“cluster”) y la clasificación supervisada 8.2.1 Clasificación no-supervisada La clasificación no-supervisada tiene como objetivo la definición de las clases espectrales presentes en la imagen. No implica ningún conocimiento del área de estudio, por lo que nuestra intervención se centra más en la interpretación, que en la consecución de los resultados. Se asume que los ND de la imagen forman una serie de agrupaciones o conglomerados (clusters), más o menos nítidos según el caso. Estos grupos equivaldrían a pixeles con comportamiento espectral homogéneo y, por lo tanto, deberían definir clases temáticas de interés. Desafortunadamente las clases resultado de este proceso, no siempre representan las clases que el temático pretende separar. Sin embrago, esta herramienta constituye un gran apoyo para evaluar la separabilidad entre clases. En el siguiente ejercicio efectuaremos una clasificación no-supervisada: 

Entre a la opción “Cluster”, especifique los tres bandas originales como bandas de entrada, deje el número de cluster en 10, especifique “clust10" como mapa de salida, prenda la opción “Show” y oprima el botón “OK”.

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

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

©

X. Bakker - 2001

48

Clasificación de las imágenes

Asigne el nombre “cobert” al dominio y adicione las siguientes clases: Bosque Páramo Suelos desnudos Cuerpos de agua (tipo 1) Cuerpos de agua (tipo 2) Cuerpos de agua (tipo 3) Centro urbano Periferia urbana Pasto Zonas Cultivadas (vegetación densa) Zonas Cultivadas (vegetación escasa) Viveros Nubes Sombras de las nubes (50.0.160) (190. Oprima el botón para crear el dominio que utilizaremos para clasificar las coberturas. © X. para luego extrapolar esta información al resto de los pixeles que conforman la imagen. Es importante seleccionar varios campos por cobertura con el fin de reflejar adecuadamente su variabilidad en la zona de estudio [2].250.200. El mensaje “Please zoom in to edit” aparece varias veces en la pantalla.130.2001 49 Clasificación de las imágenes .165. indicando que el usuario tiene que hacer acercamientos para seleccionar pixeles de entrenamiento. Además de la composición aparecerá la ventana de las estadísticas de entrenamiento. Antes de proceder edite la representación según los colores indicados anteriormente.225) (180. 8.0) (0. En este ejercicio empezaremos la clasificación supervisada:  Entre a la opción “New SmplSet”.110) (65.160. especifique el nombre “cobert” como “Sample Set Name”. se generarán traslapos de clases y causará un resultado poco confiable. A partir del listado “x321" se genera el despliegue (una composición a falso color).105.0) Cierre la ventana del dominio al finalizar y oprima el botón “OK” en la ventana de “Create a new Sample Set”.255) (25.2.205.225) (115. En caso de asignar un significativo erróneo a unos pixeles.255.145) (170. asegúrese que se está utilizando la banda 3 para Rojo.75) (150. la banda 2 para Verde y la banda 1 para Azul.PRÁCTICA DE PROCESAMIENTO DIGITAL DE IMÁGENES En otras palabras.0.170. a partir de ellas el computador calcula los ND que definen cada una de las clases.255.1 Fase de entrenamiento Como se explicó anteriormente la fase de entrenamiento es la parte más crítica de la clasificación.0) (255.0.0) (245. Bakker .2.0) (255.95) (235.140.170) (0. como listado de mapas cree uno nuevo con el nombre “x321geo" ya que el listado “x321" fue creado cuando las bandas todavía no tenían una georeferenciación.

Otra manera de evaluar la separabilidad de las clases es por medio de las estadísticas de muestreo. En la ventana “Edit” seleccione la clase “Cuerpos de agua (tipo 1)” y oprima el botón “OK”. Luego desplace la ventana hacia la Laguna de Suesca y asigne a grupos de pixeles representativos la clase “Cuerpos de agua (tipo 2)”. Cuando haya traslapo entre las clases (mezcla de colores). Asigne a pixeles del Embalse de Tominé la clase “Cuerpos de agua (tipo 3)”.PRÁCTICA DE PROCESAMIENTO DIGITAL DE IMÁGENES  Haga un acercamiento al Embalse de Neusa.2001 50 Clasificación de las imágenes .  Seleccione del menú “Edit” la opción “Feature Space”. se puede desplegar unos gráficos llamados “Feature Spaces”. Puesto que las bandas 1 y 2 son muy similares solamente creamos feature spaces de las bandas 1 y 3 y de las bandas 2 y 3: Seleccione “x1" como “Band 1" y como “Band 2" seleccione “x3" y oprima el botón “OK”.2 Despliegue de “Feature Spaces” Un Feature Space muestra la respuesta espectral de los pixeles asignados a las clases usando diferentes colores. Luego oprima el botón derecho del mouse y seleccione del menú sensitivo al contexto la opción “Edit”. usando para los ejes dos bandas que el usuario elige. 8.2.2. entonces habrá problemas en separar estas clases.2. 8.3 Evaluación de estadísticas ILWIS calcula para cada grupo de entrenamiento. como para cada clase las siguientes estadísticas. Con el fin de evaluar la separabilidad de las clases a las cuales hemos asignado grupos de pixeles de entrenamiento. que ayudan a evaluar la selección de pixeles o la clase de interés: “Mean” “StDev” “Nr” “Pred” “Total” La media Desviación típica Número de pixeles con el valor predominante El valor predominante Total de pixeles seleccionados ó en la clase © X. Observe que las tres clases de agua son bien separables específicamente en la banda 2.2. y seleccione (creando un rectángulo) varios pixeles (500-750) en la mitad del embalse. Repita el proceso para el feature space para “x2" y “x3". Bakker .

© X.4 Clasificación del muestreo Una vez terminada la selección y estudio de las categorías que intervendrán en la clasificación.  Continúe seleccionando pixeles de entrenamiento para todas las clases.2. naturalmente. 8.1 “Box classifier” Alrededor del medio de las clases se dibuja una caja (box) con el tamaño basado en la desviación típica. el pixel quedará sin clasificar. 8. Cuando el ND de un pixel no queda dentro de ninguna caja. La periferia urbana por estar combinada con suelos desnudos (en construcción) y parques genera una respuesta mezclada. se inicia la fase de asignación. los ND que componen la clase tiene poca diferencia. Bakker .2. Se puede ver que existen varias clases que tienen un comportamiento similar en las bandas. Fruto de esta fase será el mapa temático de cobertura. Cuando el ND de un pixel está dentro de una caja. En esta fase se trata de asignar a cada pixel de la imagen una categoría.PRÁCTICA DE PROCESAMIENTO DIGITAL DE IMÁGENES Mientras la desviación típica sea pequeña. se asigna esta clase al pixel. Los viveros. en función de sus ND. Los centros urbanos normalmente por ser construidos mas densos tienen una respuesta un poco mas baja. El usuario puede especificar un factor de multiplicación para agrandar las cajas. pero existen elementos con un alto grado de diferencia en los NDmin y NDmax para las diferentes bandas. tanto de los centros como de la periferia urbana tienen una respuesta espectral muy similar. se asigna la clase correspondiente a la caja más pequeña.2.2001 51 Clasificación de las imágenes .2.4. Las construcciones. El factor multiplicador por defecto es raíz de 3. para cada una de las bandas que intervienen en el proceso. ILWIS soporta varios algoritmos para la asignación de las clases. Esta asignación se realiza. Los campos de entrenamiento deben estar bien distribuidos sobre la imagen. aparecen con una respuesta un poco más alta en la banda 3. por tener la respuesta de construcciones mezclada con vegetación. Esto mejora la separabilidad (menos posibilidad de traslapos). En caso que el ND está en dos o más cajas.

Por defecto está seleccionada la opción “Box classifier”.4.PRÁCTICA DE PROCESAMIENTO DIGITAL DE IMÁGENES 8. En pocos palabras.3 “Minimum Mahalanobis Distance classifier” Para este tipo de clasificación la distancia hacia el medio de cada clase es calculada como distancia Mahalanobis. esa función asemeja la distribución real de los ND en esa categoría. 8.2.4 “Maximum Likelihood classifier” El método de máxima probabilidad considera que los ND en el seno de cada clase se ajustan a una distribución normal. asignando el pixel a aquella que maximice la función de probabilidad.  Entre al programa “Classify”. Esto permite describir la categoría por una función de probabilidad.2.732051 como factor de multiplicador.2. En caso contrario el pixel quedará sin clasificar. En caso contrario el pixel quedará sin clasificar. Repita este proceso para generar los siguientes mapas: Mapa Método Factor multiplicador Box classifier 2. Por lo tanto este tipo de clasificación no solo considera la respuesta espectral sino también su ubicación en el mapa. Esta distancia depende de la distancia hacia el medio de la clase y la matriz varianza-covarianza de cada clase.2.4. En caso que la distancia Mahalanobis a la clase más cercana sea menor que un valor especificado por el usuario.2.4.2 “Minimum Distance classifier” Con el fin de clasificar los valores espectrales de un pixel.2001 52 Clasificación de las imágenes . Bakker . 8. con el fin de determinar el que más se ajuste a la realidad. la distancia hacia el medio de cada clase es calculada. El cálculo se realiza para todas las categorías que intervienen en la clasificación. 8.5 clbox25 Minimum Distance cldis100 clmah100 Min.2.2. la clase es asignada al pixel. la clase es asignada al pixel. Cambie el nombre de salida a “clbox17" y oprima el botón “OK”. por lo que nos sirve para calcular la probabilidad de que un pixel (con un determinado ND) sea miembro de ella. a partir de su vector de medias y matriz de varianza-covarianza. Mahalanobis Distance Maximum Likelihood cllik100 Treshold distance 100 100 100 © X.2. Seleccione “cobert” como “Sample Set”.5 Efectuar la clasificación En este ejercicio clasificaremos la imagen usando diferentes métodos. En caso que la distancia a la clase más cercana sea menor que un valor especificado por el usuario. Acepte esta opción y también el valor 1.4.

Bakker .PRÁCTICA DE PROCESAMIENTO DIGITAL DE IMÁGENES 8. uniremos las tres clases anteriormente mencionadas y las asignamos a “Suelos desnudos”. Puesto que los nombres de estas clases son relativamente largos. Esto se harán en el capítulo 8.2. Despliegue sobre el mapa “tmpcob” el mapa de polígonos “xcab2". Una ventana aparece donde se puede adicionar múltiples mapas con el fin de consultarlos.2.6 Operaciones posteriores a la clasificación Usted ya ha podido ver que existen traslapos espectrales entre las clases de “Centro urbano”. “Periferia urbana” y “Suelos desnudos”. Luego haga doble clic sobre el elemento “Centro urbano” y escriba en el campo “Code” el código “CU”. Repita esto para “Periferia urbana” asignando el código “PU” y para “Suelos desnudos” el código “SD” y cierre el dominio.2001 53 Clasificación de las imágenes . Con el fin de corregir esto. Cual método se ajuste más a la realidad? 8.”SD”. Escriba en la línea de comando la siguiente fórmula y oprima <Enter>: Tmpcob =IFF((cldis100=”CU”) or (cldis100=”PU”). Note que de esta manera las zonas urbanas no se están incorporando en el mapa “tmpcob”. hacemos unos adiciones en el dominio “cobert”:   Haga doble clic sobre el icono del dominio “cobert”. “cldis100" y la composición a falso color “xcomp321" y compare los resultados.5 Evaluar los resultados de la clasificación Despliegue los mapas “clbox17". Adicione también los mapas “clbox25" y “cldis100".cldis100) Asigne el dominio “cobert” al mapa de salida y despliegue el resultado. Esta superposición condicional escribe en el mapa de salida “tmpcob” la unidad “Suelos desnudos” (“SD”) cuando encuentra en el mapa “cldis100" las clases “CU” o “PU” (las zonas urbanas) o en caso de no encontrar estas clases se reproduce el mapa “cldis100". y luego seleccione el mapa “clbox17" y oprima el botón “OK”. © X. Observe como los valores cambian mientras se desplaza el mouse sobre el mapa “xcomp321".2. ILWIS cuenta con una herramienta para la consulta de múltiples mapas: “Pixel Information”.2.  En la ventana del mapa “xcomp321" seleccione el menú “File” y luego la opción “Open Pixel Information”. Luego incorporaremos los cascos urbanos que tenemos en el mapa de polígonos “xcab2". Por lo tanto hemos obtenido unos grandes núcleos urbanos en la parte superior central de la imagen (área que corresponde a suelos desnudos). En el menú “File” de esta ventana seleccione la opción “Add Map”. “clbox25".

En este ejercicio aplicamos un filtro de predominancia al mapa “tmpcob” para corregir estos errores.2. Bakker . En caso que usted ha notado que algunos pixeles se han quedado sin asignación de una clase. Seleccione el tipo de filtro “Majority” y el nombre del filtro “Majority”. Luego escriba como nombre del mapa de salida “tmpcob2".2001 54 Clasificación de las imágenes . se puede aplicar el filtro “Majundef”.2.PRÁCTICA DE PROCESAMIENTO DIGITAL DE IMÁGENES 8. prenda la opción “Show” y oprima el botón “OK”. Note que por defecto está seleccionado el dominio “cobert”. Compare el resultado con el mapa de entrada. © X. Esto preferiblemente se hace antes de aplicar el filtro “Majority” puesto que puede asignar a más pixeles el valor indefinido.  Entre al programa “Filter” y seleccione el mapa “tmpcob” como mapa de entrada. En tal caso se debe o incluir más pixeles en la fase de entrenamiento se debe aumentar el valor del factor multiplicador ó el “Treshold distance” según es el caso.7 Filtros de predominancia Los filtros de predominancia pueden ser usados para corregir pequeñas áreas (pixeles aislados con una clase distinto de los de su vecindad directa). OJO Existe la posibilidad que muchos pixeles queden sin clasificar.

1 Vecino más cercano (Nearest Neighbour) El primer método se denomina “vecino más cercano” (nearest neighbour). 9. Independiente de la transformación que se va a emplear. interpolación bilineal y convolución cúbica. supone promediar el ND de los cuatro pixeles más cercanos de la imagen original. 9.1. Para determinar las variables se debe desplegar la composición a falso color y determinar las coordenadas de las 4 esquinas. pero supone un volumen de cálculo mucho más elevado. 9.2 Interpolación bilineal (Bi-Linear) La interpolación bilineal.2 Crear una georeferenciación de esquinas. vecino más cercano.1. la convolución cúbica considera los valores del pixel (o clases) de los 16 pixeles más próximos. De esta forma se puede obtener el rango X y Y. Este promedio se pondera según la distancia del pixel original al corregido: tienen una mayor influencia aquellos pixeles más cercanos en la imagen inicial. se recomienda aplicar este proceso a los resultados de la interpretación. Esta es la solución más rápida y la que supone menor transformación de los valores (o clases ) originales. por situar en cada celda de la imagen corregida el valor (o clase) del pixel más cercano en la imagen original. CORRECCIÓN GEOMÉTRICA DE LOS RESULTADOS La corrección geométrica traslada los ND de una imagen georeferenciada a una nueva matriz con el norte orientada hacia arriba.3 Convolución cúbica (Cubic Convolution) Por último. Anote abajo las coordenadas: Mínimo Máximo X Y © X. cuando se aplica un proceso de sinergismo y los resultados son utilizados para la interpretación. pero tiende a difuminar un tanto los contrastes espaciales de la imagen original [2].1. Por ejemplo. 9. que pueden aparecer en la corregida como lineas quebradas [2]. se requiere tener una georeferenciación de esquinas.2001 55 Corrección geométrica .PRÁCTICA DE PROCESAMIENTO DIGITAL DE IMÁGENES 9. Reduce el efecto de distorsión en rasgos lineales. carreteras o drenajes). 9. En tal caso se debe utilizar el procedimiento que menos afecta el ND original. Su principal inconveniente radica en la distorsión que introduce en rasgos lineales de la imagen (fracturas. El efecto visual es más correcto. Bakker . Puesto que en este proceso el valor del ND puede cambiar (el valor del ND que resulta es el producto de la combinación de varios ND de la imagen original).1 Diferentes funciones de transformación ILWIS cuenta con tres funciones de transformación. En algunos casos es inevitable aplicar este proceso antes de una interpretación.

prenda la opción “Show” y oprima el botón “OK”. luego determinar cual es su código y por medio de una superposición condicional asignarle el valor “?”. Ya el mapa está en condiciones para incorporar las zonas urbanas. oprima el botón derecho del mouse y seleccione la opción “Polygon to Raster”. Adicione la grilla para verificar que ahora el norte está orientado verticalmente hacia arriba. tendremos que rasterizarlo para poder combinarlo. Se puede notar que un pueblo fue incorporado al mapa. Por medio de una superposición condicional incorporaremos las zonas urbanas:  Escriba en la línea de comando la siguiente fórmula y oprima <Enter>: Cobgeo2 = IFF(isundef(zonasurb).”CU”) Asigne el dominio “cobert” al mapa de salida y despliegue el resultado. En el despliegue del mapa se puede observar que el mapa se rotó con las manecillas del reloj.cobgeo1.  Seleccione el mapa de polígonos “xcab2". Note que la única transformación que el programa permite con este mapa es la del vecino más cercano. Cambie el nombre del mapa de salida a “zonasurb”. seleccione la georeferenciación “Sabana”. Escriba el nombre “cobgeo1" como nombre de salida. recodificando el mapa raster zonasurb (“Unique ID”) . Una de las condiciones para la superposición es que todos los mapas que intervienen estén en formato raster y comparten la misma georeferenciación de esquinas. Escriba “Sabana” como nombre de la georeferenciación. prenda la opción “Show” y oprima el botón “OK”.2001 56 Corrección geométrica . © X. Esto se puede corregir.4 Incorporar las zonas urbanas en el mapa de cobertura Puesto que el mapa de las zonas urbanas está en formato vectorial.3 Re-muestreo hacia una georeferenciación de esquinas El proceso de remuestreo corregirá geométricamente el mapa que tenemos:  Seleccione el mapa “tmpcob2". cambie el tamaño del pixel a 20 y oprima el botón “OK”.PRÁCTICA DE PROCESAMIENTO DIGITAL DE IMÁGENES Ahora creemos la nueva georeferenciación:  Entre a la opción “New GeoRef”. Por lo tanto rasterizaremos el mapa con la georeferenciación “Sabana”. Bakker . 9. Esto es por que el mapa de entrada tiene un dominio tipo clase y por lo tanto no puede hacer promedios ponderados. pero sale de las dimensiones de la clasificación. 9. seleccione la georeferenciación “Sabana”. escriba los coordenadas de la tabla anterior. oprima el botón derecho del mouse y seleccione la opción “Image Processing” y luego “Resample”.

2001 57 Corrección geométrica . Se recomienda leer el libro de Emilio Chuvieco “Fundamentos de teledetección espacial” para profundizar los conceptos de procesamiento digital de imágenes. Antes de seguir con el curso avanzado de procesamiento digital de imágenes con ILWIS se recomienda hacer el curso de análisis y modelamiento. La teledetección incluye una gran gama de aplicaciones con sus propios procedimientos. Las operaciones usados en este curso de ILWIS son solamente una pequeña parte de la totalidad de las que ILWIS ofrece.PRÁCTICA DE PROCESAMIENTO DIGITAL DE IMÁGENES El resultado debe ser similar al gráfico desplegado abajo: A partir de este mapa se puede calcular el histograma (de la misma manera que con las bandas) y presentar los resultados en un reporte. © X. Bakker . Conclusiones Como conclusión general se puede establecer que en este curso únicamente se trataron las etapas básicas de procesamiento digital de imágenes.

haciendo uso de sus bandas espectrales. © X. en las siguientes clases de cobertura:        Zonas urbanas Bosques Suelos desnudos Cuerpos de agua Cultivos Pastos Rastrojo El mapa de polígonos “landuse” contiene los usos de la tierra en la misma área. A continuación encontrará el listado de operaciones que se deben efectuar: Composición a color: Operaciones multi-banda: Clasificación de imágenes: Corrección geométrica: Se debe seleccionar la composición a color que más se ajuste al objetivo.PRÁCTICA DE PROCESAMIENTO DIGITAL DE IMÁGENES 10. se deben sustituir las bandas de SPOT por las bandas de Landsat TM según la parte del espectro electromagnético a que corresponden. Bakker . PROCESAR UNA VENTANA DE UNA IMAGEN LANDSAT Con el fin de evaluar los conocimientos previamente adquiridos se hará un ejercicio usando una ventana (Cochabamba) de una imagen Landsat TM. En caso que se cree el índice de vegetación. Este mapa puede ser usado como guía para la clasificación en la fase de entrenamiento. El objetivo es clasificar la ventana.2001 58 Procesar ventana Landsat TM . Ojo: el mapa vectorial puede contener información desactualizada y contener más clases! Puesto que las imágenes ya están georeferenciadas no es necesario pasar por todas las fases del procesamiento digital de las imágenes. Índice de vegetación Clasificación no-supervisada y clasificación supervisada (incluyendo en caso necesario los filtros de predominancia) Re-muestreo hacia un georeferenciación de esquinas Es importante entender la diferencia entre las imágenes SPOT y Landsat TM.

6 Pixeles y números digitales (página 19) Cobertura Bosque Páramo Cuerpo de agua Construcciones Zonas Cultivadas Banda 1 .115 100 . La imagen pancromática no se parece a la banda 3 de la imagen multiespectral.85 33 .30 y 110 .110 60 .1 Despliegue de imágenes de satélite (página 15): La banda 1 que se encuentra en el mapa raster llamado x2 es similar a la banda 2 contenida en el mapa raster llamado x3 por la siguiente razón: Las bandas 1 y 2 fueron adquiridas en la parte visible del espectro electromagnético.PRÁCTICA DE PROCESAMIENTO DIGITAL DE IMÁGENES 11.55 y 125 .2001 59 Respuestas .XS 60 .80 © X.120 100 . se debe usar el número de la fila o columna donde termina la información útil.60 Banda 3 .33 + 1 = 6756 Note que para determinar el número de filas y columnas con información útil.45 50 .2 + 1 = 3007 3410 .110 150 .XS 35 .50 70 .5 Generar un sub mapa de la información útil (página 18): Información multiespectral Primera Fila Primera Columna Número de Filas* Número de Columnas* * 2 33 3008 .155 80 .70 75 . por lo tanto se puede concluir que la imagen pancromática fue tomado en la parte visible del espectro electromagnético.XS 70 .200 50 . 3. restar la primera fila o columna y luego sumar 1.130 25 . pero sí a las bandas 1 y . Bakker .33 + 1 = 3378 Información pancromática 2 33 6017 . 3.130 50 .2 + 1 = 6016 6788 . RESPUESTAS 3.80 Banda 2 .

54 el que es menor que el factor para la banda 1 (256/85 = 3. Bakker .01) y el factor para la banda 2 (256/91 = 2. se puede concluir que la banda 1 está usando (144-60+1) 85 números digitales.1. para la banda 3 se utilizará un factor de expansión de 256/166 = 1. Al redistribuir estos números digitales sobre los 256 niveles de visualización disponibles.81). la banda 2 está usando (126-36+1) 91 números digitales y la banda 3 (20641+1) 166.3 Comparación de la imagen original con la imagen mejorada (página 23): Para cual banda es menos notorio el efecto del mejoramiento: la banda 3 Explique por que: Si comparamos los valores ND mínimo y máximo correspondiente al 2% del histograma.2001 60 Respuestas .PRÁCTICA DE PROCESAMIENTO DIGITAL DE IMÁGENES 4. © X.1 Cálculo del histograma (página 21): BANDA 1 Porcentaje Valor mínimo 60 64 68 Valor máximo 144 123 108 2% 5% 10% BANDA 2 Porcentaje Valor mínimo 36 40 43 Valor máximo 126 106 86 2% 5% 10% BANDA 3 Porcentaje Valor mínimo 41 71 82 Valor máximo 206 192 179 2% 5% 10% 4.1.

estas nubes tienen ND cerca al 255 y las sombras tienen ND cerca al 0.5 y Offset: 0 Mapa de Salida © X. Cuando una imagen tiene nubes. 2% corresponde a 5 NV. Puesto que tenemos 256 NV. En caso de no excluir algún porcentaje se distribuirá los 256 ND sobre 256 NV.4 Ecualización del histograma Explique por que el valor del porcentaje para excluir del histograma es 0% para la ecualización del histograma y el 1% para la expansión lineal: La expansión lineal debe excluir un porcentaje mayor al 0% para tener efecto.125 y Offset: 0 Mapa de Salida Se puede notar que tanto el valor mínimo (2) y el valor máximo (8) del mapa de entrada se ven exagerados (respectivamente -1 y 12).1. lo cual no es notable.3 Explicación adicional sobre el funcionamiento de filtros Aplique el filtro “edgesenh” al siguiente mapa y especifique los valores para el mapa de salida: 2 2 6 4 4 2 2 6 4 4 8 8 7 5 5 4 4 3 6 6 4 4 3 6 6 -1 -1 -1 -1 16 -1 -1 -1 -1 -1 7 3 12 9 5 3 1 7 Mapa de Entrada Filtro Gain: 0. Bakker .PRÁCTICA DE PROCESAMIENTO DIGITAL DE IMÁGENES 4. Para la ecualización del histograma la exclusión del 1 porciento del histograma (entre 0-1% y entre 99-100%) corresponde teóricamente al 2% de los NV. 4.2.2001 61 Respuestas . lo cual corresponde al despliegue original sin aplicar la expansión lineal. Que hace el siguiente filtro: 2 6 4 8 7 5 4 3 6 0 0 0 0 2 0 0 0 0 2 6 4 8 7 5 4 3 6 Mapa de Entrada Filtro Gain: 0.

Como referencia se puede adicionar el mapa digital en el despliegue y determinar en que partes de la imagen se requiere mas puntos de control para obtener mayor precisión.gris verde claro negro / azul oscuro / verde azul cyan . puesto que únicamente toma en cuenta el pixel central de los 9 pixeles y lo multiplique con 2 (valor del filtro) y luego lo multiplica con 0.2001 62 Respuestas . entonces se justifica un sigma de 2. creando un mapa físico (página 32): Cobertura Color vino tinto . Bakker . 6. Cual es la conclusión: La georeferenciación utilizando puntos de control seleccionados en el mapa digital permite ubicar los puntos con mayor precisión. © X.5 mm de precisión lo cual corresponde a 50 metros (son 2.3. En un mapa análogo se puede determinar un punto con aproximadamente 0.5).1 Composiciones a falso color.1. El mapa digital está basado en información a escala 1:25.5 pixeles de 20 metros. 5.1.gris .verde rojo intenso blanco negro Bosque Páramo Suelos desnudos Cuerpos de agua Construcciones Zonas Cultivadas Nubes* Sombras de los nubes* * Note que ni las nubes ni las sombras de los nubes son coberturas. Además.5 (valor del “Gain”) resultando en el valor de entrada.PRÁCTICA DE PROCESAMIENTO DIGITAL DE IMÁGENES El filtro reproduce exactamente el mapa de entrada. En el mapa digital se pueden hacer los acercamientos necesarios para ubicar los puntos con precisión.000 y el mapa análogo fue impreso a escala 1:100.rojo oscuro verde .000.3 Puntos de control a partir de mapas digitales (página 39): Seleccione al menos 15 puntos de control y compare tanto la precisión (sigma) como el tiempo invertido en la georeferenciación a partir del mapa análogo con la hecha desde el mapa digital. no se requiere calcar y digitar las coordenadas.

Determine con que rango de valores se pueden distinguir los cuerpos de agua de las demás coberturas: utilizando un rango de 0 o 0.2001 63 Respuestas .75 1.80 0.50 a 0. Bakker .00 0.60 a 1.00 Bosque Páramo Suelos desnudos Cuerpos de agua Construcciones Zonas Cultivadas Nubes* Sombras de los nubes* * Note que ni las nubes ni las sombras de las nubes son coberturas.15 -0.25 Bosque Páramo Suelos desnudos Cuerpos de agua Construcciones Zonas Cultivadas (fin del ciclo) Zonas Cultivadas (comienzo del ciclo) Nubes* Sombras de los nubes* 7.40 0.25 hasta 0.50 -0.PRÁCTICA DE PROCESAMIENTO DIGITAL DE IMÁGENES 7.3 Aritméticas de imágenes (página 45): Despliegue el resultado y determine los rangos de valores para las siguientes coberturas: Cobertura Rango en mapa Ratio 1.90 a 1.00 a 0.00 -0.4.50 a 3.35 a 0.00 a 0.00 0.50 0.25 a 0.05 0.50 a 0.55 a -0.25 a -0.20 a 0.00 a 1.2 Índice de vegetación de diferencia normalizado (página 43): Determine el rango de valores con el índice de vegetación para las siguientes coberturas: Cobertura Rango IVDN 0.00 a 0.60 a 1.00 0.05 0. © X.75 0.70 a 1.00 0.15 -0.10 a 0.

1997. Radar for rain forest. 281 pp. 453 pp. Chuvieco. Clasificación de los sensores remotos y plataformas utilizadas en percepción remota. SpringerVerlag. A monitoring system for land cover change in the Colombian Amazon.. 20 pp. © X. E. CD-ROM Montoya P. Enschede 511 pp. Rome. Microsoft. FAO. FAO. 103 pp. L. Remote sensing digital image analysis. 192 pp.. IGAC. Santafé de Bogotá. Bakker . J. ILWIS User’s Guide. Santafé de Bogotá. Berlin.A. Enschede. 1999. Radar imagery: theory and interpretation. A. 1997. ILWIS. Ediciones Rialp S. A. 158 pp. Enciclopedia Encarta 99. Lecture notes. an introduction. Richards. 1995. ITC publication 53. Gonima G. 1995. 1993. 1995. J. Fundamentos de teledetección espacial. ITC. W.2001 64 Bibliografía .PRÁCTICA DE PROCESAMIENTO DIGITAL DE IMÁGENES BIBLIOGRAFÍA [1] [2] [3] [4] [5] [6] [7] [8] Bijker. IGAC. Fundamentos físicos de la percepción remota. Madrid. 1986.

Sign up to vote on this title
UsefulNot useful