Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Manual Curso ERDAS2011
Manual Curso ERDAS2011
Imagine.
13:30 15:00
12:00 13:30
11:30 12:00
10:15 11:30
9:00 10:15
LUNES 6
Teora: fundamentos
fsicos + prctica
Carlos Fernndez
Teora: tipos de
sensores + prctica
Carlos Fernndez
CAF
Teora: tipos de
resolucin + prctica
Carlos Fernndez
Prctica: adquisicin e
importacin de datos
Carlos Fernndez
MARTES 7
Teora: correcciones
geomtricas
Carlos Fernndez
Prctica: correcciones
geomtricas
Carlos Fernndez
CAF
Teora: correcciones
radiomtricas
Carlos Fernndez
Prctica: correcciones
radiomtricas
Carlos Fernndez
Alfredo Gmez
Alfredo Gmez
Prctica: mosaicado
Carlos Fernndez
Prctica: realces y
filtros
Carlos Fernndez
CAF
Teora: mosaicado
MIRCOLES 8
Teora: realces y filtros
Carlos Fernndez
Prctica: clasificacin
no supervisada
M Victoria Gonzlez
M Victoria Gonzlez
CAF
Teora: clasificacin
M Victoria Gonzlez
Prctica: ndices
JUEVES 9
Teora: ndices
NDICE
Pag.
1. Teora I: Fundamentos de teledeteccin y conceptos de resolucin
19
29
38
43
48
53
59
69
76
86
94
112
118
130
138
145
155
165
175
180
185
Prctica 9: Visualizacin en 3D
192
Recursos de teledeteccin
197
Fundamentos de Teledeteccin
Conceptos de resolucin
INTRODUCCIN
Funcionamiento de un sistema de Teledeteccin
Teledeteccin: Tcnica que permite obtener informacin a distancia de un objeto
Emisor de
energa
Superficie
observada
Sensor
Flujo
incidente/reflejado
INTRODUCCIN
Funcionamiento de un sistema de Teledeteccin
Obtenemos una imagen de la superficie terrestre:
INTRODUCCIN
Mtodos de Teledeteccin
Mtodos activos: el sensor tiene una doble funcin. Por una parte cuenta con una
fuente de energa propia que suministra una radiacin de caractersticas conocidas
que enva al objeto, y que posteriormente recoger una vez reflejada por aquel. La
informacin se obtiene de la comparacin entre la seal emitida y la reflejada. El
radar es el mtodo activo ms comn.
Fuente de Energa
SISTEMA DE TELEDETECCIN
Sistema sensor
Atmsfera
Interpretacin visual
Tratamiento
Superficie terrestre
Sistema de Recepcin
Anlisis digital
Usuario
INTRODUCCIN
Usos Teledeteccin
Estudios medioambientales:
Otros:
Monitorizacin de la vegetacin
Deteccin incendios
Patrimonio cultural
Estudios biodiversidad
Estudios arqueolgicos
Ventajas de la Teledeteccin
Cobertura global de la superficie terrestre.
Observacin a distintas escalas.
Frecuencia de adquisicin.
Homogeneidad en la adquisicin.
Informacin en regiones del espectro no visible.
Formato digital.
VENTAJAS
Visin global
La frecuencia con la que las imgenes son tomadas hace que sea
posible contar con informacin a escala global en perodos razonables
(de un da a varios das, dependiendo de la resolucin espacial del
sensor).
VENTAJAS
Escalas de medida
VENTAJAS
Frecuencia de adquisicin
1972
1989
1993
1997-98
Landsat/MSS-TM
VENTAJAS
Homogeneidad en la adquisicin
Terra-MODIS
29 de julio de
2001
29 de julio de
2002
29 de julio de
2003
VENTAJAS
Regiones no visibles del espectro
VENTAJAS
Formato digital
La radiacin captada por un
sensor espacial se transforma en
un pulso elctrico que es
codificado, dentro de un rango
determinado, en un valor
numrico. Los datos
posteriormente son
transmitidos a las estaciones en
tierra para poder ser procesados
mediante software especficos
de tratamiento digital de
imgenes.
FUNDAMENTOS
Espectro electromagntico
FUNDAMENTOS
Interaccin entre la energa y un cuerpo
FUNDAMENTOS
Magnitudes fsicas en teledeteccin
Energa radiante: Indica el total de energa radiada en todas las direcciones (J).
Flujo radiante: Total de energa radiada en todas las direcciones por unidad de
tiempo (W).
Emitancia: Total de energa radiada en todas las direcciones desde una unidad de
superficie y por unidad de tiempo (W/m2).
Irradiancia: Total de energa radiada sobre una unidad de rea y por unidad de
tiempo (W/m2).
Intensidad radiante: Total de energa radiada por unidad de tiempo y por ngulo
slido de medida (W/sr).
Radiancia: Total de energa radiada en una determinada direccin por unidad de
rea y por ngulo slido de medida (W/m2sr). ES LO QUE MIDE EL SENSOR.
Emisividad: Relacin entre la emitancia de una superficie y la que ofrecera un
emisor perfecto a la misma temperatura.
Reflectividad: Relacin entre el flujo incidente y el reflejado por una superficie.
Absortividad: Relacin entre el flujo incidente y el que absorbe una superficie.
Trasmisividad: Relacin entre el flujo incidente el transmitido por una superficie.
10
FUNDAMENTOS
Leyes de la radiacin electromagntica
Ley de Planck
M n,
5
c1
c
exp 2
T
max
2898 mK
T
PRINCIPALES CUBIERTAS
Principales rangos de observacin
Dominio ptico (0,4 a 2,5 mm). Comprende el intervalo de longitudes de onda directamente
dependientes de la energa solar.
Regin del infrarrojo trmico (8 a 14 mm). Es donde se manifiesta con mayor claridad la emitancia
espectral de la superficie terrestre, de acuerdo con su temperatura. La radiancia que recibe el
sensor no es el resultado de la reflexin de la energa solar, sino de la radiacin emitida por la
superficie.
Regin de las microondas (mm a m). Los sensores que trabajan con esta parte del espectro
electromagntico
habitualmente emiten su propio haz energtico para recoger,
posteriormente, su retrodispersin. Proporcionan una informacin ms compleja de tratar.
Visible
0.4
0.5
0.6
0.7
UV
IR
Longitud de Onda (micras)
10
-5
10
-4
10
-3
10
-2
10
-1
10
10
10
10
Rayos
gamma
10 5
Radio
TV
Rayos X
Infrarrojo
Trmico
Infrarrojo Prximo y Medio
Ultravioleta
Microondas
11
PRINCIPALES CUBIERTAS
Factores que influyen en la reflectividad de la cubierta
Elementos que absorben (agua, pigmentos, minerales).
Rugosidad superficial (reflectividad lambertiana o especular).
ngulos de observacin e iluminacin.
Variaciones
medio
ambientales
en
la
cubierta:
homogeneidad/heterogeneidad que presenta la superficie,
estado fenolgico de la vegetacin, etc.
Influencia del relieve en el ngulo de iluminacin: orientacin de
las laderas, pendiente.
PRINCIPALES CUBIERTAS
Efectos de la atmsfera
Absorcin (O2, O3, vapor de agua, aerosoles): La atmsfera se comporta
como un filtro selectivo en algunas longitudes de onda.
Dispersin: Se produce por la interaccin entre los gases y partculas
atmosfricas y la radiacin electromagntica.
Rayleight: Afecta a l < que el tamao de la partcula.
Mie: Afecta a l de similar tamao al de las partculas.
No selectiva: Afecta a diversas l.
Emisin. Se da en funcin de la temperatura de los cuerpos.
100
Absorcin 50
Atmosfrica
(%)
0
0,4 0,7
10
(...)
10.000
12
PRINCIPALES CUBIERTAS
Tipos de reflectores
n
g
u
o
l
n
g
u
o
l
n
I
c
d
i
e
n
c
aR
i
e
e
l
f
x
i
n
R
E
F
L
E
C
T
O
R
E
S
P
E
C
U
L
A
R
R
E
F
L
E
C
T
O
R
L
A
M
B
E
R
T
IA
N
O
PRINCIPALES CUBIERTAS
Firma espectral
Forma en que un objeto refleja y emite energa a diferentes longitudes de onda ()
VISIBLE
IR PRXIMO
IR MEDIO
VEGETACIN
SUELO
NIEVE
13
PRINCIPALES CUBIERTAS
Factores en la reflectividad de la vegetacin
Factores de reflectividad de la hoja.
Pigmentos.
Estructura de la hoja.
Humedad.
C
l
o
r
o
fi
l
a
C
l
o
r
o
fi
l
a
Estructura
Cobertura.
Geometra de las hojas.
ngulos de observacin.
Agua
Agua
PRINCIPALES CUBIERTAS
Factores en la reflectividad del suelo
Composicin qumica
Color dominante
Materia orgnica
Baja reflectividad
Humedad
Bandas de absorcin
Textura y estructura
Agua
Agua
14
PRINCIPALES CUBIERTAS
Factores de reflectividad del agua
Profundidad de las aguas
Materiales en suspensin
Ms reflectividad en visible
Presencia de vegetacin
Agua ocenica
profunda
PRINCIPALES CUBIERTAS
Mezcla de cubiertas
60
50
reflectividad %
40
30
20
10
0
0.4
0.4
0.5
Suelo
0.6
0.7
0.8
Pino 25%
0.9
1.0
1.2
Pino 50%
1.5
1.7
2.0
2.2
2.5
Pino 100%
15
PRINCIPALES CUBIERTAS
Colores resultantes
Vegetacin
menos vigorosa
Suelo
descubierto
Agua
Vegetacin
vigorosa
Nieve
Composicin en
Infrarrojo Falso Color
RESOLUCIN
Tipos de resolucin
Espacial
Espectral
60.00
Reflectance
50.00
40.00
30.00
59.09
33.27
20.00
0.00
10.00
0.00
0.36
Temporal
0.45
0.54
0.63
0.72
0.80
0.89
0.98
1.16
1.42
1.67
1.91
2.15
2.40 Wavelength
Radiomtrica
16
RESOLUCIN
Resolucin espacial
Capacidad de distinguir objetos en la imagen de acuerdo a su
tamao. Seala el lmite de esta capacidad.
Factores de que depende:
1.Tamao del IFOV (Instantaneous Field of View).
2. Altura de la rbita del satlite.
3.Tipo de detectores.
Influencia de la
resolucin espacial
Delimitacin objetos,
por ejemplo campos
de cultivo.
RESOLUCIN
Resolucin espectral
Nmero y anchura de las bandas en las que el
sensor toma medidas.
La eleccin del nmero, anchura y localizacin de
las bandas depende de la finalidad de su diseo.
Landsat
1 TM
2 3
Meteosat
B14
Vegetacin sana
Vegetacin seca
17
RESOLUCIN
Resolucin temporal
2.
RESOLUCIN
Resolucin radiomtrica
Sensibilidad del sensor a la hora de detectar variaciones en la radiancia
espectral que capta.
Se identifica con el rango de valores que utiliza para codificar esta radiancia.
En ltima instancia en las imgenes digitales se traduce en el nmero de bits
que se utilizan en dicha codificacin.
Una imagen de 8 bits es capaz de ofrecer 256 niveles de codificacin (niveles
de gris o de color).
Con el paso del tiempo la resolucin radiomtrica de los sensores se ha ido
incrementando notablemente debido a la mejora de la ptica y de los
sistemas electrnicos de almacenamiento y transmisin de los datos.
Hoy no es extrao contar con imgenes que utilizan 10, 11, 16 y hasta 32
bits.
18
Prctica 1.1
En primer lugar vamos a analizar distintos tipos de imgenes desde el punto de vista
de su resolucin.
1. Seleccionamos abrir archivo.
2. En el men File encontramos la opcin Open Raster Layer. Navegamos hasta la
carpeta Prctica1/resolucion. En el tipo de archivo indicamos que es de tipo
TIFF. Abrimos la imagen SPOT y aceptamos la generacin de pirmides para que
su visualizacin sea ms gil.
19
accedemos a la
20
Resolucin espacial:
Resolucin radiomtrica:
MODIS
Tamao de la imagen:
Tipo de proyeccin:
Resolucin espectral (n de bandas):
Resolucin espacial:
Resolucin radiomtrica:
PNOA
Tamao de la imagen:
Tipo de proyeccin:
Resolucin espectral (n de bandas):
Resolucin espacial:
Resolucin radiomtrica:
5. Tambin puedes observar las diferencias de resolucin espacial entre las
distintas imgenes a travs de la funcin Swipe . Puedes practicar con la opcin
Auto Mode y Multilayer Mode. Ten en cuenta la posibilidad de configuraciones
distintas con los parmetros L, I, W y S.
21
Prctica 1.2
1. Abrimos ERDAS 2010 y desplegamos el Signature Editor que se encuentra en el
mdulo Raster - Supervised .
3.
22
contiene informacin en seis bandas espectrales, con informacin en los rangos del
Visible (1, 2 y 3), IRC (4) y SWIR (5 y 6).
4. En la pestaa Multispectral controlamos en tipo de composicin RGB que queremos
obtener. Existen composiciones RGB convencionales predefinidas para las imgenes
Landsat5-TM. Probaremos las diferentes composiciones y elegiremos las ms
adecuadas para identificar los distintos tipos de cubiertas presentes en la imagen.
23
7. Buscamos un pxel que corresponda con la cubierta agua y creamos una AOI
de tipo punto.
Podemos ayudarnos del Inquire Cursor para comprobar los valores que tiene el
pixel elegido. Desde la pestaa Home seleccionamos Display Selected AOI
Properties y damos un nombre y una descripcin a nuestro elemento.
24
10. Podemos modificar el color que por defecto nos ofrece la aplicacin para que las
clases sean ms fcilmente contrastables en nuestro grfico.
11. Una vez recolectados nuestros puntos de muestra para cada categora podemos
visualizar las signaturas espectrales a travs del Display Mean Plot Window
Diseamos un grfico que permita visualizar los cuatro perfiles espectrales. Para ello es
posible que tengamos que modificar los parmetros de representacin a travs de la
opcin Charge Options, que se encuentra dentro del men Edit. El resultado debe ser
parecido al que se muestra en la captura de pantalla.
25
12. Para finalizar guardamos nuestra capa AOI para lo que utilizamos la opcin
Save AOI Layer as. La almacenamos en nuestra carpeta de trabajo con un
nombre reconocible. Si queremos guardar todo nuestro proyecto guardamos la
GLT Session desde la opcin Save del men File.
26
Prctica 1.3
Otra forma diferente para poder realizar un grfico con los perfiles espectrales de
distintas categoras es la que se desarrolla en el siguiente ejercicio. En este caso se
busca tener un archivo con los puntos de extraccin y los valores en todos los canales
de la imagen para poder ser incorporado a una hoja de clculo y manejarlo con mayor
flexibilidad a la hora de representar grficamente los perfiles espectrales.
1. Desde la pestaa Manage Data seleccionamos la opcin Convert Pixels to
ASCII. Se despliega una ventana en la que tendremos que cargar nuestra
imagen Landsat como Input File. Tambin tendremos que indicar la capa AOI
que queremos utilizar para proceder a la extraccin de los valores espectrales
en cada uno de sus puntos. En nuestro caso la capa AOI que hemos creado
antes. Por ltimo, habr que indicar el nombre y ubicacin del fichero de salida
generado.
27
3. Tan slo quedara elaborar el grfico. Tambin podramos guardar los datos en
otro formato.
Signaturas espectrales
1
0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
B1
sombra de nube
B2
B3
nube
asfalto
B4
vegetacion ribera
B5
B6
cultivo
agua
28
Tipos de sensores
Un repaso a los sensores ms utilizados en teledeteccin
Clasificacin de sensores
SENSORES PASIVOS
SENSORES ACTIVOS
Recogen la radiacin
reflejada y emitida por el
objeto estudiado
29
Sensores pasivos
FOTOGRFICOS
Sistema ptico
+
Emulsin fotosensible
(pelcula fotogrfica)
RADIMETRO
MICROONDAS
Sensor microondas
PTICO-ELECTRNICOS
Sistema ptico
+
Sensor electrnico
CLASES
Matriz
Empuje
Barrido
Sensores pasivos
30
Sensores pasivos
Sensores activos
Radar (Radio Detection and Ranging)
Emisor receptor de microondas.
Aplicaciones:
Radar de imgenes: vegetacin, humedad, etc.
MDEs (interferometra).
Altimetra de la superficie marina. Deteccin vertidos.
Dispersmetro de vientos: direccin y velocidad.
31
Sensores activos
Sensores activos
Lidar (Light Detection and Ranging)
Pulsos de luz polarizada (del ultravioleta al infrarrojo cercano).
Aplicaciones:
Atmsfera: partculas, humedad, presin, temperatura,
etc.
Cubiertas terrestres: manchas de aceite, algas, humedad
en la vegetacin, pigmentos, etc.
MDEs.
32
33
34
Desventajas
Visibilidad continua
rbitas heliosncronas
Ventajas
Cobertura global
Alta resolucin espacial
Desventajas
No es posible una observacin continua
con un solo satlite
Meteorolgicos:
Landsat (1-7)
SPOT
HRV-P y XS
Vegetation
IRS-C
Liss, Wifs.
Terra, Aqua
ASTER, CERES, MISR, MODIS,
MOPITT
Meteosat-MSG2-Goes
Nimbus
NOAA-AVHRR
DMSP
Seawifs
Satlites comerciales:
- Orbview
- Ikonos
- QuickBird
35
SPOT
Landsat 7
Altura orbital: 705 km.
Ciclo de recubrimiento: 16 das
rea observada: 183 km
Sensor ETM+
Resolucin espacial: 30 m.
espectral: 7 bandas.
radiomtrica: 8 bits.
Banda pancromtica 15m.
Banda trmica a 60 m
SPOT 5
Sensor HRG
Sensor VEGETATION
Altura orbital: 822km.
Resolucin espacial: 10 m.
Resolucin espacial: 1km
Ciclo de recubrimiento: 26 das
espectral: 4 bandas.
espectral: 4
rea observada: 3600 km2
radiomtrica: 8 bits. bandas:
Banda pancromtica 25m.
azul, rojo, IRP, IRM
AVHRR
Bandas:
4 en el espectro ptico (15 m)
6 en IRM (30 m)
5 en IRT (30 m)
Aplicaciones: coberturas terrestres, minerales,
nubes, humedad, temperatura.
Bandas:
6 del verde al IRT (1 km)
Aplicaciones: cambios en las coberturas
terrestres a escala global.
Resolucin temporal: 6 horas
36
36 bandas:
ptico Infrarrojo Medio Trmico
Resolucin espacial: 250 500 1000 metros
Aplicaciones: nubes, aerosoles, vapor
atmosfrico, observacin masas de agua,
temperatura atmosfrica y superficial
IKONOS
37
38
39
IKONOS: http://www.geoeye.com/
OrbView-3: http://www.geoeye.com/
GeoEye: http://www.geoeye.com/
SPOT: http://www.spotimage.com/
40
http://edcsns17.cr.usgs.gov/EarthExplorer/
http://glovis.usgs.gov/
41
http://www.nsof.class.noaa.gov/saa/products/search?sub_id=0&datatype_family=AVHRR
42
Adquisicin
Hoy da existe una gran cantidad de servidores desde los que descargar imgenes de
diferentes sensores. Muchos de los programas espaciales ms veteranos permiten
obtener datos de forma gratuita y, en muchos casos, con un alto nivel de
procesamiento. Esto ocurre con muchos de los programas nacionales, no es el caso de
la mayora de los programas comerciales, centrados bsicamente en imgenes de alta
resolucin espacial.
A continuacin tenis un listado de algunos servidores gratuitos de datos a los que se
puede acceder generalmente a travs de visores:
EarthExplorer: http://edcsns17.cr.usgs.gov/EarthExplorer/
http://glovis.usgs.gov/ Imgenes:
http://edcsns17.cr.usgs.gov/NewEarthExplorer/ Imgenes:
AVHRR, EO-1 (Hyperion, ALI), imgenes desclasificadas, SIR-C
Landsat, NOAA-
UNIDAD SIG-CCHS: Curso Introduccin al tratamiento digital de imagen con ERDAS IMAGINE
43
Una vez seleccionado el tipo de datos podemos guardarlos de forma que al abrir el
cuadro de dilogo de importacin nos aparezca esta opcin por defecto. En el
UNIDAD SIG-CCHS: Curso Introduccin al tratamiento digital de imagen con ERDAS IMAGINE
44
desplegable de Media debemos elegir File y conviene hacer clic sobre el asterisco, ya
que ser seguramente lo ms habitual.
Navegamos hasta la carpeta de datos y seleccionamos el archivo PRDAT011.DAT. El
archivo de salida lo vamos a llamar aster_b1.img, en la carpeta de resultados.
Aceptamos y se abre una nueva ventana:
UNIDAD SIG-CCHS: Curso Introduccin al tratamiento digital de imagen con ERDAS IMAGINE
45
Por ltimo nos queda componer una sola imagen que cuente con las tres bandas que
acabamos de importar. Esto se hace desde la pestaa Raster Spectral Layer Stack:
UNIDAD SIG-CCHS: Curso Introduccin al tratamiento digital de imagen con ERDAS IMAGINE
46
UNIDAD SIG-CCHS: Curso Introduccin al tratamiento digital de imagen con ERDAS IMAGINE
47
Correcciones geomtricas
48
Georreferenciacin
49
Fuentes de error
Distorsiones geomtricas:
provocadas por la plataforma:
aleteo, cabeceo, giro lateral
provocadas por el sensor: distorsin
al alejarse del nadir
provocadas por la rotacin terrestre:
inclinacin de la imagen
Cambio de escala por la altitud
Georreferenciacin
Segn parmetros orbitales:
Generalmente incluidos en la cabecera de la imagen:
Posicin exacta del satlite
Altitud
Velocidad de barrido
Velocidad plataforma
Meridiano de cruce con el Ecuador
Muy adecuada cuando no hay puntos de control: superficie marina,
imgenes de baja resolucin espacial
50
Georreferenciacin
Mediante puntos de control. Fases:
Establecimiento puntos de control
Clculo de la funcin de transformacin
Transferencia ND:
Vecino ms prximo
Interpolacin bilinear (4 vecinos)
Convolucin cbica (16 vecinos)
Evaluacin ajuste. RMSE
Georreferenciacin: transferencia ND
Vecino ms prximo
Interpolacin bilinear
51
52
A continuacin se abre una ventana con varias divisiones y un cuadro de dilogo para
especificar el mtodo para introducir las coordenadas de referencia para los puntos de
control. En este caso vamos a introducir las coordenadas desde el MTN25, que
tenemos en formato digital y georreferenciado, por lo que seleccionamos la opcin
Image Layer, que nos abrir un nuevo visor con la imagen de referencia:
UNIDAD SIG-CCHS: Curso Introduccin al tratamiento digital de imagen con ERDAS IMAGINE
53
UNIDAD SIG-CCHS: Curso Introduccin al tratamiento digital de imagen con ERDAS IMAGINE
54
Nota: Podemos salvar nuestro modelo como un archivo de extensin .gms para abrirlo ms
adelante desde la ventana de Model Properties.
Las propiedades del modelo que acabamos de definir se pueden modificar a lo largo
del proceso desde la opcin del men Display Model Properties
UNIDAD SIG-CCHS: Curso Introduccin al tratamiento digital de imagen con ERDAS IMAGINE
55
Coordenadas de
origen en pxeles
Coordenadas
UTM de destino
UNIDAD SIG-CCHS: Curso Introduccin al tratamiento digital de imagen con ERDAS IMAGINE
56
Nota: Podemos salvar los puntos que hemos ido introduciendo desde file save input y file save
reference.
UNIDAD SIG-CCHS: Curso Introduccin al tratamiento digital de imagen con ERDAS IMAGINE
57
UNIDAD SIG-CCHS: Curso Introduccin al tratamiento digital de imagen con ERDAS IMAGINE
58
UNIDAD SIG-CCHS: Curso Introduccin al tratamiento digital de imagen con ERDAS IMAGINE
59
Nota: la configuracin de remuestreo establecida ahora se puede cambiar en cualquier momento del
proceso editando las propiedades del proyecto
UNIDAD SIG-CCHS: Curso Introduccin al tratamiento digital de imagen con ERDAS IMAGINE
60
Una vez cargadas las imgenes en el proyecto comprobamos que aparecen en los
visores, las imgenes a corregir a la izquierda y la de referencia a la derecha:
Nota: haciendo clic con el botn derecho sobre las imgenes podemos establecer la combinacin
de colores que prefiramos para visualizarlas.
UNIDAD SIG-CCHS: Curso Introduccin al tratamiento digital de imagen con ERDAS IMAGINE
61
UNIDAD SIG-CCHS: Curso Introduccin al tratamiento digital de imagen con ERDAS IMAGINE
62
UNIDAD SIG-CCHS: Curso Introduccin al tratamiento digital de imagen con ERDAS IMAGINE
63
Una vez ejecutado sobre la imagen en la que hemos dado los puntos de control
obtenemos una serie de puntos y los residuos del ajuste en la parte inferior de la
ventana:
UNIDAD SIG-CCHS: Curso Introduccin al tratamiento digital de imagen con ERDAS IMAGINE
64
Para trabajar con los puntos de control de cara a obtener una correccin ptima
contamos con las herramientas del editor:
stas nos permiten deshacer o rehacer acciones, eliminar puntos, mostrar slo los
seleccionados, navegar por los puntos seleccionados, calcular el modelo, ver el informe
y establecer un filtro para seleccionar puntos en funcin de un umbral de error
establecido por nosotros.
Por ejemplo, vamos a seleccionar los puntos con un error superior a 03 pxeles. Para
ello tecleamos el umbral y hacemos clic sobre el icono de seleccionar los puntos
Nueve son los puntos que exceden el umbral de 03 pxeles (estos resultados pueden
diferir, segn el ajuste de los puntos introducidos manualmente). Procedemos a
eliminarlos para ver si mejora el ajuste general. En efecto, si los eliminamos y
recalculamos el modelo vemos cmo el RMSE pasa a ser de solamente 013 pxeles:
UNIDAD SIG-CCHS: Curso Introduccin al tratamiento digital de imagen con ERDAS IMAGINE
65
No slo hemos obtenido muchos ms puntos (235), tambin estn mucho mejor
distribuidos por la imagen, lo que nos asegura una mejor correccin.
El RMSE obtenido es de 034, aunque es bastante bueno intentaremos mejorarlo
mediante el uso de las herramientas de edicin de GCPs. Seleccionando los puntos con
un error superior a 05 pxeles y eliminndolos obtendremos un RMSE de 022.
UNIDAD SIG-CCHS: Curso Introduccin al tratamiento digital de imagen con ERDAS IMAGINE
66
Una vez hemos obtenido un ajuste satisfactorio vamos a corregir las imgenes.
Podemos hacerlo haciendo clic con el botn derecho del ratn sobre la imagen que
queremos corregir y eligiendo la opcin Calibrate/Resample o mediante el botn con
el icono de un rayo
si queremos corregir todas las imgenes a la vez.
Seleccionamos la imagen de 1987 y la corregimos.
Una vez terminado el proceso aceptamos y aparece directamente una pantalla con las
dos imgenes superpuestas para evaluar visualmente los resultados. En este sentido
disponemos de tres herramientas muy prcticas: Blend, Swipe y Flicker
UNIDAD SIG-CCHS: Curso Introduccin al tratamiento digital de imagen con ERDAS IMAGINE
67
UNIDAD SIG-CCHS: Curso Introduccin al tratamiento digital de imagen con ERDAS IMAGINE
68
Correcciones radiomtricas
69
Correcciones necesarias
Radiomtricas:
Eliminar ruidos en los ND.
Corregir los problemas de toma de datos.
Conversin a parmetros fsicos.
Correcciones radiomtricas
Bandeado: producido por desajustes en el calibrado
de los detectores.
Lneas o pxeles perdidos (fallos del sensor o la
transmisin).
Clculo de reflectividades.
Correcciones atmosfricas.
Correcciones del sombreado topogrfico.
Modelizacin del efecto bidireccional.
70
Bandeado
Ruido
71
Fuente de energa
CLCULO DE
REFLECTIVIDADES
Sensor
SOL
ATMOSFERA
Nubes
Superficie terrestre
Sistema de
recepcin
Reflectividad aparente*
Conversin de los ND a parmetros fsicos:
Clculo radiancia
Clculo reflectividad
72
T * ( L) =
c2 n
ln (1 + c1 n 3 / L sen,n )
Correcciones atmosfricas
El clculo de la reflectividad real de una cubierta captada por un sensor areo o
espacial est condicionado por el comportamiento de la atmsfera:
La irradiancia solar en el techo de la atmsfera no es igual a la que llega a la superficie
terrestre.
La radiancia que llega al sensor no es la misma que la que sale de la superficie terrestre.
73
Correcciones atmosfricas
La estimacin de la influencia atmosfrica y su correccin para
el clculo de reflectividades se realiza mediante distintos
procedimientos:
1. A partir de medidas sobre el terreno.
2. Utilizando datos de otros sensores.
3. Por medio de modelos fsicos de transferencia radiativa
(MODTRAN, ATCOR).
4. A partir de datos de la propia imagen (Mtodo de Chavez).
Modelo ATCOR
Coeficientes de
calibracin
Distancia de
visibilidad
Tipo de sensor
Elevacin media del terreno
ngulo de
elevacin solar
Fecha de la imagen
74
Imagen corregida
75
76
6. Abrimos el archivo de cabecera (formato .txt) con un editor de texto tipo Bloc de
Notas o WordPad y analizamos la informacin contenida. Los datos que
debemos localizar y consignar son los relativos al ngulo de elevacin solar, la
radiancia (mxima y mnima) en cada banda y el factor corrector de la distancia
al sol. Los dos primeros datos aparecen explicitados en el archivo de cabecera.
77
78
12.
79
Prctica 4.2
Vamos a solucionar el problema de un corte en una imagen a travs de la aplicacin de
un filtro. Previamente vamos a exportar una de las bandas con problemas que
componen una imagen en formato .img.
1. Desde la pestaa Manage Data elige la opcin Export Data. Queremos exportar
a TIFF una imagen que se haya en la carpeta Practica4 y que se llama
escena_landsat_se.img. Daremos un nombre al archivo de salida y lo
guardaremos en la misma carpeta.
2. Pulsamos Ok.
3. En la siguiente ventana indicamos que slo queremos exportar una banda. En
Export Band Selection optamos por Grayscale y en Grayscale Band to Export
indicamos la banda 4. Pulsa Ok.
80
81
NOTA:
El filtro Median fija como valor del pxel la mediana de los valores de los pixeles incluidos en la
ventana mvil.
9. Al realizar la operacin nos aparecer un aviso indicando que los valores de los
pxeles de la imagen se vern alterados. Aceptamos.
10. Una vez corregida la imagen eliminamos la AOI de la tabla de contenidos (no
hace falta que la guardemos) y salvamos la imagen en formato .img aadiendo
el sufijo _corregida al nombre. Esto se hace desde el Men principal Save as
Top Layer As.
UNIDAD SIG-CCHS: Introduccin al tratamiento digital de imgenes con ERDAS Imagine
82
Prctica 4.3
ERDAS IMAGINE contiene una funcin para reducir el efecto de presencia de neblinas
mediante la aplicacin del mtodo Tasseled Cap. Este mtodo requiere de una
adaptacin especfica a las caractersticas tcnicas de cada sensor. En el caso de ERDAS
slo est diseado para aplicarse sobre imgenes Landsat 4, 5 y 7.
1. Si abrimos la imagen landsat_escena_se en el Viewer y la visualizamos
(prueba con una composicn RGB en color natural) podremos observar la
presencia de vapor de agua (este efecto se observar ms fcilmente en
contraste con las cubiertas vegetales, es decir, las que muestras un color verde
en una composicin en color natural; aunque tambin sera apreciable con otro
tipo de composiciones).
2. Podremos reducir este efecto a travs de la transformacin Tasseled Cap
mencionada. Esto implicar la transformacin de los valores digitales de la
imagen e entrada.
83
84
85
Realces y filtros
Operaciones ms habituales
86
La imagen digital
12
65
11
32
96
89
99
65
31
13
64
31
78
65
2
13
45
78
26
87
45
48
18
3
32
46
65
84
65
23
1
2
13
65
3
15
68
73
12
65
8
32
46
13
40
57
61
32
15
89
42
65
84
62
48
99
13
75
11
68
69
32
19
46
86
84
62
74
24
48
23
57
61
14
87 13 89 54
20
80
24
65
12
69
31
19
48
32
18
65
74
68
65
31
13
64 89 31 42
68
16
86
21
68
16
32
18
45
35
68
15
4
5
3
6
9
15
26
16
84
26
3
9
8
7
19
8
6
2
3
8
9
6
15
42
3
4
15
21
85
La imagen digital
Anlisis de la imagen
IRC
87
La imagen digital
Anlisis de la imagen
Perfiles espectrales
La imagen digital
Anlisis de la imagen
Superficies
88
Realces
Ajuste del contraste
Problema: Diferencia entre niveles digitales y niveles de visualizacin
Objetivo: Adaptar la resolucin radiomtrica para una mejor visualizacin
Definiciones de contraste
NDmax
NDmin
NDmax
ND
NDmin
Realces
Compresin del contraste
Para sensores que codifican la radiancia en ms de 8 bits, es decir, en ms de
256 Niveles Digitales
Establecimiento de intervalos
Expansin del contraste
Cuando el rango de ND es menor que los Niveles Visuales disponibles
Mtodos:
Expansin lineal: entre el mnimo y el mximo
Ecualizacin del histograma: a cada ND un nmero igual de NV
Desviaciones tpicas: ajuste lineal entre los umbrales definidos por n
desviaciones tpicas
Personalizada: para una zona concreta, o definiendo manualmente los
puntos de ruptura
89
Realces
Expansin lineal
Imagen original
Imagen realzada
Realces
Cambio de una
imagen sin realzar a
una realzada
90
Filtrajes
Operacin de vecindad inmediata
Obtencin de nuevos valores a partir de los valores de pxeles vecinos
Se busca suavizar o reforzar el contraste espacial para mejorar la
visualizacin eliminando valores anmalos o resaltando las diferencias
TIPOS
Paso bajo: suavizado contraste
Paso alto: realce diferencias
Filtros modales: para variables temticas
Filtrajes
Transformacin mediante operadores locales: ventanas de diferentes tamao
(3x3 5x5 7x7)
Paso bajo
Paso alto
-1
-1
-1
-1
-1
-1
-1
-1
91
Filtrajes
Filtro de paso bajo
Imagen filtrada
Imagen original
Filtrajes
Filtro de paso alto
Imagen filtrada
Imagen original
92
Filtrajes
Filtros de paso alto direccionales
Filtro diagonal izquierda
-2
-1
-1
-1
-2
-1
Filtrajes
Textura
Interpretacin de la imagen: contraste espacial entre los elementos de la
imagen. Vara en funcin del tamao de los objetos y de la resolucin espacial
Medicin mediante operaciones de
vecindad.
Varianza: resalta los lmites de los
objetos
93
La imagen digital
Vamos a visualizar la informacin digital que contiene la imagen, los Niveles Digitales
que, como sabemos, codifican valores de radiancia recogidos por el sensor.
Primero vamos a abrir un visor de ERDAS y la imagen landsat5_curso.img:
UNIDAD SIG-CCHS: Curso Introduccin al tratamiento digital de imagen con ERDAS IMAGINE
94
Conviene asegurarse de que ignore los valores de 0 para no falsear los resultados con
los valores de 0 del fondo. Tambin podemos establecer el nmero de pxeles que se
salta al muestrear la imagen desde la opcin Skip Factor o calcular los estadsticos
bsicos para una zona concreta si hemos definido un AOI (Area Of Interest).
Como parte del anlisis de la imagen conviene hacerse una idea de la correlacin
existente entre las bandas que la componen. Puede ser conveniente eliminar alguna
banda altamente correlacionada con otra de cara a la posterior clasificacin digital.
Vamos a evaluar la correlacin entre bandas de forma visual, generando grficos de
dispersin. Para ello crearemos grficos de dispersin entre dos bandas.
Desde la pestaa raster supervised accedemos a la opcin Feature Space Image:
UNIDAD SIG-CCHS: Curso Introduccin al tratamiento digital de imagen con ERDAS IMAGINE
95
El resultado ser una imagen por cada combinacin seleccionada, que se puede
mostrar en el visor para su anlisis, como cualquier otra imagen:
Nota: se pueden mostrar varios visores dentro del mismo marco mediante la opcin Add Views
UNIDAD SIG-CCHS: Curso Introduccin al tratamiento digital de imagen con ERDAS IMAGINE
96
Vamos a obtener un perfil sobre la imagen landsat. Para ello abriremos el archivo
profile.ixs desde el men principal Open Session. Este archivo ixs contiene una vista
determinada sobre una zona determinada de la imagen y un archivo vectorial con una
lnea:
Nota: puedes usar los archivos ixs para almacenar vistas con capas raster y vectoriales, una
determinada combinacin de bandas, una escala de visualizacin, etctera.
UNIDAD SIG-CCHS: Curso Introduccin al tratamiento digital de imagen con ERDAS IMAGINE
97
UNIDAD SIG-CCHS: Curso Introduccin al tratamiento digital de imagen con ERDAS IMAGINE
98
Para mejorar la visualizacin podemos cambiar la medida de los ejes desde el men
Edit Chart Options y superponer una imagen temtica o continua. Haciendo clic en
Edit Overlay Truecolor vamos a superponer la imagen landsat5_curso.img, eligiendo
la combinacin de bandas que prefiramos.
Cambiando la banda mostrada, podemos estudiar la respuesta de las diferentes
cubiertas.
UNIDAD SIG-CCHS: Curso Introduccin al tratamiento digital de imagen con ERDAS IMAGINE
99
Realces
ERDAS aplica un realce al abrir las imgenes de forma automtica, para mejorar su
visualizacin. Vamos a probar a visualizar la misma imagen con la que hemos estado
trabajando sin realce para ver las diferencias.
Abrimos el programa y seleccionamos la imagen landsat5_curso.img desde la carpeta
de la prctica 5, pero antes de abrirla nos aseguramos de que lo le aplique ningn
realce desde la pestaa Raster Options, seleccionando la opcin No Stretch:
Esto se debe a que el sensor TM est preparado para recoger en 8 bits los valores de
radiancia de cualquier cubierta terrestre, pero en la imagen slo tenemos una
pequea muestra, por lo que no estamos aprovechando la capacidad de visualizacin
de nuestra pantalla.
UNIDAD SIG-CCHS: Curso Introduccin al tratamiento digital de imagen con ERDAS IMAGINE
100
Ahora vamos a acceder a las opciones de realce desde la pestaa Multiespectral General Contrast:
Antes de comenzar a trabajar nos aseguramos de hacerlo slo sobre los valores de la
imagen, sin tener en cuenta el fondo, y que los cambios se apliquen a la tabla de
referencia, seleccionando la opcin Whole Image y Lookup Table, como vemos en la
imagen.
Desde este cuadro de dilogo podemos definir el mtodo de realce, visualizar los
resultados y almacenar los cambios en la tabla de referencia o Lookup Table.
Vamos a realizar una prueba definiendo una expansin del histograma basada en dos
desviaciones tpicas y luego en una sola para observar las diferencias.
Desplegamos para elegir el mtodo Standard Deviations y dejamos el nmero en 2, en
primer lugar, para ver el resultado. A continuacin seleccionamos una sola desviacin y
aplicamos los cambios:
2 desviaciones tpicas
1 desviacin tpica
UNIDAD SIG-CCHS: Curso Introduccin al tratamiento digital de imagen con ERDAS IMAGINE
101
Al elegir una sola desviacin tpica el contraste es mucho mayor pero la imagen
aparece mucho ms saturada. Esto es porque el rango de ND considerados es menor y
la pendiente de la funcin que define la relacin entre ND y NV mayor, por lo tanto.
Para una edicin personalizada podemos situar los puntos de ruptura de la tabla de
referencia de forma manual, visualizando el histograma. A esta opcin se accede desde
el botn Breakpts En la ventana que aparece al pulsar tenemos los tres canales de
visualizacin, Rojo, Verde y Azul con la lnea definida por mtodo de realce
seleccionado y una serie de herramientas de edicin:
Nota: aunque esta herramienta tiene muchas posibilidades vamos a limitarnos a ver slo las
cuestiones ms bsicas.
Al igual que en el caso anterior nos aseguramos de no tener en cuenta el fondo negro
seleccionado como fuente de datos para el histograma la imagen en la opcin Whole
Image. Con el mismo cursor vamos a manejar los puntos de ruptura que marcan el
comienzo y el final de la pendiente en la lnea de cada canal, estirndola un poco para
que abarque una mayor parte del histograma. Los Niveles de Visualizacin se
distribuyen de forma ms homognea por el histograma, de forma que tendremos una
imagen menos saturada:
UNIDAD SIG-CCHS: Curso Introduccin al tratamiento digital de imagen con ERDAS IMAGINE
102
UNIDAD SIG-CCHS: Curso Introduccin al tratamiento digital de imagen con ERDAS IMAGINE
103
Desde esta herramienta podemos acceder a la propia tabla de referencia para ver qu
Nivel Visual hemos adjudicado a cada Nivel Digital. Esto se hace para cada canal
mediante su respectivo botn
. Desde esta herramienta podemos establecer las
coordenadas (en el grfico de la tabla de referencia) de los puntos de ruptura o
directamente cambiar los niveles asignados a mano:
Una vez terminado podemos guardar los cambios desde el cuadro de dilogo del
Breakpoints Editor, creando un archivo de breakpoints que podremos cargar desde
este mismo editor. Para guardar los cambios de forma que la tabla de referencia que
hemos creado se asocie a la imagen y siempre que la abramos la visualicemos de la
misma forma hay que hacerlo desde el propio visor con la opcin de Save Top Layer. Si
no lo hacemos se nos ofrece la oportunidad de guardar cualquier cambio realizado en
la tabla de referencia al cerrar la imagen:
Si no salvamos los cambios tenemos que tener en cuenta que cuando la imagen no
tiene una tabla de referencia asociada, el visor de ERDAS siempre la muestra con un
realce de dos desviaciones tpicas, por defecto.
UNIDAD SIG-CCHS: Curso Introduccin al tratamiento digital de imagen con ERDAS IMAGINE
104
Filtrajes
En ERDAS hay una gran cantidad de filtros predefinidos pero tambin se puede crear
un filtro nuevo con los parmetros que deseemos. A todas estas opciones se accede
desde la pestaa Raster men Spatial, opcin Convolution:
Desde esta ventana podemos elegir diferentes tipos de filtros y aplicarlos a nuestra
imagen para crear una nueva imagen filtrada de salida. Vamos a realizar una primera
prueba con un filtro de paso bajo para suavizar la imagen.
Desde Input File abrimos la imagen landsat5_curso.img y guardamos la imagen
resultante en la carpeta de resultados, con el nombre de paso_bajo3.img. Como
puedes adivinar, en el desplegable de Kernel vamos a seleccionar 3x3 Low Pass. Antes
de aceptar podemos examinar y, eventualmente, cambiar los pesos del filtro que
vamos a aplicar desde el botn de Edit:
UNIDAD SIG-CCHS: Curso Introduccin al tratamiento digital de imagen con ERDAS IMAGINE
105
Al multiplicar todos los valores por 1, este filtro va a generar una media de los valores
del entorno, suavizando los cambios:
Nota: para examinar las diferencias entre la imagen original y la filtrada una utilidad muy
adecuada es la herramienta Swipe, como puedes ver en la imagen.
UNIDAD SIG-CCHS: Curso Introduccin al tratamiento digital de imagen con ERDAS IMAGINE
106
Abrimos de nuevo la herramienta Convolution para aplicar un nuevo filtraje, esta vez
de paso alto (3x3 High Pass), por lo que a la imagen resultante la vamos a llamar
paso_alto3.img. Si examinamos esta vez la kernel que va a aplicar vemos cmo cambia
con respecto a la anterior, ponderando el valor central muy por encima de los
adyacentes:
Esta vez la imagen filtrada refuerza mucho las diferencias, resaltando lmites de
parcelas, manzanas del casco urbano o rasgos lineales como carreteras:
UNIDAD SIG-CCHS: Curso Introduccin al tratamiento digital de imagen con ERDAS IMAGINE
107
Antes de aplicar los filtros direccionales piensa cul conviene para resaltar los rasgos
lineales ms significativos de la imagen, por ejemplo las carreteras ms significativas,
como son las nacionales II y III:
N-II
N-III
Al visualizar los resultados de los filtros de direccin puede ser conveniente hacerlo
banda a banda en escala de grises, porque las composiciones en color crean cierta
confusin.
Para terminar con las opciones ms bsicas de filtrajes vamos a aplicar un filtro modal
sobre una imagen temtica. La imagen que vamos a utilizar es el resultado de una
clasificacin digital realizada en Kargaly, una zona de Rusia.
Primero abrimos kargaly.img para visualizarla:
UNIDAD SIG-CCHS: Curso Introduccin al tratamiento digital de imagen con ERDAS IMAGINE
108
Esta ltima opcin ofrece ms posibilidades, por lo que vamos a elegirla (la otra opcin
realiza los cambios directamente sobre la imagen cargada).
Seleccionamos como entrada kargaly.img y como archivo de salida tecleamos
kargaly_filtrada.img.
UNIDAD SIG-CCHS: Curso Introduccin al tratamiento digital de imagen con ERDAS IMAGINE
109
Para realizar un filtrado de las islas mal clasificadas que han quedado dentro de las
parcelas vamos a aumentar el tamao de lo que consideramos vecindad a 5x5, para
incluir reas de cierto tamao, y a elegir como funcin a aplicar Majority que
seleccionar como valor de cada pxel el que presente la mayora de sus vecinos, es
decir, la moda.
Aceptamos y visualizamos el resultado de nuevo sobre la imagen original para ver las
diferencias (aunque son obvias a simple vista) y cmo ha trabajado el filtro. Aunque el
resultado est transformando los datos de la clasificacin que habamos realizado,
ofrece en realidad un resultado mucho ms coherente en el que las zonas son ms
homogneas:
Textura
La textura se calcula a travs de una ventana mvil que se desplaza por toda la imagen,
al igual que ocurre con los filtros, pero lo que vamos a hacer en este caso no es
modificar los valores de los ND sino obtener una nueva variable que refleja la variacin
espacial de la imagen.
Accedemos a la herramienta desde la pestaa
Raster Spatial Texture:
UNIDAD SIG-CCHS: Curso Introduccin al tratamiento digital de imagen con ERDAS IMAGINE
110
Vamos a medir la varianza sobre una ventana de 3x3. Slo hay que cargar la imagen
lansat5_curso.img, adjudicarle como nombre de salida textura.img, dentro de la
carpeta de resultados y seleccionar el tamao de la ventana, que vamos a dejar en 3x3.
Observamos que aunque la imagen de entrada es de 8 bits nos va a generar una
imagen de salida de coma flotante, ya que los valores del resultado son el de el
estadstico de la varianza para cada pxel.
Aceptamos y una vez terminado el proceso abrimos la imagen resultante en un visor,
preferiblemente en escala de grises para visualizar banda a banda la imagen, de forma
que resulte ms sencilla su interpretacin:
UNIDAD SIG-CCHS: Curso Introduccin al tratamiento digital de imagen con ERDAS IMAGINE
111
Elaboracin de Mosaicos
112
MosaicPro
Las imgenes de entrada deben estar
georreferenciadas y contener el mismo
nmero de capas. Las imgenes no tienen
porqu estar en la misma proyeccin o
tener el mismo tamao de celda. Tambin
trabaja con imgenes calibradas. La
extensin de un proyecto en MosaicPro es
.mop.
Permite utilizar el lmite de un polgono
definido para realizar la unin.
113
MosaicExpress
Se trata de una herramienta
guiada con nueve diferentes
pasos.
Estos
se
pueden
seguir
ZONA DE SOLAPE
SALIDA DE DATOS
114
ENTRADA DE DATOS
Entire image
Crop Area
AOI Area
Active area
ENTRADA DE DATOS
TIPOS DE ARCHIVOS
115
ZONA DE SOLAPE
Weighted Seam Line Generation.
Basada en la funcin de coste ms baja.
Geometry-based Seamline
Tiene en cuenta la forma de la zona de solape. En un mosaico con dos
imgenes la zona de solape se dividira en dos polgonos iguales.
Overlay-based Seamline
Trabaja slo sobre la zona activa de cada imagen.
imagen La imagen que est por
encima provee los pxeles en la zona de solape.
Adems podremos aplicar el efecto Smoothing y/o Feathering.
Ilumination Equalizing.
Homogeniza las grandes variaciones de iluminacin o color.
Image Dodging.
Realiza un tratamiento estadstico para la correccin de los desequilibrios en
la intensidad de luz de la imagen mosaicada.
Color Balancing.
Reduce las diferencias de color existentes entre las imgenes que integran el
mosaico.
i
Histogram Matching.
Lleva a cabo una homogeneizacin de los histogramas de las imgenes para
que sean similares. Presupone que todas las diferencias de color y brillo en las
imgenes se debe a los efectos atmosfricos y de iluminacin.
116
SALIDA DE DATOS
Remuestreo de datos
Configuracin adicional
de la imagen de salida
117
Prctica6:Elaboracindemosaicos.
Prctica6.1
1. DesdeelpanelprincipaldeERDASIMAGINE2010enlatablaManageDatayen
dentrodelgrupoCatalogseleccionalaherramientaImageCatalog.
2. Alnotenerunarchivodecatlogoyacreadodeberemosgenerarunonuevo.Lo
guardaremos en la carpeta Practica6 y le daremos un nombre identificativo
(porejemploLandsat).
3. UtilizalaherramientaAddimagetotheCatalog
paraabrirlaventanadel
catlogodeimgenes.
UNIDADSIGCCHS:IntroduccinaltratamientodigitaldeimgenesconERDASImagine
118
UNIDADSIGCCHS:IntroduccinaltratamientodigitaldeimgenesconERDASImagine
119
PinchaViewQuerywithincurrentextentsparaincorporaralvisualizadortodas
lasimgensdenuestrocatlogopodemosutilizar.
QueryAllImageswithinCurrentBoundaries
Conlasherramientasdezoomaproxmatealreadetrabajo.
9. Situndonos sobre la tabla con el listado de imgenes que integran nuestro
catlogo podramos definir criterios de bsqueda. Para ello bastara con
situarnos sobre uno de los registros y con el botn derecho del ratn
seleccionaramosCriteria.
UNIDADSIGCCHS:IntroduccinaltratamientodigitaldeimgenesconERDASImagine
120
Prctica6.2
1. EnelmduloprincipaldeERDASIMAGINE2010despliegalatablaHome,enel
grupoInformationyseleccionaLayerInfo.
Seabrirunaventanadedilogo.
2. EnelmenprincipaldeesaimagenseleccionamosFile/Open,elegimosabrir
imgenestipoTIFFyabrimoslaimagenllamadacuarto_1.
UNIDADSIGCCHS:IntroduccinaltratamientodigitaldeimgenesconERDASImagine
121
4. Repitelospasos2y3paralaimagencuarto_2.
5. AbreunViewerycargalasdosimgenes:cuarto_1ycuarto_2.
6. UtilizalafuncinSwipeparaanalizarlazonadesolapeentreambasimgenes.
7. Cierra el Viewer y desde el mdulo principal de ERDAS IMAGINE 2010
seleccionalatablaRaster/grupoMosaic/MosaicPro.
8. AccedemosalainterfazgrficaparalageneracindemosaicosenERDAS.
9. DesdeelmenEditaccedemosalaherramientaparacargarlasimgenesque
queremos mosaicar (Add Images). Seleccionamos la imagen cuarto_1 y
pasamosalapestaaImagesOptions.
UNIDADSIGCCHS:IntroduccinaltratamientodigitaldeimgenesconERDASImagine
122
10. ElegimoslaopcinComputeActiveAreaypulsamoselbotnSetmodificando
elCropAreahastael5%.Estoestilcuandolosbordesdenuestrasimgenes
pueden incluir informacin defectuosa. No es el caso, pero an as, vamos a
seleccionarlo.
11. Repitelaltimaparteparacargarlasegundaimagencuarto_2
12. Despliega el Color Corrections Options
pulsaOk.
14. MarcamosWeightedSeamlineypulsamosOk.
15. Observa las opciones que ofrecen las herramientas Image Resample Options
ySetOverlapFunction
,perodemomentodejalasopcionesqueteda
pordefecto.
16. ParafinalizarelprocesopulsaRuntheMosaicProccesstoDisk
oaccedealamismaopcindesdeelmenProcces.
17. Da un nombre al archivo de salida y gurdalo en la carpeta Prctica6. En la
pestaaOutputOptionsmarcalaopcinStatsIgnoreValueydejaelvalor0.
PulsaOk.
18. AbreunaventanaVieweryvisualizaelresultadoprestandoatencinalazona
desolape.Puedescompararlo,siquieres,conlasdosimgenesdepartida.
19. CierraelViewer.
UNIDADSIGCCHS:IntroduccinaltratamientodigitaldeimgenesconERDASImagine
123
Prctica6.3
1. AbreeleditordepreferenciasseleccionandoSession/Preference.
2. EnelUserInterface&Sessionlocalizalaspreferenciasrelativasa6orgreater
BandImage.Eligeunacombinacindebandas3,2y1paraloscanalesdelrojo,
verdeyazul,respectivamente.Despus,pulsaUserSaveyClose.
3. Despliega el Viewer y abre los archivos cuarto_1.tif, cuarto_2.tif,
cuarto_3.tifycuarto_4.tif.
UNIDADSIGCCHS:IntroduccinaltratamientodigitaldeimgenesconERDASImagine
124
5. AadeloscuatrocuartosLandsatatuespaciodetrabajoconAddImages,enla
pestaaImageAreaOptionsseleccionaUseEntireImage.
6. Ahora vamos a aplicar las correcciones de color para conseguir una mayor
homogeneidad en el archivo de salida. Selecciona el icono Color Correction
Options
7. ActivalaopcinExcludeAreas.
8. PulsaelbotnSet.
NOTA: Cuando se decide mosaicar una imagen puede resultar conveniente eliminar del proceso
aquellospixelesquepuedenpresentarvaloresextremos(comocuerposdeaguaonubes).Esta
opcintepermitemarcarestetipodecubiertasparaquenosetenganencuentaduranteel
ColorBalancing,ImageDodgingoelHistogramMatching.
UNIDADSIGCCHS:IntroduccinaltratamientodigitaldeimgenesconERDASImagine
125
10. ConlaherramientaCreatePolygonAOI
trazaremosunpolgonoenelrea
deintersyconlseleccionadoutilizaremoslaopcinExcludeAreasthatare
spectrally similar
11. DespusdeseleccionarlasreassloquedapulsarApplytoAllycerramosla
ventanaExcludeAreas.
12. A continuacin marcamos la opcin Use Image Dodging y pulsamos sobre el
botnSet.
UNIDADSIGCCHS:IntroduccinaltratamientodigitaldeimgenesconERDASImagine
126
13. En la ventana del Image Dodging deja los parmetros por defecto y pulsa
Previewaceptandoelprocesadodelosparmetrosparatodaslasimgenes.
14. PulsaOksobreelpaneldecorreccionesdelcolor.
15. A continuacin definiremos el tipo de lneas de corte por medio de
AutomaticallyGenerateCutlinesforIntersection
16. MarcamosWeightedSeamlineypulsamosOk.
UNIDADSIGCCHS:IntroduccinaltratamientodigitaldeimgenesconERDASImagine
127
UNIDADSIGCCHS:IntroduccinaltratamientodigitaldeimgenesconERDASImagine
128
Prctica6.4
1. Vuelve al mdulo Mosaic Pro y abre si es necesario el archivo .mop que
generasteantes.
2. Abrelapaletadeopcionesdecorreccionesdelcolor,activaelUseHistogram
Matching.
3. PulsaelbotnSet.
4. AsegratequelaopcinenelMatchingMethodesForallImages.PulsaOk.
5. Aceptalascorreccionesdecolordefinidasyejecutaelmosaico.Puedesllamar
alarchivodesalidamosaico_dodging_matching.imgyseleccionaStatsIgnore
Value0.
6. Comparaelmosaicogeneradoconelanterior.
UNIDADSIGCCHS:IntroduccinaltratamientodigitaldeimgenesconERDASImagine
129
ndices
130
ndices de vegetacin
131
ndices
ndicesdevegetacin
Se basan en la respuesta de la vegetacin en el rojo y el infrarrojo prximo: a
mayor contraste, mayor vigor de la vegetacin
USOS
Discriminacinmasas
vegetales
Hierbaverde
Hierbaseca
Seguimientocambioglobal
Previsinriesgoincendios
ndices
IRC
NDVI:ndiceNormalizadodeVegetacin
[[1,+1]
1, 1]
Oscila entre
0=sinvegetacin
>01=vegetacin
01
t i
>05=vegetacinmuydensa
132
Tasseled Cap
Creacin de componentes de significado fsico preciso.
Creacin de nuevas bandas por combinacin lineal de las originales.
Ponderacin de las bandas de los sensores Landsat MSS y TM.
Tambin se ha definido para otros sensores como el AVHRR o IKONOS.
133
Tasseled Cap
Plano de variacin de la vegetacin
Mximo
verdor
Suelo claro
Marchitez
Vegetacin
emergente
Lnea de suelo
Suelo
oscuro
Tasseled Cap
H
u
m
e
d
a
d
V
e
r
d
o
r
V
e
r
d
o
r
Brillo
Brillo
Humedad
134
Tasseled Cap
Brillo
Verdor
Humedad
Componentes Principales
Tcnica de sntesis estadstica
Objetivo: transformar un conjunto de variables en otro conjunto menor
(Componentes Principales) que retiene la mxima informacin del
conjunto original
original.
Cundo utilizarlos:
135
Componentes Principales
B2
B3
B4
B5
B6
CP1
CP3
CP2
CP4
136
CP5
CP6
Componentes Principales
La varianza explicada por cada componente va en orden decreciente desde el
primero hasta el ltimo: el CP1 es el que ms porcentaje de varianza explica,
seguido del CP2 y as hasta el ltimo.
Muy correlacionados con las variables originales y muy poco correlacionados entre
s (no tienen informacin compartida)
Utilidades:
Visualizar en un nmero reducido de bandas las caractersticas de una imagen con
muchas bandas
Deteccin de anomalas en los ltimos componentes
Estudios multitemporales: identificar cambios
137
Prctica7:Combinacioneslinealesentrebandas
Para comenzar la prctica abrimos la imagen de la carpeta practica_7 en Erdas la
imagensellamalansat_nw_6bandas_reflectance.img.
ndiceNormalizadodeVegetacin
LageneracindelosndicesmshabitualesestpredefinidadesdelapestaaRaster
grupoClassificationUnsupervisedNDVI:
Frmulaquesevaaaplicar
Desde este cuadro de dilogo podemos aplicar los ndices ms habituales a nuestra
imagen,yapredefinidosparalossensoresmscomnmenteutilizados.
Los nicos parmetros que debemos establecer son la imagen de entrada,
lansat_nw_6bandas_reflectance.img, la de salida, que crearemos en la carpeta de
resultadosconelnombredendvi.imgyelndiceagenerar.
AunquelosndicessepuedencreardirectamentesobrelasimgenesconlosNiveles
Digitales,vamosagenerarelNDVIsobrelaimagendereflectividadaparente,porque
de esta forma podemos atribuir un significado preciso al resultado. Los valores de
NDVI generados sobre los ND originales tienen a subestimar la presencia de
vegetacin.
Cuandoelegimoslaimagendeentradaelprogramadetectaautomticamentequese
tratadeunsensorLandsatTMynosproponeporlotantolafrmulaconlasbandas
correspondientes.SeleccionamosLandsatTMyNDVIenfuncin.
UNIDADSIGCCHS:CursoIntroduccinaltratamientodigitaldeimagenconERDASIMAGINE
138
ConlaayudadelaherramientaInquireCursor ,ocualquieradelasherramientas
que ya conocemos para obtener informacin de la imagen, podemos examinar la
imagenparaverquvaloresdeNDVIsecorrespondenconlasdiferentescubiertas.
Quvalorestienenlaszonasdeagua?.Haydiferenciasentrelaszonasdevegetacin
naturalyloscultivosderegado?.Quvalorestienenlaszonasurbanas?.
UNIDADSIGCCHS:CursoIntroduccinaltratamientodigitaldeimagenconERDASIMAGINE
139
TasseledCap
Esta transformacin tambin est predefinida, al menos para los sensores ms
habituales,desdelapestaaRastergrupoClassificationSpectralTasseledCap:
IntroducimoslaimagendereflectividadyseleccionamoscomosensorLandsat5TM6
bands,yaqueestaimagennocuentaconlabandatrmica.Lasalidalavamosacrear
en la carpeta resultados con el nombre tc.img. Si hacemos clic en la pestaa de la
izquierdapodemosverloscoeficientesquesevanaaplicarymodificarlos:
UNIDADSIGCCHS:CursoIntroduccinaltratamientodigitaldeimagenconERDASIMAGINE
140
Sobrelaimagenoriginalvamosavisualizarelresultadodelatransformacin,bandaa
banda,revisandoquzonastienenunvalormsaltodeverdor(banda2)yhumedad
(banda3):
Desdelaherramientaqueyaconocemosparacreargrficosdedispersindebandas
vamosacrearlosplanosdevariacindelaimagendevegetacinysuelos.
AccedemosdesdeRasterSupervisedFeatureSpaceImage:
UNIDADSIGCCHS:CursoIntroduccinaltratamientodigitaldeimagenconERDASIMAGINE
141
Comoimagendeentradaseleccionamoslaqueacabamosdecrear,tc.imgyenOutput
Root Name navegamos hasta la carpeta de resultados y tecleamos el sufijo que
queremosparalasimgenesdedispersindebandas:plano_tc.
Las nicas combinaciones que nos interesan son las que sitan en el eje de la X la
banda1debrilloyenlaYlasbandas2y3,verdoryhumedad,respectivamente:
Unavezseleccionadasaceptamosyvisualizamoslosresultadosenunvisornormal:
Verdor
Brillo
Humedad
Brillo
Enambosgrficosquedamarcadalaimportanciadelapresenciadeaguaenlaimagen,
debido a los numerosos embalses presentes, las zonas de edificacin no son tan
importantesenelconjuntodelcuartoNWdelaescena.
UNIDADSIGCCHS:CursoIntroduccinaltratamientodigitaldeimagenconERDASIMAGINE
142
AnlisisdeComponentesPrincipales
Accedemos desde la pestaa Raster grupo Resolution botn Spectral Principal
Components:
Comoimagendesalidavamosacrear,denuevoenlacarpetaderesultados,acp.img.
Abajo a la derecha del cuadro de dilogo tenemos la opcin de elegir el nmero de
componentes deseado, que pueden ser tantos como variables de entrada, es decir,
comobandastengalaimagen.Enprincipiovamosaseleccionarelmximonmerode
componentes posible, para observar cmo van conservando parte de la variabilidad
recogidaenlaimageninicial,esdecir6.
UNIDADSIGCCHS:CursoIntroduccinaltratamientodigitaldeimagenconERDASIMAGINE
143
Recordamos que las nuevas variables se ordenan segn su correlacin con todas las
variablesoriginales,esdecir,elprimercomponenteeselqueretienemayorvarianza
delasvariablesoriginales,elsegundo,algomenos,yashastaelltimo,enqueslo
quedan los residuos, pero que pueden ser importantes, por conteneraquello que es
menosfrecuenteenlaimagen.
Para una mayor claridad examinaremos la imagen resultante en escala de grises,
visualizandoloscomponentesunoaunoparaidentificarquesloqueretienen:
CP1
CP2
CP5
CP6
.
.
.
UNIDADSIGCCHS:CursoIntroduccinaltratamientodigitaldeimagenconERDASIMAGINE
144
Clasificacin de imgenes
145
Criterios en la clasificacin
Espectral
Basada en los ND de la imagen.
Espacial:
Basada en la estructura y contexto espacial.
Temporal:
Evolucin
estacional
de
espectrales y espaciales.
las
caractersticas
Informacin auxiliar:
MDE, cartografa temtica,
146
FASES
1. Entrenamiento: obtener el rango de ND en cada banda que caracteriza
cada clase informacional. Mtodos:
a. Supervisado
b. No supervisado
2. Asignacin: adscripcin de cada pxel de la imagen a una clase. Mtodos:
a. Mnima distancia
b. Paraleleppedos
c. Mxima probabilidad
d. Clasificadores en rbol
e. Redes neuronales
3. Verificacin de resultados: comprobacin frente a la realidad terreno
Urbano
Vegetacin
Roquedo
Clases informacionales
Clases espectrales
147
Mtodo Supervisado
Conocimiento del terreno.
reas de entrenamiento:
Varias reas por categora (recoger variabilidad de la clase).
Es necesario seleccionar m+1 pxeles por categora (m = n de
bandas).
Resulta conveniente llegar a 10m o 100m (dependiendo de la
complejidad del paisaje).
Anlisis reas de entremiento:
Clculo de estadsticos descriptivos de la muestra (de
centralidad y dispersin).
Grficos de medias y de dispersin espectral
Mtodo No Supervisado
Busca definir clases espectrales dentro de la imagen.
Asume que los ND de la imagen forman conglomerados o clusters
ms o menos ntidos y que estos equivalen a categoras temticas.
No requiere conocimiento previo del terreno. La accin del
analista se centra ms en la interpretacin que en la consecucin de
resultados.
Parmetros en la definicin de los clusters:
1.
2.
3.
Criterio para
(ISODATA).
agrupar
los
casos
similares
148
Mtodo No Supervisado
ENTRENAMIENTO NO
SUPERVISADO
1. Medicin similitud pxeles en
funcin de la distancia euclidiana
2. Agrupacin mediante
criterios: algoritmo ISODATA
Definicin de los centros de clases
Asignacin de cada pxel a una clase
Recalculado de los centros de clases
Reasignacin de cada pxel
Repeticin o finalizacin del proceso
(proceso iterativo)
FASE DE ASIGNACIN
149
Clasificador de paraleleppedos
150
Distancia de Mahalanobis
Asume la normalidad: que los histogramas de las clases reflejan una
distribucin normal.
Los lmites entre clases vendran definidos por elipsoides.
Es un tipo de distancia que se adapta mejor a la variabilidad entre
categoras.
151
rbol de decisiones
Mtodo sencillo pero muy eficiente.
No requiere de la asuncin de
normalidad.
Consiste
en
discriminar
secuencialmente las categoras a travs
de la definicin de reglas dicotmicas.
Permite la utilizacin de informacin
auxiliar,
no
slo
espectral
(es
recomendable su uso ).
Las reglas se concretas en operadores
lgicos
condicionales
(del
tipo
IFTHEN).
> 30%
Redes neuronales
152
Lgica borrosa
Clasificador mxima probabilidad
Probabilidad de pertenencia a cada clase de un pxel
SALIDAS
Mapa temtico + mapa de
distancias
Imagen en escala de grises
para cada clase
2.
3.
4.
5.
Validacin de datos
153
VERIFICACIN DE RESULTADOS
Matriz de confusin.
La matriz de confusin
REFERENCIA (ha)
Clase A
ESTIMACIN
Clase B
Exactitud del
Error de
usuario
comisin
Total
Clase A
428,160
175,556
603,716
70.92
29.08
Clase B
74,895
40,908,912
40,983,808
99.82
0.18
Total
503,055
41,084,469
41,587,524
85.11
99.57
14.89
0.43
Exactitud del
productor
Error de
Mide el porcentaje
de superficie
estimada de cada
clase que ha sido
correctamente
clasificada.
Mide el porcentaje
de superficie
estimada de cada
clase que ha sido
confundida con
superficie de la
otra clase. Por
tanto,
incorrectamente
clasificada.
Omisin
Adicionalmente ser conveniente obtener el estadstico kappa. Nos da una idea de hasta que punto el acierto de
nuestra clasificacin se debe al simple azar.
154
Prctica8.1:Clasificacinnosupervisada.
Prctica8.1.1
Elobjetivodeestaprcticaesrealizarunaclasificacinnosupervisada.
Abrimos la imagen Landsat_nw_6bandas_reflectance de la carpeta Practica8_1.
(hazloenmodoPseudoColor;defneloenalpanelSpectral).
1.
DesdelabarraprincipaldeERDASIMAGINEabrimoslapestaaRastergrupo
ClasifficationbotnUnsupervisedopcinUnsupervisedClassification.
UNIDADSIGCCHS:IntroduccinaltratamientodigitaldeimgenesconERDASImagine
155
5.PulsaelbotnColorSchemeOptionsyeligelaopcinGrayscale.
156
NOTA:
Elobjetivodefijarelnmeromximodeiteracionesyelumbraldeconvergenciaesevitarqueel
procesoiterativoquesuponelaaplicacindeISODATAentreenunbuclesinfinal.
7. Dejamos los valores Skip Factors en 1 (si se elevan estos valores se reduce el
tiempo de procesado, pero se provoca que el resultado final sea menos
preciso).
8.UnavezquehayascompletadotodoslosparmetrosrequeridospulsaOk.
9. Cuando el proceso acabe (bien porque se alcanzan el nmero mximo de
iteracionesoporquesesuperaelumbraldeconvergencia)loindicarmediante
unaventanadeestado.
10.Visualizaelresultadodelaclasificacinabriendoelarchivoquelorecogeenel
Viewer, en un segundo espacio de visualizacin. En HomeAdd ViewsCreate
New2DView.
UNIDADSIGCCHS:IntroduccinaltratamientodigitaldeimgenesconERDASImagine
157
12. Una vez linkadas utiliza las herramientas de zoom o el Inquire Cursor para
observarlaequivalenciaentreclasesytiposdecubiertas.
UNIDADSIGCCHS:IntroduccinaltratamientodigitaldeimgenesconERDASImagine
158
13. Desde la tabla de contenidos pulsando el botn derecho del ratn sobre el
nombre de la imagen resultado de la clasificacin, despliega la tabla de
atributosrasterDisplayAttributeTable.
14. Cambia los colores de la leyenda para que las clases sean ms fcilmente
identificables. Para ello slo tienes que hacer click sobre el registro
correspondiente del campo color. Te saldr una paleta de color
preseleccionada,peropodrselegirotroscoloressieligesOther.
15. Puedes situarte sobre la imagen original y localizar con el Inquire Cursor en
HomeInformation algunas clases fcilmente distinguibles y comprobar a qu
UNIDADSIGCCHS:IntroduccinaltratamientodigitaldeimgenesconERDASImagine
159
UNIDADSIGCCHS:IntroduccinaltratamientodigitaldeimgenesconERDASImagine
160
19.Cambia elcolordelaClass_3porazul,enelbotnderechodelratnpincha
SelectNoneysitaelvalor1enelcampoOpacity(compruebaquelaclasese
correspondeconcubiertasdeagua).
20.Activa lafuncinFlickerdesdeelmenHomeViewpinchandoenlasegunda
entradahorizontalyseleccionaelFlickerconlaopcinAutomode.Laclaseque
estabasvisualizandodebeempezaraparpadeardejandofijalaimagenLandsat
defondo.Manteniendoactivaestafuncinutilizalasherramientasdezoomy
desplazamiento sobre la imagen para comprobar si la clasificacin de esta
cubierta ha sido ms o menos precisa (nos sirve para comprobar si los
parmetrosdefinidosdurantelaclasificacinsepuedenquedarasoesmejor
cambiarlos).
UNIDADSIGCCHS:IntroduccinaltratamientodigitaldeimgenesconERDASImagine
161
Nombre
Class_1
Noclasificado
Class_2
Aguaprofunda
Class_3
Aguapocoprofunda
Class_4
Vegetacion1
Class_5
Vegetacion2
Class_6
Vegetacion3
Class_7
Vegetacion4
Class_8
Vegetacion5
Class_9
Cultivos1
Class_10
Cultivos2
UNIDADSIGCCHS:IntroduccinaltratamientodigitaldeimgenesconERDASImagine
162
23.Se despliegaunatablacondistintascampos.UnodeellossellamaNewValue.
EnelprimercampoValueconstaelcdigoresultadodelaclasificacinyenel
segundoconsignaremoselnuevovalor.EnestecampoNewValueescribiremos
el mismo valor para las categoras que queremos agrupar (ser un valor
consecutivo,del1hastael4).Puedesmodificarlosvaloresdelatablaclickando
directamentesobreelregistroamodificaryescribiendoseguidamenteelvalor
o,tambin,seleccionandounoovariosregistroseintroduciendoelnuevovalor
de codificacin en el combo etiquetado como New Value (hay que pulsar el
botnChangeSelectedRows).
UNIDADSIGCCHS:IntroduccinaltratamientodigitaldeimgenesconERDASImagine
163
24. Pulsa Apply cuando ests seguro de haber completado como quieres la
recodificacin de las categoras. Elresultado debe ser algo parecidoal que se
muestraenlaimagen.
25.Paragu ardarelresultadodelarecodificacinrellenaoutputfileenlacarpeta
de
resultados
con
un
nombre
alusivo,
por
ejemplo
(class_no_supervi_recodif.img).
26. Si quieres modificar los colores de la leyenda puedes hacerlo desde el men
Table/Colors,talycomohashechoantesenestaprctica.
UNIDADSIGCCHS:IntroduccinaltratamientodigitaldeimgenesconERDASImagine
164
Prctica8.2:Clasificacinsupervisada
Fasedeentrenamiento
Enelprocesodeclasificacinsupervisadaesnecesariocomenzarporasignarlasreas
de entrenamiento. Antes de nada es necesario tener claro cules son las clases que
queremos obtener. Para ello hemos preparado una leyenda basada en las clases del
CorineLandCover2000presentesenlazonadeestudio:
1.
2.
3.
4.
5.
6.
7.
Zonasartificiales:tejidourbano,zonasindustriales
Cultivosdesecano,mosaicodecultivos,viedos
Cultivosderegado
Vegetacin1:bosquesdefrondosas
Vegetacin2:bosquesdeconferas,mixtos,vegetacindispersa
Vegetacin3:zonasdematorral,vegetacinesclerfilaopraderas
Agua:lminasycursosdeagua
Desdeelvisor,conlaayudadelasherramientasparalacreacindeAOIyelSignature
Editor,vamosadigitalizarreasdeentrenamientoparacadaunadeestasclases.Para
elloabrimoslaimagenlandsat_nw_6bandas.imgenelvisorconunacombinacinde
bandas4,3,2.
Abrimos la herramienta para crear AOI desde el men ApplicationNew del visor
yeleditordefirmasdesdeRasterSupervisedSignatureEditor:
UNIDADSIGCCHS:CursoIntroduccinaltratamientodigitaldeimagenconERDASIMAGINE
165
ConlaherramientaPolygon
delmenDrawingiremosdigitalizandolasreasde
entrenamientoparaluegoaadirlasaleditordefirmasconlaherramientadeCreate
NewSignaturefromAOI
UNIDADSIGCCHS:CursoIntroduccinaltratamientodigitaldeimagenconERDASIMAGINE
166
Podemosdigitalizartantasreasparacadaclasecomoqueramosyluegoagruparlasen
una sola clase utilizando la herramienta Merge Selected Signatures
permiteunirlasfirmasquetengamosseleccionadasenunasola:
, que nos
Deestaformairemosrecolectandofirmasquerecojanlavariabilidaddecadaunade
las clases que queremos obtener. Una vez creada la firma general de cada clase
conviene borrar las anteriores antes de pasar a la siguiente clase, para no crear
confusin.
Como apoyo para la identificacin de las diferentes cubiertas puedes utilizar la tabla
quetienesacontinuacin:
readeentrenamiento
Clase
1Zonasartificiales
UNIDADSIGCCHS:CursoIntroduccinaltratamientodigitaldeimagenconERDASIMAGINE
167
readeentrenamiento
Clase
2Cultivosdesecano
3Cultivosderegado
4Vegetacin1
5Vegetacin2
UNIDADSIGCCHS:CursoIntroduccinaltratamientodigitaldeimagenconERDASIMAGINE
168
readeentrenamiento
Clase
6Vegetacin3
7Agua
UNIDADSIGCCHS:CursoIntroduccinaltratamientodigitaldeimagenconERDASIMAGINE
169
Una vez elegidos los colores podemos evaluar de varias maneras la adecuacin de
nuestras reas de entrenamiento. Para hacerlo de forma visual contamos con dos
herramientasbsicas;laedicindegrficosdemedias
ydehistogramasparacada
banda .Seleccionamoslasclasesquequeramosrevisarymostramoslosgrficosde
medias para ver si responden a las firmas espectrales que podemos esperar decada
cubiertayloshistogramasparavercuntosesolapan.Hacemoslapruebaconlasdos
clasesdecultivosylastresdevegetacin:
UNIDADSIGCCHS:CursoIntroduccinaltratamientodigitaldeimagenconERDASIMAGINE
170
Lasfirmasespectralesparecencorresponderseconloquepodamosesperardecada
cubierta,aunqueaprioriparecequepodramostenerproblemasenladiscriminacin
dealgunasclasescomosonelregadodelavegetacin1,defrondosasolostipos2y3
devegetacin.
Enloshistogramasvemoscmocadaclasesepodrdiscriminarmejorenlasbandas
en las que no se solape con otras. As la clase de vegetacin 1, que hemos
representado en verde clarito, slo se identifica claramente en el infrarrojo cercano,
confundindose con las otras clases de vegetacin en el resto de bandas. El
comportamiento claramente bimodal de la clase de vegetacin 3 puede resultar
indicativodelainclusindecubiertascondiferentecomportamientoespectralenuna
mismaclase.
Las conclusiones de este anlisis grfico de las reas de entrenamiento nos pueden
llevar a volver a tomar algunas clases especialmente o a descartar por completo la
leyenda propuesta por no ajustarse a las condiciones de la imagen y a las clases
espectrales presentes en ella. Los problemas identificados tambin nos permiten
proponer soluciones como pueda ser aplicar un descriptor textural a la hora de
diferenciarlaszonasderegadodelasdevegetacinfrondosa.
UNIDADSIGCCHS:CursoIntroduccinaltratamientodigitaldeimagenconERDASIMAGINE
171
Estonospermiteidentificarquclasesestnmsprximasespectralmenteypueden
crearconfusinalahoraderealizarlaclasificacin.
Unavezaceptadaslasreasdeentrenamientovamosaclasificarlaimagen.Antesde
esteltimopasoconvienerestablecerelordendelasclases,quesehavistoalteradoal
ircreandoreasdeentrenamientoyjuntndolas,paraevitarconfusionesconelvalor
de las celdas en la imagen clasificada. Desde el men Edit del Signature Editor
UNIDADSIGCCHS:CursoIntroduccinaltratamientodigitaldeimagenconERDASIMAGINE
172
elegimosValuesresetyOrderreset.VemoscmolascolumnasdeOrderyValues,
queantesseencontrabandesordenadas,sehanorganizadodeformacorrelativa:
CerramoselSignatureEditor.
DesdeelmenClassifierSupervisedClassificationaccedemosalcuadrodedilogo
para la fase de asignacin. Tenemos que especificar la imagen de entrada,
landsat_nw_6bandas.img y el archivo de firmas espectrales que acabamos de crear:
clases.img. La imagen de salida la guardamos en la carpeta de resultados con el
nombreclas_sup.img:
173
Y po
or ltimo, teenemos la opcin de generar un
na imagen de distanciia, es decirr, una
imaggen en la qu
ue el valor de cada pxel indica la
l distancia euclidiana al centro de
d su
claseedeperteneencia.
Una vez seleccionadas las opciones aceptamos
a
o de asignaacin.
y comienzaa el proceso
Cuan
ndofinalicevamosavisualizarelrresultadoenunvisorjuntoconlaaimagenorriginal
para controlareelresultado
o.Alabrirlaaimagen,q
quetendr dosbandass,seleccionamos
pcinDisplaayasPseud
doColordessdelapestaaadeRastteroptions,yelegimosque
laop
nosrrepresentelabanda1:
h
a Inquire cursor
c
podemoss examinar las zonass que
Utilizzando la herramienta
cono
ocemosdelaimagenparaevaluarrdeformavvisualelresultadodelaaclasificaci
n.
UNIDA
ADSIGCCHS:CursoIntroducciinaltratamien
ntodigitaldeim
magenconERD
DASIMAGINE
174
Prctica8.3:Matrizdeconfusin.
Prctica8.3.1
El objetivo de esta prctica es aplicar la matriz de confusin sobre la clasificacin
supervisadaparacomprobarsugradodefiabilidad.
1.AbreunViewerycargalaimagenclasificadamedianteelmtodosupervisado.
2. Desde el panel Raster abre la pestaa Supervised y selecciona la herramienta
AccuracyAssessment.
UNIDADSIGCCHS:IntroduccinaltratamientodigitaldeimgenesconERDASImagine
175
6. Para obtener el valor de clase para cada punto hay que ir al men Edit/Show
ClassValues.Muestraelvalorsobrelaimagenclasificada.
7.Debemoscompletarlatablaconelvalordereferenciaparacadapunto,esdecir,
el valor que tiene sobre nuestra realidad terreno (en este caso sobre el
CORINE). Este valor hay que introducirlo. En la carpeta de prcticas existe un
UNIDADSIGCCHS:IntroduccinaltratamientodigitaldeimgenesconERDASImagine
176
archivodeExcelllamadopuntos_valor_corineenelqueserecogeelvalorde
referencia(apareceenlaltimacolumna).Copiaypegalosdatosenelcampo
correspondientedelAccuracyAssessment.
8.Losdatoscorrectamenteinsertadossonlosqueaparecenenlasiguientecaptura
depantalla:
9.ParavisualizarlospuntosdemuestreosobrelaimagensobreelViewervamosal
men View/Show All. Aparecen en color amarillo para indicar que se ha
completado la tabla. Las opciones de visualizacin de la tabla se controlar
desdeelmenView/ChangeColors.
UNIDADSIGCCHS:IntroduccinaltratamientodigitaldeimgenesconERDASImagine
177
UNIDADSIGCCHS:IntroduccinaltratamientodigitaldeimgenesconERDASImagine
178
UNIDADSIGCCHS:IntroduccinaltratamientodigitaldeimgenesconERDASImagine
179
Como ves es un recorte de la escena landsat completa, de una zona en la que hay
nubes. La prctica va a consistir en crear una mscara de esas nubes. Para ello
contamos con el NDVI, que encontrars en la misma carpeta. Los pxeles con valores
cercanos a 0 en el NDVI se corresponden con las nubes. En este caso, si identificas los
valores de las nubes sobre el NDVI vers que oscilan ms o menos entre -0,07 y 0,01.
Vamos a trabajar desde el Knowledge Engineer, al que accedemos desde la pestaa
Raster Knowledge Engineer:
Esta herramienta nos permite realizar una clasificacin mediante la toma de decisiones
en rbol. Se basa en el manejo de tres elementos: hiptesis (hypothesis), reglas (rules)
y variables (variables).
Las variables son la informacin de entrada al modelo, en nuestro slo el NDVI, ya que
en funcin de sus valores vamos a decidir cules son nubes y cules no.
UNIDAD SIG-CCHS: Curso Introduccin al tratamiento digital de imagen con ERDAS IMAGINE
180
Las hiptesis sern el resultado final de las decisiones que vayamos especificando a lo
largo del proceso, es decir, las clases del nuevo documento temtico que vamos a
crear, y tambin los pasos intermedios. En nuestro caso slo necesitamos dos clases de
salida para crear una mscara: nubes y resto.
Por ltimo, las reglas son el conjunto de condiciones que unen, en una secuencia
lgica, las variables de entrada con las hiptesis de salida.
Comenzaremos por introducir todas las variables. Desde la zona inferior izquierda
hacemos clic en la pestaa Variables y a continuacin en la opcin Add new item to
list
. En la ventana que se abre tenemos que especificar el nombre que tendr la
variable (ndvi), el tipo de datos (raster), la imagen de origen (landsat_nubes_ndvi.img)
y la banda a usar, que ser la 1. Al pulsar el botn de Apply vemos cmo ya se ha
aadido una variable nueva:
Una vez introducidas las variables creamos las hiptesis haciendo clic en
y clic de
nuevo en el lienzo que ocupa la zona derecha de la ventana. Aparecer un rectngulo
con la nueva hiptesis, pinchando en el lienzo que ocupa la zona derecha de la
UNIDAD SIG-CCHS: Curso Introduccin al tratamiento digital de imagen con ERDAS IMAGINE
181
Las condiciones para asignar un pxel a la clase nubes ser que su valor de NDVI se
encuentre entre -0,07 y 0,01, como puedes ver en la imagen. Las condiciones que
establecemos dentro de una misma regla se unen mediante el operador lgico AND. Ya
que queremos que nuestra regla se cumpla en cualquier caso, le otorgamos el mayor
valor de confianza, 100.
Para la clase resto tendremos que especificar dos reglas distintas: una para los pxeles
con valor inferior a -0,07 y otra para los pxeles con valor superior a 0,01, puesto que si
estableciramos las dos condiciones sobre una misma regla quedaran unidas por el
operador AND y ningn pxel cumplira la regla:
UNIDAD SIG-CCHS: Curso Introduccin al tratamiento digital de imagen con ERDAS IMAGINE
182
UNIDAD SIG-CCHS: Curso Introduccin al tratamiento digital de imagen con ERDAS IMAGINE
183
Una vez terminado abre en ERDAS la imagen landsat original y la mscara para evaluar
el resultado. Aydate con la opcin Blend.
UNIDAD SIG-CCHS: Curso Introduccin al tratamiento digital de imagen con ERDAS IMAGINE
184
Explicacin
La clase ms probable para cada pxel asignada en el proceso de clasificacin
Clasificacion1
supervisada.
La segunda clase ms probable para cada pxel asignada en el proceso de
Clasificacion2
clasificacin supervisada.
El Corine2000 reclasificado segn las clases que hemos utilizado en la
Corine
clasificacin supervisada.
Las hiptesis sern el resultado final de las decisiones que vayamos especificando a lo
largo del proceso, es decir, las clases del nuevo documento temtico que vamos a
crear, y tambin los pasos intermedios. En nuestro caso vamos a seguir las 7 clases del
UNIDAD SIG-CCHS: Curso Introduccin al tratamiento digital de imagen con ERDAS IMAGINE
185
documento original, aadiendo una ms, que ser intermedia, llamada indefinido, en
la que agruparemos todos los pxeles clasificados como zonas artificiales que se
encuentren fuera de las zonas definidas por el Corine.
Por ltimo, las reglas son el conjunto de condiciones que unen, en una secuencia
lgica, las variables de entrada con las hiptesis de salida.
Comenzaremos por introducir todas las variables. Desde la zona inferior izquierda
hacemos clic en la pestaa Variables y a continuacin en la opcin Add new item to
list
. En la ventana que se abre tenemos que especificar el nombre que tendr la
variable (clasificacion1), el tipo de datos (raster), la imagen de origen (clas_sup.img) y
la banda a usar, que ser la 1. Al pulsar el botn de Apply vemos cmo ya se ha
aadido una variable nueva:
Una vez introducidas las variables creamos las hiptesis haciendo clic en
y clic de
nuevo en el lienzo que ocupa la zona derecha de la ventana. Aparecer un rectngulo
con la nueva hiptesis, pinchando en el lienzo que ocupa la zona derecha de la
ventana. Haciendo doble clic en el rectngulo podemos darle un nombre a la hiptesis,
especificar si queremos que se convierta en clase de salida y proporcionarle un color:
UNIDAD SIG-CCHS: Curso Introduccin al tratamiento digital de imagen con ERDAS IMAGINE
186
De esta manera vamos a crear las siete hiptesis que se corresponden con las clases de
salida. Una vez terminado vamos a crear la hiptesis que nos permitir reasignar las
zonas artificiales mal clasificadas, con el nombre de Indeterminado y especificando que
no queremos crear una clase de salida, para lo que deseleccionamos la opcin Create
an Output Class. Al final tenemos las siete clases ms Indeterminado:
La ltima parte consiste en implementar las reglas lgicas necesarias para reasignar los
pxeles mal clasificados. Lo primero es especificar qu pxeles forman el conjunto de
indeterminados y luego ir desglosando, una a una cules forman el resto de clases.
Seleccionando la herramienta Create rule
desplazamos el cursor hasta la hiptesis
que hemos denominado Indeterminado y hacemos clic. Aparecer un nuevo recuadro
enlazado con el anterior; pulsando dos veces en l podremos empezar a especificar las
condiciones que compondrn la regla:
UNIDAD SIG-CCHS: Curso Introduccin al tratamiento digital de imagen con ERDAS IMAGINE
187
En este cuadro de dilogo desglosamos las condiciones que se tienen que cumplir para
formar la clase de Indeterminado: en la variable clasificacion1 el valor ha de ser igual a
1 (zonas artificiales) y en el Corine distinto de 1 (zonas artificiales recuerda que el
Corine est reclasificado con la misma leyenda que hemos utilizado para la
clasificacin supervisada -). En el apartado Rule Confidence establecemos el mximo,
que es 100, ya que estamos creando reglas deterministas. Una vez apliquemos los
cambios y cerremos la ventana veremos como tanto la hiptesis como la regla han
cambiado de estar desactivadas a estar activadas, indicando las condiciones:
Del mismo modo vamos a especificar qu condiciones se tienen que cumplir para cada
hiptesis, que sern las siguientes (acordndonos siempre de establecer el nivel de
confianza en 100):
Hiptesis
1 Zonas artificiales
2 Cultivos de secano
3 Cultivos de regado
Regla
Clasificacion 1 = 1
Corine = 1
Indeterminado = TRUE
Clasificacion 2 = 2
Indeterminado = TRUE
UNIDAD SIG-CCHS: Curso Introduccin al tratamiento digital de imagen con ERDAS IMAGINE
188
Hiptesis
4 Vegetacion 1
5 Vegetacion 2
6 Vegetacion 3
7 - Agua
Regla
Clasificacion 2 = 3
Indeterminado = TRUE
Clasificacion 2 = 4
Indeterminado = TRUE
Clasificacion 2 = 5
Indeterminado = TRUE
Clasificacion 2 = 6
Indeterminado = TRUE
Clasificacion 2 = 7
De esta forma estamos estableciendo para cada una de las zonas artificiales que no se
correspondan con el Corine la clase de salida correspondiente en la segunda ms
probable de la clasificacin borrosa.
Pero tambin tenemos que especificar que todos los pxeles correctamente
clasificados en la clase ms probable vayan a parar a sus clases respectivas, para lo que
estableceremos una segunda regla para cada hiptesis con una nica condicin: que
tengan se valor en la variable clasificacion 1, es decir 2 para los cultivos de secano, 3
para los de regado, etc. Al final tenemos que conseguir este resultado:
UNIDAD SIG-CCHS: Curso Introduccin al tratamiento digital de imagen con ERDAS IMAGINE
189
UNIDAD SIG-CCHS: Curso Introduccin al tratamiento digital de imagen con ERDAS IMAGINE
190
UNIDAD SIG-CCHS: Curso Introduccin al tratamiento digital de imagen con ERDAS IMAGINE
191
Prctica9:Visualizacinen3D.
Prctica9.1
Elobjetivodeestaprcticaesrealizarunavisualizacinen3Dconlasherramientasde
ERDASIMAGINE.
DesdeelpanelprincipaldeERDASIMAGINE2010.
1. Creaunanuevavista3DmedianteNEW/3DVIEW.
2. VisualizalaimagenLandsatconlaquehasvenidotrabajandohastaahorayel
MDEobtenidodelosdatosASTER.Ambosestnenformatoimgenlacarpeta
Prctica9.
Despliega este cuadro de dilogo Scene Properties del men Scene en la
pestaa Scene modifica el factor de exageracin del relieve a 2.5 (activa la
funcin Exaggeration e incrementa su valor a 5), pulsa Apply y observa el
cambioproducido.
UNIDADSIGCCHS:IntroduccinaltratamientodigitaldeimgenesconERDASImagine
192
Simodificasestasposicionesarrastrndolasconelratnmientraslomantienes
pulsado,observarscmocambialavisualizacin3D.
5. Tambinvasacambiarelmododevisualizarelfondodelaimagen.EnScene
Properties cambia a la pestaa Background despliega la persiana y elige la
opcin Image, despus navega hasta la carpeta Practica9 y carga el archivo
sky.img.PulsaApplyparaqueelcambioseproduzca.
UNIDADSIGCCHS:IntroduccinaltratamientodigitaldeimgenesconERDASImagine
193
6.Cierraelcuadrode dilogo.
7.Con laherramientaPositionEditorsepuedenmodificarnuevosparmetrosque
controlenelefectodevisualizacin.BsicamentesonlascoordenadasXeYdel
puntodeobservacin,suelevacinsobreelterreno,suelevacinsobreelnivel
del mar, el FOV (controla el campo visual en la vertical, si es ms o menos
ancho;apareceenelperfildeayudacomodoslneasamarillas),elpitchesla
bisectriz del FOV y seala el ngulo de la lnea visual (un valor 0 seala la
posicinhorizontal,unvalorpositivoimplicaunaelevacindelaobservaciny
unvalornegativounacada;arrastraconllaposicindelFOV;enelperfilde
ayudasecorrespondeconlalnearoja),elnguloacimutaldeobservacinyel
roll que permite inclinar la observacin. Si clicas el auto apply se visualizaran
automticamente.
8.Puedesconfigurar
lageometradeiluminacin.Paraelloutilizalaherramienta
SunPositiondelapestaaSceneyelmenView.
Elpuntonegrosobrelascircunferenciasconcntricasrepresentalaposicindelsol(el
centrodelascircunferenciasrepresentaraelcenit)
9. Se puedealmacenarcada posicin
quedefinamosconsusparmetrosdesdeel
menScene/Navigation/PositionRecorder.
UNIDADSIGCCHS:IntroduccinaltratamientodigitaldeimgenesconERDASImagine
194
Apareceunatabla,losregistrosserancadaunadelasposicionesyencolumnas
aparecenlosparmetrosdevisualizacindecadauna.
ParaalmacenarnuestraposicinutilizalaherramientaAddPosition.
12.Salva tuficherodeposicinconlaopcinSavedesdeelPositionsEditor.
UNIDADSIGCCHS:IntroduccinaltratamientodigitaldeimgenesconERDASImagine
195
13.Se puedealmacenarcadaposicindevisualizacincomounafotografa.Para
ello se recurre al men Application Menu/Save As/View as Image
ysealmacenacomounaimagen.
14.Puedesabrir laimagenresultanteenunnuevoViewer.
Prctica9.2
Parafinalizarvamosaaprenderarealizarunasimulacindeunvueloen3D.
1.
AbrimoselFlightPathEditorparadefinireltrazadodelvuelo.
2.Desde elmenUtilityseleccionamosFlyPathEditorparadefinireltrazadodel
vuelo.Sedefineenlavista2D.
3.Parafinalizar eltrazadopulsadosveceselbotnizquierdodelratn.Desdeel
FlightPathEditorpulsalaherramienta.ApplychangestoFlightpath
4.Pulsa
elbotnStartFlightyobservaelvisor.
UNIDADSIGCCHS:IntroduccinaltratamientodigitaldeimgenesconERDASImagine
196
RECURSOS DE TELEDETECCIN
MANUALES DE TELEDETECCIN:
Barret, E. C. y L. F. Curtis (1999): Introduction to Environmental Remote Sensing,
Cheltenham, Stanley Thornes Publishers Ltd.
Chuvieco, E. (2002): Teledeteccin Ambiental, Barcelona, Ariel.
Gibson, P. y C. H. Power (2000a): Introductory Remote Sensing: Principles and
Concepts, London, Routledge.
Gibson, P. y C. H. Power (2000b): Introductory Remote Sensing: Digital Image
Processing and Applications, London, Routledge.
Jensen, J. R. (2000): Remote Sensing of the Environment. An Earth Resource
Perspective, Upper Saddle River N.J., Prentice-Hall.
Lillesand, T. M. y R. W. Kiefer (2000): Remote Sensing and Image Interpretation, New
York, John Wiley and Sons.
Mather, P. M. (1998): Computer Processing of Remotely Sensed Images, Chichester,
John Wiley & Sons.
Pinilla, C. (1995): Elementos de Teledeteccin Espacial, Madrid, RA-MA.
Richards, J. A. y X. Xia (1999): Remote Sensing Digital Image Analysis. An Introduction,
Berlin, Springer-Verlag.
Short, N. M. (2001): The Remote Sensing Tutorial (An Online Handbook). Applied
Information Sciences Branch. NASA's Goddard Space Flight Center
(http://rst.gsfc.nasa.gov). (se baja gratuitamente de internet)
Sobrino, J. A. (Ed.) (2000): Teledeteccin, Valencia, Servicio de Publicaciones,
Universidad de Valencia.
REVISTAS ESPECIALIZADAS
Canadian Journal of Remote Sensing, Canadian Aeronautics and Space Institute (CASI),
130 Slater Street, Suite 818, Ottawa, Ontario K1P 6E2, Canada.
http://www.callisto.si.usherb.ca/~cartel/cjrs.
UNIDAD SIG-CCHS: Curso Introduccin al tratamiento digital de imagen con ERDAS IMAGINE
197
UNIDAD SIG-CCHS: Curso Introduccin al tratamiento digital de imagen con ERDAS IMAGINE
198
Road,
Longmont,
Colorado
80501,
USA.
con
datos
AVHRR,
MODIS,
SeaWIFS).
UNIDAD SIG-CCHS: Curso Introduccin al tratamiento digital de imagen con ERDAS IMAGINE
199