INSTITUTO CIENTÍFICO DEL PACÍFICO

Teledetección
Visítenos en: www.icip.edu.pe
INSTITUTO CIENTÍFICO DEL PACÍFICO TELEDETECCIÓN

TELEDETECCIÓN

SESION 1: TRANSFORMACIONES EN LA IMAGEN

1. ¿Qué es una Fusión?

En el campo de la Teledetección la fusión es el proceso de combinación de

información, para obtener un dato con mejoras en la resolución espacial o
espectral. En la actualidad se dispone de un gran número de metodologías y
algoritmos para la fusión de imágenes, siendo las más utilizadas las basadas en
diferentes transformadas. Algunas son muy sencillas desde un punto de vista
conceptual, como las metodologías basadas en el análisis de componentes
principales o la transformada IHS (intensidad, tono y saturación).

2. Fusión de Imágenes Multiespectrales

Debido a la existencia de un compromiso entre la resolución espacial y espectral,

los sistemas de captación de imágenes de satélite a menudo ofrecen una imagen
pancromática de alta resolución espacial y una imagen multiespectral de baja
resolución espacial. Sin embargo, cada vez más aplicaciones, como detección de
características, seguimiento de cambios, clasificación de la cobertura del suelo, etc.
demandan la mejor resolución espacial y espectral. En la Figura 1 se detalla en
esquema de la fusión de imágenes.

3. Fusión de datos-Transformación IHS (Imagen Spot de 10m - Landsat de 30m)

La Fusión de datos por Transformación IHS (ENVI HSV) se trata de una técnica cuyo
objetivo es la mejora de la visualización de la imagen, pero que ha ganado
protagonismo en el ámbito de la teledetección aplicada. Intensidad Tono y
Saturación (Intensity-Hue-Saturation, IHS) es un sistema de especificación de los
colores alternativo al sistema RGB, IHS plantea la descripción de un color, no como
una mezcla en distintas proporciones de los colores primarios, sino haciendo uso
de sus cualidades físicas: tono, brillo y saturación.

Espacio R G B Espacio HSI

INSTITUTO CIENTÍFICO DEL PACÍFICO TELEDETECCIÓN

INSTITUTO CIENTÍFICO DEL PACÍFICO TELEDETECCIÓN

Figura 1. Esquema de la Fusión de imágenes

La Fusión de datos por Transformación IHS es trasformar la imagen del espacio

RGB al espacio IHS. Es posible fusionar la información de color de las imágenes
multiespectrales con la información sólo estructural aportada por los datos de la
imagen pancromática. Para este procedimiento, se requiere que las imágenes
estén corregidas geométricamente con el mismo tamaño de píxel.

Para ello es necesario hacer un remuestreo de la imagen multiespectral, de tal

modo que el tamaño del pixel de la imagen multiespectral sea igual que el de la
imagen pancromática, en general de 30 m a 10 m. La fusión consiste en una simple
combinación lineal de las diferentes bandas de la imagen multiespectral con la
imagen pancromática.

Fusión1 = banda1 + k*Fil(pan)

Fusión2 = banda2 + k*Fil(pan)
. . .

INSTITUTO CIENTÍFICO DEL PACÍFICO TELEDETECCIÓN

INSTITUTO CIENTÍFICO DEL PACÍFICO TELEDETECCIÓN

. . .
. . .
Fusión7 = banda7 + k*Fil(pan)

Fusión # = imagen fusionada #, Banda # = imagen de la banda # TM, Fil (pan) =

imagen pancromática Spot, k = constante, usada como factor de peso para
equilibrar la información estructural y la espectral, su valor por defecto es 1. La
evaluación visual de la imagen resultante puede ser utilizada para controlar el
resultado. Los valores óptimos de k dependen de la época de adquisición de la
imagen, rango dinámico, etc. Las imágenes Landsat tienen las siguientes
características:

LANDSAT 5 - TM
# Banda Resolución Espectral (µm) Resolución espacial (m)

1 0.452 − 0.518 30
2 0.528 − 0.609 30
3 0.626 − 0.693 30
4 0.776 − 0.904 30
5 1.567 −1.784 30
6 10.45 – 12.42 30
7 2.097 − 2.349 30

La imagen Spot tiene las siguientes características:

SPOT - HRV
# Banda Resolución Espectral (µm) Resolución espacial (m)

1 0.500 − 0.590 20
2 0.610 − 0.680 20
3 0.780 − 0.890 20
4 0.500 − 0.730 10

Existen otras imágenes de satélite que traen una banda pancromática a diferentes
resoluciones, por ejemplo tenemos a las imágenes QuickBird, WorldView-1,
WorldView-2, GeoEye-1, Ikonos, FASat-Charlie (SSOT), Kompsat-2, Kompsat-3,
Landsat 7 y Landsat 8.

SPOT - HRV
Tipo de Imagen Resolución espacial de la banda Pancromática (m)

INSTITUTO CIENTÍFICO DEL PACÍFICO TELEDETECCIÓN

INSTITUTO CIENTÍFICO DEL PACÍFICO TELEDETECCIÓN

QuickBird 0.60
WorldView-1 0.50
WorldView-2 0.50
GeoEye-1 0.50
Ikonos 0.82
FASat-Charlie (SSOT) 1.45
Kompsat-2 1.00
Kompsat-3 0.70
Landsat 7 15.0
Landsat 8 15.0

Para la composición de la imagen Landsat en el espacio RGB se puede usar las

bandas 2, 4 y 7 (También pueden usar otras bandas).

Banda 2 Banda 4 Banda 7

Espacio RGB

Imagen a color RGB

compuesta de las bandas
7, 4 y 2. (Resolución
Espacial 30 m)

Figura 2. Composición de bandas espectrales

A continuación se visualizara la imagen Landsat y la Spot.

(a) (b)

INSTITUTO CIENTÍFICO DEL PACÍFICO TELEDETECCIÓN

INSTITUTO CIENTÍFICO DEL PACÍFICO TELEDETECCIÓN

Figura 3. (a) Imagen a color RGB Landsat (Resolución Espacial 30 m) y (b) Imagen
pancromática Spot (Resolución Espacial 10 m).

Usando la transformación IHS (Para en caso de ENVI es HSV) se tendrá una imagen
compuesta de 3 bandas en el espacio IHS.

Figura 4. Imagen Landsat fusionada a una resolución espacial de 10 m

Si comparamos la imagen Landsat de 30 m y la imagen Landsat fusiona a 10 m se
puede observar que la imagen fusionada ha cambiado de color y ha mejorado los
detalles en la imagen, a continuación una comparación de ambas imágenes.

INSTITUTO CIENTÍFICO DEL PACÍFICO TELEDETECCIÓN

INSTITUTO CIENTÍFICO DEL PACÍFICO TELEDETECCIÓN

30 m 10 m

Figura 5. Imagen Landsat a una resolución de 30 m y 10 m

4. Ratios

Las Razones de bandas son utilizadas para la discriminación de cubiertas como el

suelo, cuerpos de agua o la vegetación generalmente, en virtud de los distintos
comportamientos espectrales de aquéllas. Así, por ejemplo, la vegetación vigorosa
absorbe radiación en la zona del visible, especialmente en el rojo (0,6-0,7 mm), en

INSTITUTO CIENTÍFICO DEL PACÍFICO TELEDETECCIÓN

INSTITUTO CIENTÍFICO DEL PACÍFICO TELEDETECCIÓN

tanto que refleja gran parte de la que le incide en el infrarrojo próximo (0,7-1,1
mm). La vegetación afectada de clorosis, causada por infección o por senescencia,
ofrece, por el contrario, una signatura espectral más plana, con valores de
reflectancia más parecidos en ambas bandas, que llegan a ser prácticamente
iguales cuando la vegetación está marchita o cuando se trata de suelos desnudos.
Aunque existen diversos índices de vegetación basados en cocientes, los más
utilizados son los que combinan bandas del infrarrojo próximo con las del visible,
aprovechando las diferencias de reflectancia en ambas bandas.

B4

B5

B7
B2 BB4 4
B1 Ratio
Ratio
Ratio= 
B4/B3
B3 BB3 3

Figura 6. Firma espectral de Landsat para una cobertura vegetal

Al dividir la banda 4 y 3 tendremos una imagen en escala de grises en donde
resaltara de tonalidades claras las superficies vegetadas. En la Figura 7 se muestra
el ratio de imagen.

Imagen Original Imagen Ratio

INSTITUTO CIENTÍFICO DEL PACÍFICO TELEDETECCIÓN

INSTITUTO CIENTÍFICO DEL PACÍFICO TELEDETECCIÓN

Figura 7. Imagen obtenida del ratio (B4/b3)

Ratio Mediante la Función Band Math

La Función Band Math de ENVI accede a los datos, espacialmente mediante la

asignación de las variables definidas por el usuario a las bandas o archivos. Usted
puede utilizar el diálogo Band Math de ENVI para definir las bandas o archivos que
se usan como entrada, para llamar a una función de usuario. Las imágenes, que se
basan en varias razones TM como 3/5, 3/1 y 5/7, se denominan imágenes en color
compuestas de razones (color composite ratio images). En estas imágenes se
puede combinar las distribuciones de rocas con un cierto contenido en minerales
arcillosos y en alunita con aquellas con un cierto contenido en minerales de Fe. En
comparación a las imágenes, que ilustran la distribución y variación de una sola
razón TM de dos bandas en las imágenes combinadas un distinto color no
representa un distinto rasgo litológico o mineralógico.

5. Análisis de Componentes Principales

El objetivo del Análisis de Componentes Principales (ACP) es resumir un grupo

amplio de variables en un nuevo conjunto (más pequeño) sin perder una parte
significativa de la información original. Para el usuario final de productos de
teledetección, el objetivo del ACP es construir una o varias imágenes que
incrementen su capacidad de diferenciar distintas coberturas. Es por ello que al
realizar una composición color resulta interesante usar, en lugar de algunas bandas
de la imagen, los componentes principales 1, 2 y 3 en la secuencia RGB
respectivamente. El ACP puede aplicarse como realce previo a la interpretación
visual o como procesamiento anterior a la clasificación. En general, esta técnica

INSTITUTO CIENTÍFICO DEL PACÍFICO TELEDETECCIÓN

INSTITUTO CIENTÍFICO DEL PACÍFICO TELEDETECCIÓN

incrementa la eficiencia computacional de la clasificación porque reduce la

dimensionalidad de los datos.

Por otra parte, desde el punto de vista estadístico, el ACP facilita una primera
interpretación sobre los ejes de variabilidad de la imagen, lo que permite
identificar aquellos rasgos que aparecen en la mayoría de las bandas y aquellos
otros que son específicos de algún grupo de ellas. Este trabajo se refiere a casos en
los que interesa identificar la información común a la mayoría de las bandas, que
está presente en los primeros componentes.

El ACP también es usado en aplicaciones multitemporales con el objeto de

detectar cambios en distintas fechas. En este caso los primeros componentes
resultantes del análisis no son los más interesantes ya que recogen información
común a las distintas fechas (la estable). Los últimos componentes ofrecen la
información no común (el cambio) que es lo que interesa en este contexto.
Algebraicamente, el ACP genera nuevas variables (componentes), mediante una
combinación lineal de las p variables originales (bandas).

Aunque se requieren los p componentes principales para reproducir la variabilidad

total, muchas veces la mayor parte de ella está contenida en un número menor de
componentes m. En ese caso, reemplazando las p bandas por los m componentes,
se reduce la dimensionalidad del problema conservando casi la totalidad de la
información.

En teledetección, la adquisición de imágenes en bandas adyacentes del espectro

implica, con frecuencia, detectar información redundante (en apariencia las
bandas de la imagen se visualizan de manera similar). Por ello, los ND de los píxeles
de una banda pueden presentar una importante relación con los de otra,
resultando una o más de una de ellas irrelevantes. Aunque la imagen puede
arreglarse en una matriz tridimensional, para realizar el ACP se utiliza una matriz
bidimensional. Formalmente, los ND de los n píxeles de una imagen en p bandas
pueden arreglarse en una matriz Xpxn.

 X 11 X 12  X 1n 
X X 22  X 2 n 
X 
21

  
 
 X p1 X p 2  X pn 

INSTITUTO CIENTÍFICO DEL PACÍFICO TELEDETECCIÓN

INSTITUTO CIENTÍFICO DEL PACÍFICO TELEDETECCIÓN

La i-ésima fila de la matriz contiene los n niveles digitales de la i-ésima banda.

Xi = [xi1 xi2...xin] t Para i=1,2,..., p, Resulta Xt = [X1, X2,..., Xp]

Como el ACP es un análisis descriptivo no requiere que X tenga distribución normal

multivariada. Si X tuviera esta distribución se podría realizar inferencia. El estudio
de la relación entre bandas, que es la base del ACP, puede realizarse de dos
maneras:

Con la matriz de varianza-covarianza:

 11  12  1 p 
 
   
x   
21 22 2 p

 
 
 p1  p 2  pp 

En la que los elementos de la diagonal son las varianzas de los ND. en cada banda:

 ii 
1 n
 xik  E ( xi )2
n k 1
1 n
E ( xi )   xik
n k 1
Y los elementos fuera de la diagonal son las covarianzas entre los ND. de dos
bandas:

 ij   xik  E ( xi )x jk  E ( x j )
1 n
n k 1
Como la covarianza entre la banda i y la j es la misma que entre la banda j y la i (sij
= sji) la matriz  x es simétrica. Cuando hay relación lineal entre los ND de dos
bandas las covarianzas son grandes en comparación con las varianzas, por eso es
que esta matriz sirve para estudiar la relación entre pares de bandas.
Con la matriz de correlación:
 11 12  1 p 
 
  21  22   2 p 
x 
 
 
  p1  p 2   pp 

INSTITUTO CIENTÍFICO DEL PACÍFICO TELEDETECCIÓN

INSTITUTO CIENTÍFICO DEL PACÍFICO TELEDETECCIÓN

En la que los elementos son los coeficientes de correlación lineal de Pearson:

 ij
ij 
 ii jj
Los elementos de la diagonal son unos porque son las correlaciones de cada banda
consigo misma. Como la correlación entre la banda i y la j es la misma que entre la
banda j y la i (  ij =  ij ) la matriz  x es simétrica. Cuando hay relación lineal entre
pares de bandas las correlaciones son cercanas a 1 o a –1. Cuando no hay relación
entre bandas ambas matrices son diagonales (los elementos fuera de la diagonal
son ceros). En este caso cada banda aporta información diferente y por lo tanto el
ACP sería innecesario (en teledetección esta situación es poco común). El objetivo
del ACP es generar un nuevo sistema de coordenadas en el espacio multiespectral
en el cual los datos pueden ser representados sin correlación, de tal manera que la
matriz de varianza-covarianza sea diagonal en el nuevo sistema de coordenadas.

Región de vectores altamente

correlacionados en el espacio
de las X

X2 x Y

Y1
Y2

X1 X
Figura 8: Ilustración de un sistema de coordenadas modificado en el cual los
vectores tienen Componentes no correlacionados.

Componentes principales obtenidos usando la matriz de varianza-covarianza

Como se dijo, los componentes principales son nuevas variables Y1, Y2,..., Yp que se
obtienen como combinaciones lineales de las variables originales (bandas):
Y1  a1 X  a11 X 1  a22 X 2  ...  a p1 X p
t

Y2  a2 X  a12 X 1  a22 X 2  ...  a p 2 X p

t


Y p  a p X  a1 p X 1  a2 p X 2  ...  a pp X p
t

INSTITUTO CIENTÍFICO DEL PACÍFICO TELEDETECCIÓN

INSTITUTO CIENTÍFICO DEL PACÍFICO TELEDETECCIÓN

Como los Yi son combinaciones lineales de los Xi, tienen:

a
Var(Yi )  ai
t
x i

Cov (Y ,Y )  a  a
t
i k i x k

De todas las combinaciones lineales posibles, los componentes principales son

aquellas que no están correlacionadas y tienen máxima varianza. Como la varianza
se incrementa multiplicando el vector de coeficientes ai por una constante, para
que esta combinación lineal sea única es conveniente usar los vectores de
t
coeficientes normalizados, es decir con longitud 1 ( ai ai = 1). De esta manera:
t
Primer componente principal = combinación lineal ( a1 x ) que maximiza
t t
Var(a1 x) Sujeto a que a1 a1 = 1
t
Segundo componente principal = combinación lineal ( a2 x ) que maximiza
t t t t
Var(a2 x) Sujeto a que a2 a2 = 1 y que Cov (a1 x, a2 x) = 0
t
I-ésimo componente principal = combinación lineal ( ai x ) que maximiza
t t t t
Var(ai x) Sujeto a que ai ai = 1 y que Cov (ai x, ak x) = 0 para k < i

Como en el caso de las bandas, la matriz de varianza-covarianza de los

componentes Y es simétrica (por ser Cov (Yi , Yk )  Cov (Yk , Yi ) ,  i  k ).
Además como Cov (Yi , Yk ) =0 (  i  k ), Y ésta es diagonal. El Resultado de
Johnson y Wichern muestra que el i-ésimo componente principal está dado por:

Yi  ei X  e1i X 1  e2i X 2  ......e pi X p Con i  1,...., p

t

Donde los li son los autovalores (con 1  2    p  0 ) y los ei son los

autovectores de Y . A partir de esto:

Var(Yi )  Var(ei X )  ei  e  i  1,...., p

t t
x i i

Cov (Yi , Yk )  ei e 0 ik

t
x k

Es decir:

INSTITUTO CIENTÍFICO DEL PACÍFICO TELEDETECCIÓN

INSTITUTO CIENTÍFICO DEL PACÍFICO TELEDETECCIÓN

1 0 
0  0 
Y   2 
 
 
0 P 
Si algunos autovalores son iguales, los autovectores y por lo tanto los
componentes no son únicos. Sin embargo, los autovectores correspondientes a
autovalores iguales pueden elegirse de manera tal que sean ortogonales, y así los
componentes son únicos. La matriz Y contiene en la diagonal las varianzas
(autovalores) de los ND de los píxeles en las coordenadas transformadas. Los
autovalores son no crecientes, entonces la máxima varianza (en general) está en la
primera componente Y1 , la subsiguiente en Y2 , y así sucesivamente.
Geométricamente, las combinaciones lineales representan la selección de un
nuevo sistema de coordenadas Y1, Y2,..., Yp obtenido por rotación del sistema
original con coordenadas X1, X2,..., Xp. Los nuevos ejes representan las direcciones
de máxima variabilidad y proveen una descripción más simple y parsimoniosa de la
estructura de covarianza. Los autovalores expresan la longitud de cada uno de los
ejes (componentes), mientras que los autovectores dan la dirección de los mismos.

Por otra parte, cada autovalor representa la proporción de información que

retiene el componente principal asociado (lo cual es útil para decidir qué
componentes son más interesantes), en tanto que el autovector indica la
ponderación que debe aplicarse a cada una de las bandas para obtener el
componente principal. El valor absoluto del elemento eji del autovector ei indica el
grado de contribución de la banda j al componente principal i definido por la
transformación lineal. Como se mencionó al comienzo de esta sección, aunque se
requieren los p componentes principales para reproducir la variabilidad total
muchas veces la utilización de un número menor de componentes (m<p) conserva
casi la totalidad de la información reduciendo la dimensionalidad del problema.
Para decidir el número de componentes principales a utilizar se requieren ciertos
conceptos que serán presentados a continuación. El siguiente resultado muestra
que la variabilidad total de las p bandas es la variabilidad total de los p
componentes, es decir la transformación preserva la varianza total.
p p
 11   22  L   pp  Var( X i )  1  2  L   p  Var(Yi )
i 1 i 1

Esto se justifica de la siguiente manera: La matriz Y es definida positiva, entonces

por el Teorema de Descomposición Espectral puede escribirse:

INSTITUTO CIENTÍFICO DEL PACÍFICO TELEDETECCIÓN

INSTITUTO CIENTÍFICO DEL PACÍFICO TELEDETECCIÓN

p
 X   i ei ei
t

i 1

Si los autovectores normalizados son las columnas de una matriz ortogonal G

(matriz de la transformación) y  es la matriz diagonal de los autovalores resulta
 X  GG t , entonces:
p

Var( X )  tr (
i 1
i X )  tr (GG t )  tr (GG t )

Esto último por propiedades de la traza. Además GG  I (por ser G una matriz
t

ortogonal) y   Y , entonces:
p p p

Var( X )  tr (
i 1
i Y )   i Var(Yi )
i 1 i 1

Como la varianza poblacional total  11   22  ........  pp  1  2  ..... p ,

la proporción de varianza total explicada por el k-ésimo componente es:
k
1  2  L   p
Como los autovalores se ordenan en forma no creciente, la eficiencia del ajuste de
los datos originales por los primeros m componentes ( m  p ) es:
m


k 1
k

1  2  L   p
En particular cuando se consideran todos los componentes la proporción de
variación explicada es 1.El coeficiente de correlación entre el componente Yk y la
banda Xi es:
eik k
Yk , X i 
 ii
Los criterios presentados en este trabajo para decidir cuántos componentes
principales se deberían seleccionar son: (a) En la curva que muestra los porcentajes
de variación total explicada por cada componente versus los componentes,
considerar aquellos anteriores al punto de inflexión. (b) Considerar los
componentes cuyos autovalores son mayores que el autovalor promedio. (c) Usar
los componentes cuyos coeficientes de correlación con las bandas sea grandes.

INSTITUTO CIENTÍFICO DEL PACÍFICO TELEDETECCIÓN

INSTITUTO CIENTÍFICO DEL PACÍFICO TELEDETECCIÓN

Banda 1 Banda 2 Banda 3

Banda 4 Banda 5 Banda 7

PC 1 PC 2 PC 3

PC 4 PC 6 PC 7

Figura 9: Ilustración de las componentes principales obtenidas de las 6 bandas de

la imagen Landsat.

6. Decorrelation stretch

Sirve para eliminar la alta correlación que se encuentra comúnmente en los

conjuntos de datos multiespectrales y para producir una imagen compuesta en
color de una más colorida. Los conjuntos de datos altamente correlacionados a
menudo producen imágenes en color con dificultades de hacer una interpretación
visual. Decorrelación (estiramiento) requiere tres bandas para la entrada.

(a) (b)

INSTITUTO CIENTÍFICO DEL PACÍFICO TELEDETECCIÓN

INSTITUTO CIENTÍFICO DEL PACÍFICO TELEDETECCIÓN

Figura 10. (a) Imagen a color RGB de las bandas 7, 4 y 2, (b) Imagen a color RGB de
la bandas 7,4 y 2 con decorrelation stretch.

7. Photographic Stretch

Sirve para mejorar el color de una imagen real (color verdadero), esta imagen sirve
como dato de entrada para luego producir una imagen RGB que corresponde bien
a la respuesta del ojo humano. Las bandas de la imagen de entrada de color
verdadero no se escalan linealmente.

(a) (b)

Figura 11. (a) Imagen a color RGB de las bandas 3, 2 y 1, (b) Imagen a color RGB de
la bandas 3,2 y 1 con decorrelation stretch.

INSTITUTO CIENTÍFICO DEL PACÍFICO TELEDETECCIÓN