Vous êtes sur la page 1sur 20

ESTRUCTURA DE LAS IMGENES DIGITALES

Antes de encarar el procesamiento de las imgenes satelitales entendemos


conveniente resumir aqu una serie de conceptos bsicos ya considerados
previamente acerca de las imgenes digitales, as como ampliarlos con otros
que sern tiles en las posteriores etapas de este estudio.
Ya vimos como una imagen digital consiste de elementos discretos
denominados pixeles. Estos elementos bidimensionales constituyen los
menores elementos no divisibles de la imagen. En la Fig. 41 vemos en forma
esquemtica cmo una imagen digital est compuesta de pixeles ubicados en
la interseccin de cada fila i y columna j en cada una de las k bandas
correspondientes a una dada escena.

Cada pixel en cada banda est en perfecto registro geomtrico con sus
equivalentes de las restantes bandas. Asociado a cada pixel existe un nmero
(Nmero Digital, DN) que mide la radiancia promedio o brillo correspondiente
al rea de escena abarcada por dicho pixel. En una base binaria de 8 bits el
DN poseer 28 valores en un rango de 0 a 255.
Estos valores pueden ser modulados para producir en la pantalla de una
computadora un escala de grises que va desde el negro (DN=0) hasta el
blanco (DN=255). O sea que para cada pixel en una escena que consta de k
bandas espectrales habr asociados k niveles de grises. Estos definen un
espacio espectral k dimensional en el que cada pixel es representado por un
vector que constituye su firma espectral y que permitir, a travs de
operaciones de clasificacin basadas en algoritmos matemtico-estadsticos,
asignar dicho pixel a clases temticas definidas. El rea terrestre representada
por un pixel est determinada por la altura del sensor y los parmetros de
diseo de ste, particularmente el campo de visin instantneo (IFOV).
Obviamente al reducirse dicha rea ms detalles de la imagen sern
aparentes, es decir que aumenta la resolucin espacial.

En esta rpida revisin no ha aparecido nada esencialmente nuevo acerca de


los conceptos que ya se haban analizado previamente. Sin embargo, vamos
ahora a profundizar algo ms acerca de la estructura espectral de un pixel. De
acuerdo a lo que hemos visto, un pixel es una unidad espacial arbitraria cuyas
propiedades bsicas (tamao, forma, ubicacin) quedan principalmente
definidas por variables dependientes del sensor y no directamente por las
propiedades del terreno. Sin embargo, debemos considerar que de acuerdo a
las caractersticas del terreno (textura, coberturas, etc.) el rea abarcada por un
pixel puede incluir ms de un tipo de objetos o clases temticas, por ej.
arbustos, pasturas, suelo descubierto, agua, etc. Evidentemente la radiacin
reflejada correspondiente a dicho pixel que llega al detector estar compuesta
por las contribuciones de las firmas espectrales de las clases temticas que
incluye, tal como se esquematiza en la Fig. 42:

O sea que desde el punto de vista espectral se trata de un pixel mezclado.


Conociendo los espectros puros de cada objeto o clase que incluye el pixel
(obtenido de bibliotecas adecuadas o de ensayos de laboratorio previos), a
travs de tcnicas de desmezclado se puede efectuar un anlisis subpixel para
estimar la proporcin de las diferentes clases
Este desmezclado espectral suele basarse en la suposicin de que la
respuesta espectral xp de un pixel p es una suma lineal ponderada de las
respuestas espectrales de sus clases componentes. Matemticamente esto se
expresa a travs de la ecuacin

donde E es una matriz de k por c en la que k es el nmero de bandas


espectrales del sensor y c el nmero de clases; f es un vector de longitud c que
expresa la cobertura proporcional de clases en el rea representada por el pixel
y e es el error residual. Las columnas de la matriz E son las respuestas
espectrales de las clases . As definido el modelo de mezcla puede ser utilizado
para estimar la composicin por clases del pixel, representada por f, a travs
de su respuesta espectral xp. Las restricciones del modelo son

Tambin relacionado con la composicin espectral del pixel existe un problema


significante aunque usualmente ignorado. En efecto, se demuestra que una
proporcin importante de la seal que aparentemente proviene del rea de
terreno representada por un dado pixel proviene de los pixeles vecinos, tal
como se esquematiza en la Fig. 43. Aunque los pixeles de una imagen
usualmente aparecen cuadrados, la radiacin que se ha registrado y que define
la composicin espectral de dichos pixeles proviene de un rea
circular (o elptica si el sensor no observa directamente el nadir)
aproximadamente doble del rea cubierta por la proyeccin del pixel.

A pesar de que los detectores del sensor son ms sensibles en el centro del
FOV del detector (lo que hace que la mayor parte de la radiacin capturada
provenga del rea cubierta por el pixel) la radiacin proveniente de los pixeles
vecinos hace una contribucin significante al valor del pixel. Este efecto es
consecuencia de muchos factores, incluyendo la ptica del instrumento, del
detector, de la electrnica asociada as como incluso de efectos atmosfricos.

PROCESAMIENTO DE LAS IMGENES SATELITALES


El procesamiento de las imgenes digitales consiste en la manipulacin
numrica de dichas imgenes e incluye:

Preprocesamiento
Realce
Clasificacin.
Preprocesamiento. Consiste en el procesamiento inicial de los datos crudos
para corregir las distorsiones radiomtricas y geomtricas de la imagen y
eliminar el ruido. Las distorsiones radiomtricas obedecen a mecanismos que
alteran los valores de brillo de los pixeles y se deben fundamentalmente a
interferencias atmosfricas y a efectos asociados a instrumentacin. Las
correcciones atmosfricas constituyen un problema muy complejo si se quieren
aplicar sobre la base de modelos fsicos del comportamiento de las
radiaciones. En efecto, estos modelos tienen el mrito de su rigor cientfico,

precisin y aplicabilidad a un amplio rango de circunstancias, pero suelen exigir


complejos programas de computadora as como informacin meteorolgica
detallada relativa a las condiciones en que se registr la escena. Esta
informacin es muy difcil de obtener y podemos decir que la aplicacin
rutinaria de estos modelos actualmente no es posible. Una aproximacin
sencilla y prctica a la correccin del efecto atmosfrico se basa en la
consideracin de los histogramas de las imgenes espectrales. Un histograma
es un grfico o tabla que muestra el nmero de pixeles f(DN) de una imagen
que poseen un valor DN. En la Fig. 44 se observan los histogramas para las
bandas 1 a 4 del LANDSAT.
Como era de esperar de acuerdo a lo que vimos acerca de la relacin entre
longitud de onda y efectos de dispersin atmosfricos los valores ms bajos de
los histogramas corresponden a las mayores longitudes de onda: en particular
la banda infrarroja cercana es la que posee el valor ms bajo. En esta banda
los cuerpos de agua clara y las sombras topogrficas poseeran un valor de
reflectancia de cero o muy prximo a cero si no fuera por el efecto dispersivo.
Se admite que el desplazamiento del extremo inferior de los histogramas es
debido fundamentalmente al componente dispersivo de la interferencia
atmosfrica. En efecto, suponemos que las dems bandas, particularmente
cubriendo reas geogrficas extensas deben poseer algunos pixeles (por
ejemplo sombras topogrficas o de nubes, cuerpos de agua clara y profunda,
etc.) que si no fuera por el efecto atmosfrico tendran valor cero. Para apoyar
esta suposicin observemos cmo en una escena lunar, Fig. 45, la ausencia de
atmsfera hace aparecer las sombras totalmente negras. Las correcciones que
habra pues que hacer a las bandas 1 a 4 es restarle respectivamente los
valores 42, 37, 24 y 12.
Los efectos instrumentales se asocian principalmente a desajustes en las
equivalencias de las curvas de respuesta de los diferentes detectores de un
instrumento (ej. diferentes valores en la corriente oscura y en la ganancia en
las curvas de respuesta). Se puede efectuar una correccin adoptando un
sensor como standard y ajustando el brillo de todos los pixeles registrados por
los dems detectores de modo que los brillos promedio y desviaciones
standard se emparejen con los del detector de referencia.
PROCESAMIENTO DE LAS IMAGENES SATELITALES (continuacin)
Las distorsiones geomtricas responden a muy diversas causas y pueden
clasificarse en sistemticas y no sistemticas. Las principales causas de
distorsiones geomtricas sistemticas son las siguientes:

Sesgo de escaneado: causado por el movimiento de avance de la plataforma


durante el tiempo requerido para cada barrido del espejo (sistemas
whiskbroom).
La lnea de barrido sobre el terreno no es normal a la proyeccin de la
trayectoria sino que resulta ligeramente oblicua, produciendo una distorsin
geomtrica cruzada con la trayectoria.
Velocidad del espejo de escaneado. La velocidad de ste usualmente no es
constante durante un dado ciclo, produciendo una distorsin geomtrica a lo
largo del escaneado.
Efecto panormico y curvatura terrestre. El efecto panormico deriva del
hecho de que como para los sensores de las plataformas satelitales el IFOV
angular es constante, el tamao del pixel sobre el terreno ser mayor en los
extremos de la oscilacin que en el nadir. Tambin la curvatura terrestre
conduce a un efecto similar, aunque para satlites de barrido poco extenso,
como el LANDSAT (185 km) o el SPOT (120 km) el efecto es despreciable, a
diferencia de lo que ocurre con los NOAA, con 2700 km de FOV.
Velocidad de la plataforma. Si la velocidad de la plataforma cambia, la
cobertura terrestrea lo largo de su traza terrestre para sucesivos escaneos
tambin cambiar. Se producir una distorsin de escala a lo largo del
trayecto.
Rotacin de la Tierra. A medida que el sensor escanea el terreno la Tierra se
desplaza de oeste a este. De modo que un punto del terreno registrado al fin
del escaneado va a estar ms al oeste que cuando comenz el barrido. Esto
produce una distorsin segn la traza de barrido. Como casos de distorsiones
geomtricas no sistemticas citemos los efectos por altitud y actitud.
Altitud. Si la plataforma se desva de su altitud normal o si aumenta la
elevacin del terreno se producen distorsiones de escala.
Actitud. Hace referencia a la orientacin del satlite (o bien plataforma area)
en el espacio tridimensional en que se desplaza. En tal sentido podemos
definir un sistema de tridimensional de coordenadas ortogonales centrado en
el centro de gravedad de la plataforma considerada. De acuerdo con esto
puede definirse la orientacin de la plataforma por la contribucin de los
movimientos respecto a estos ejes principales (Fig. 46).

ROLL YAW PITCH: Estos movimientos se definen como: balanceo (roll),


cabeceo (pitch) y desvo (yaw) y son obviamente. causa de distorsiones
geomtricas.
Algunas de las distorsiones geomtricas que hemos mencionado previamente
(debidas a rotacin de la Tierra, efectos panormico y curvatura terrestre,
sesgo de escaneado) son bien comprendidas y pueden ser modeladas con
funciones matemticas que permitan su evaluacin y correccin. Las restantes
distorsiones geomtricas pueden ser minimizadas estableciendo una relacin
matemtica entre las coordenadas de los pxeles en la imagen y los
correspondientes puntos sobre el terreno. Esto puede hacerse
independientemente del conocimiento que el analista pueda tener de la fuente
y tipo de distorsin. Esta tcnica de correccin de imagen requiere la
identificacin de una serie de caractersticas existentes tanto en la imagen
como en un mapa de referencia. Estas caractersticas se denominan
usualmente puntos de control de tierra (GCP, Ground Control Points). Estos
son usualmente detalles de la escena bien definidos y espacialmente
pequeos: curvas en ros, detalles costeros, cruce de caminos o de pistas de
aeropuertos, etc. Una vez que se estableci la relacin matemtica sta es
aplicada para rectificar o reubicar cada pixel de la imagen original en su
posicin geomtrica ms correcta en la imagen corregida. En cuanto al ruido en
las imgenes se trata de seales espreas provenientes de diversas fuentes
potenciales, desde derivas peridicas o funcionamiento defectuoso de un
detector a interferencias electrnicas entre componentes del sensor e
interrupciones en las transmisin y registro de datos.

Hemos visto en esta seccin que las correcciones radiomtricas y geomtricas


constituyen un tema complejo en el preprocesamiento de las imgenes
satelitales. Sin embargo, para tranquilidad del potencial usuario debemos decir
que las estaciones receptoras y distribuidoras de imgenes de satlite realizan

en base a la informacin telemtrica recibida del mismo satlite, las


correcciones radiomtricas y geomtricas pertinentes a dichas imgenes.

PROCESAMIENTO DE LAS IMAGENES SATELITALES: EL REALCE


Realces Son procedimientos que tienden a mejorar la interpretabilidad visual
de una imagen, aunque no aumentan la cantidad de informacin contenida en
ella. El rango de opciones de que dispone el analista para realces de imagen
es virtualmente ilimitado, aunque la mayora de estas tcnicas pueden
ubicarse en dos grupos: operaciones de punto, que modifican
independientemente el brillo de cada pixel y operaciones locales, que modifican
el valor de cada pixel basadas en el valor de los pixeles vecinos. Dentro de las
primeras citaremos algunas como estiramiento de contraste y manipulaciones
espectrales, y entre las segundas el filtrado espacial.
Estiramiento de contraste.
Este procedimiento involucra un cambio de forma del histograma reasignando
los valores de los pixeles. En las Figs. 47 a,b,c,d vemos un ejemplo de cmo,
a travs de una funcin de transferencia lineal se puede efectuar dicha
transformacin.

El caso de nuestro ejemplo es el de un estiramiento de contraste lineal, donde


vemos cmo el rango de valores iniciales de los pixeles (20 a 127) es
expandido hasta obtener el rango mximo de 0 a 255. Al expandir la escala de
grises se logra realzar detalles sutiles de la imagen, difciles de discriminar con
la compresin inicial. El caso de contraste lineal que hemos descrito es el ms
sencillo, y puede tambin ser descrito por el algoritmo:

DNmodificado = [(DNoriginal MIN)/(MAX MIN)]*255


DNmodificado : nmero digital asignado al pixel en la imagen de salida
Fig. 48
DNoriginal : nmero digital del pixel en la imagen de entrada
MIN : mn. valor de DN en la imagen de entrada
MAX : mx. valor de DN en la imagen de entrada
En la Fig.48 se representa grficamente la funcin de transferencia lineal.
Los estiramientos de contraste pueden realizarse utilizando otras funciones de
transferencia como la gaussiana, la de igualacin, la de raz cuadrada (que
implica tomar la raz cuadrada del histograma original y aplicarle un
estiramiento lineal, etc.
En general los softwares de percepcin remota ofrecen las facilidades de
clculo para estas y otras modalidades, y el analista aplicar una u otra segn
sus preferencias.

PROCESAMIENTO
ESPACIAL

DE

LAS

IMAGENES

SATELITALES:

FILTRADO

Filtrado espacial. Las operaciones de contraste descritas en la seccin previa


no alteran los datos de la imagen, simplemente modifican su visualizacin. En
el filtrado espacial, en cambio, los datos de la imagen son modificados. En
efecto, el valor de un pixel en una dada ubicacin es cambiado en funcin de
los valores de los pixeles vecinos.
En percepcin remota las imgenes se caracterizan por un parmetro
denominado frecuencia espacial. Esta puede definirse como el nmero de
cambios que ocurren en el valor del pixel (o brillo) por unidad de distancia para
alguna regin particular de la imagen. Si sobre una dada rea de la imagen
ocurren pocos cambios de brillo se considera como un rea de baja frecuencia
(ej. grandes extensiones agrcolas, cuerpos de agua extensos, etc.)
Si, por otra parte, los cambios de brillo son numerosos y notorios tendremos un
rea de alta frecuencia (calles o caminos en zonas urbanas, parcelas agrcolas
pequeas, etc.). En las imgenes de percepcin remota la frecuencia espacial
puede realzarse o deprimirse segn la conveniencia del analista utilizando el
filtrado espacial.
Este no es sino una aplicacin de la operacin general de procesamiento de
imgenes denominada convolucin y que implica el siguiente procedimiento:
1. Se define una ventana mvil que contiene un arreglo de coeficientes o
factores ponderales. Estos arreglos se definen como operadores o
kernels, cuyo tamao es normalmente el de un nmero impar de pixeles
(3x3, 5x5, 7x7, etc).
2.
2. Dicho kernel se mueve a travs de la imagen original, y el valor del
pixel central del kernel en la imagen de salida se obtiene multiplicando
cada coeficiente del kernel por el correspondiente valor del pixel en la
imagen original y sumando el resultado de todos los productos
resultantes. La operacin se repite para cada pixel de la imagen
original. En la Fig. 49 se esquematiza el concepto de ventana mvil.

VENTANA MOVIL IMAGEN PROYECCIN DE LA VENTANA MOVIL SOBRE


LA IMAGEN A PROCESAR
La Fig. 50 esquematiza la operacin de un filtro de baja frecuencia

VENTANA MOVIL IMAGEN PROYECCION DE LA VENTANA MOVIL SOBRE


LA IMAGEN A PROCESAR

La Fig. 50 esquematiza la operacin de un filtro de baja frecuencia


Este filtro puede considerarse un filtro de media ya que el resultado es el valor
promedio de todos los pixeles cubiertos por la ventana mvil. Existen muchos
tipos de filtros de convolucin. En las siguientes imgenes se dan ejemplos de

los efectos obtenidos con algunos de dichos filtros (Figs. 51 a,b y c, y Fig.51 bis
a,b y c.

Los filtros de baja frecuencia reducen las desviaciones respecto al promedio


local de la imagen y sta aparece como ms difusa, efecto que aumenta al
aumentar el tamao de la ventana (5x5, 7x7, etc.).
Este filtro suele ser til para reducir ciertos patrones de ruido, como por
ejemplo los efectos de salt-and-pepper de algunas imgenes. Los filtros de
alta frecuencia deprimen los componentes de baja frecuencia reteniendo los de
alta frecuencia (variaciones locales). Pueden ser utilizados para realzar bordes
entre distintos objetos de una imagen as como para hacer sta ms ntida.
Una importante aplicacin es en la identificacin y mapeos de caractersticas
geolgicas, incluyendo fallas, fracturas, monoclinas, que poseen diferentes
rangos de frecuencias espaciales. Un kernel de alta frecuencia puede ser el
siguiente:

Los filtros de mediana sustituyen cada pixel de la imagen por la mediana de los
pixeles
vecinos. Ejemplo:

En orden creciente los valores de los pixeles cubiertos por la ventana mvil
son
115, 119, 120, 123, 124, 125, 126, 127, 150
El valor de la mediana ser pues 124.
La mediana es un parmetro de posicin ms robusto que la media. En efecto,
un pixel vecino con un valor no representativo no afectar significativamente el
valor de la mediana. Adems, como la mediana es uno de los valores de los
pixeles vecinos, conduce a resultados ms realistas que la media. Esto hace
que la mediana si bien suaviza la imagen preserva los bordes ms grandes
cuyas dimensiones sean mayores que las dimensiones del kernel. Esto es muy

conveniente cuando este filtro se aplica para eliminar ruidos como los de salt
and pepper o los speckles de las imgenes de radar.

La deteccin de cambios significantes de DN al pasar de un pixel a otro es un


problema comn en percepcin remota. Dichos cambios usualmente indican
lmites fsicos en la escena, como una lnea costera, una carretera, el borde de
una sombra, etc. Si bien existen muchas aproximaciones para el tratamiento de
este problema una de las ms usadas es el empleo de algn filtro de gradiente,
como por ejemplo el de Sobel.
Este consiste en filtrar la imagen en dos direcciones ortogonales, por ej.
horizontal y vertical. Los filtros de gradiente utilizados son:

Componente horizontal Componente vertical


Los resultados g x y g y para cada pixel se combinan en un vector cuya
magnitud y
direccin vienen dadas por:

Adems de los filtros que hemos mencionado como ejemplos tpicos se han
descrito muchos otros que escapan del alcance de esta Introduccin. Citemos
por ejemplo los filtros gaussianos, laplacianos, de transformada de Fourier, etc.

ANLISIS POR COMPONENTES PRINCIPALES


Anlisis por Componentes Principales. Un problema frecuente en el anlisis
de imgenes multiespectrales es el de la correlacin existente entre ellas, es
decir que contienen mucha informacin redundante. Esta no aporta nada
nuevo y aumenta enormemente la carga computacional cuando dichas
imgenes son sometidas a procesos matemticos. Esto podemos apreciarlo
en la Fig. 56, en la que se observan los dispersogramas tpicos de los pares de
bandas TM1/TM2, TM2/TM3 y TM3/TM4 del LANDSAT. Slo las bandas 3 y 4
presentan baja correlacin.

La tcnica de Anlisis por Componentes Principales (PCA, Principal


Components Analysis) es una transformacin que permite reducir esta
redundancia y puede ser aplicada previamente a un anlisis visual o a un
proceso ms complejo de clasificacin a travs de algoritmos matemticoestadsticos.
El propsito de esta tcnica es comprimir toda la informacin contenida en un
conjunto original de N bandas espectrales a un conjunto menor de nuevas
bandas o componentes. Sin entrar en detalles matemticos sobre esta
transformacin representaremos grficamente los conceptos involucrados.
Para simplificar tomemos slo dos bandas espectrales. Representemos por d1
el valor del pixel en la banda 1 y por

d2 el valor del pixel en la banda 2. Podemos definir una combinacin lineal de


estas dos bandas:

donde d'1 y d'2 representan los valores del pixel luego de la transformacin.
Esta puede ser representada grficamente como en las Figs. 57 a y b

Los componentes principales del conjunto de dos bandas est constituido por
el sistema de combinaciones lineales de dichas bandas, que con una
adecuada seleccin de los coeficientes aij resultarn independientes y no
correlacionados entre s. Esto se ilustra en las Figs. 57 a y b. En (a) los valores
de los pixeles graficados en el espacio bidimensional d1 y d2 estn
notoriamente correlacionados. En (b) se observa cmo, luego de una
adecuada combinacin lineal la correlacin es removida.
Vemos que la transformacin no es sino una rotacin en el espacio
bidimensional de los valores de los pixeles, y el ngulo de rotacin quedar
determinado por la correlacin entre los valores de d1 y d2.El eje d'1 define la
direccin del primer componente principal, y el eje d'2 la direccin del segundo
componente principal. Puede observarse que los datos a lo largo del primer
componente principal poseen una varianza o rango dinmico mayor que el
correspondiente a cualesquiera de los dos ejes originales. Por su parte los
datos a lo largo del segundo componente principal (eje d'2) poseen una
varianza considerablemente menor que la correspondiente a d'1. Es decir que
hemos volcado la mayor parte de la informacin al primer componente

principal. El tratamiento podemos generalizarlo para un sistema de N bandas,


representndolo en forma matricial:

donde d es un vector columna conteniendo los N valores originales de los


pixeles de d1 a dN, d' es el correspondiente vector luego de la transformacin
y A es la matriz de los coeficiente aij. . Obviamente la clave de una
transformacin exitosa radica en la optimizacin de los coeficientes aij, lo cual
puede hacerse por una transformacin en componentes principales (PCT)
tambin conocida como transformacin de Karhunen-Loeve o de Hotelling,
cuyos detalles escapan del alcance de esta Introduccin. En general los
softwares para tratamiento de imgenes ofrecen mdulos para realizar este tipo
de transformacin. En el caso de imgenes de ms de tres bandas usualmente
ocurre que el primer componente principal incluir cerca de 90% de la varianza
total de la imagen, mientras que los sucesivos PC2, PC3,...,PCN poseern
porcentajes decrecientes. En general PCN ser mayormente ruido.
En la Fig.58, se representan las bandas TM 1, 2, 3, 4, 5 y 7 correspondientes a
una imagen LANDSAT 5 (Dpto. de Paysand). En la Fig. 59, se observa el
resultado de la transformacin en componentes principales. En la Fig.60 se
presentan algunos dispersogramas de las bandas resultantes de la
transformacin, donde se puede observar la ortogonalidad de los CP.

Vous aimerez peut-être aussi