CORRECCIN DE IMGENES SATELITALES LANDSAT EMPLEANDO

HERRAMIENTAS DEL SOFTWARE ERDAS IMAGINE 2014.

Presentado por:

MIGUEL FERNANDO PINILLA TORRES

JOS FELIPE CASTRO RODRGUEZ

UNIVERSIDAD PEDAGOGICA Y TECNOLOGICA DE COLOMBIA

SEDE SECCIONAL TUNJA
FACULTAD DE INGENIERIA
MAESTRA EN GEOTECNIA
REA DE SENSORES REMOTOS
TUNJA, BOYAC
2015

CORRECCIN DE IMGENES SATELITALES LANDSAT EMPLEANDO

HERRAMIENTAS DEL SOFTWARE ERDAS IMAGINE 2014.

Presentado por:

MIGUEL FERNANDO PINILLA TORRES

JOS FELIPE CASTRO RODRGUEZ

Presentado a:
IC MSC DIANA CATALINA MUOZ

UNIVERSIDAD PEDAGOGICA Y TECNOLOGICA DE COLOMBIA

SEDE SECCIONAL TUNJA
FACULTAD DE INGENIERIA
MAESTRA EN GEOTECNIA
REA DE SENSORES REMOTOS
TUNJA, BOYAC
2015

INTRODUCCIN

La disponibilidad comercial en los ltimos aos de imgenes de satlite de alta resolucin

constituye una inestimable fuente de informacin que puede ser usada en diversos campos
de las ciencias. La deteccin de cambios a partir de una secuencia multitemporal de
imgenes de satlite es unas de las aplicaciones ms importantes en teledeteccin. Como es
bien sabido, este proceso requiere de una adecuada correccin radiomtrica y geomtrica de
las imgenes, de manera que los cambios detectados slo sean atribuibles a verdaderas
modificaciones del paisaje.
En este tema trabajo se emplean diversos mtodos numricos empleados para la correccin
de errores comunes en imgenes satelitales. Se hace nfasis en el uso de mtodos de
correcciones radiomtricas y el mejoramiento espectral con el fin de obtener imgenes con
mayores ndices de calidad que permitan un excelente anlisis de las coberturas.

OBJETIVOS
Objetivo General
Emplear imgenes satelitales Landsat y realizar las correcciones radiomtricas y
espectrales para cada caso.
Objetivos Especficos
Emplear informacin estadstica de las imgenes para calcular el factor OIF.
Determinar la mejor composicin de bandas espectrales de la imagen de acuerdo al
parmetro OIF.
Establecer los niveles digitales de diferenciacin de vegetacin para el caso de una
imagen de estudio.

GENERALIDADES
Una imagen de satlite est sometido a una serie de interferencias que hacen que la informacin que
quiere obtenerse aparezca perturbada por una serie de errores.
_ Fallos en los sensores, generan pixeles incorrectos (correccin radiomtrica)
_ Alteraciones en el movimiento del satlite y el mecanismo de captacin de los sensores, generan
distorsiones en la imagen global (correccin geomtrica)
_ Interferencia de la atmsfera, alteran de forma sistemtica los valores de los pixeles (correccin
atmosfrica).

EJERCICIO 1. ANLISIS ESTADSTICO DE IMGENES LANDSAT.

Este trabajo de correccin de imgenes satelitales se bas en una imagen Landsat que
corresponde geogrficamente a la regin centro occidental de Colombia, en esta imagen se
puede apreciar hacia el Norte el Volcn Nevado del Ruiz que hace parte de la cordillera
central colombiana. Hacia el sur se puede notar una gran operacin minera llevada a cabo
en esta regin. (Vase figura 1.1)
Figura 1.1. Imagen de estudio.

Para efectos de este ejercicio se realizaron algunas combinaciones de bandas espectrales de

la imagen de estudio con el fin de observar cual combinacin permite una mejor
discriminacin de coberturas mediante una clasificacin visual.
Figura 1.2. Combinaciones de bandas (321_Color Natural) Superior izquierda, (432_Falso
Color Natural) Superior derecha, (543_TM Falso color Natural) Inferior izquierda y
(742_Pseudo color) Inferior derecha.

De estas imgenes se puede decir que la imagen que permite una mejor discriminacin de
las coberturas es la combinacin de bandas 742, se puede apreciar en tonos de color verde
la vegetacin de la regin, en tonos color lavanda y rosa el suelo descubierto
Mediante el uso de la informacin estadstica de cada banda de la imagen se procede a
calcular el ndice de Factor ptimo (OIF). Para esto es necesario hacer uso de la
herramienta Metadata para conocer los valores de mnimos y mximos del histograma de
frecuencia, as como la media y la desviacin estndar. En la figura 1.3 se puede observar
la ventana de metadatos desplegada para la banda 1 con su respectivo histograma.

Figura 1.3. Despliegue de la informacin estadstica individual de bandas espectrales.

La informacin estadstica que contiene cada banda de la imagen de estudio se encuentra

resumida en la tabla 1.1.
Tabla 1.1. Informacin estadstica de la imagen Landsat.
BANDAS
B1
B2

Media
65.426
30.517

Desv. Estndar
14.711
8.931

Mnimo
1
1

Mximo
255
255

B3
B4
B5

32.065
68.214
84.993

14.721
14.997
34.197

1
1
1

255
255
255

12.358
19.492

1
1

239
255

B6
143.644
B7
35.266
Fuente. Datos de estudio.

El uso de esta informacin es necesario para realizar el clculo del factor ptimo de la
imagen. A continuacin se emplea una ecuacin matemtica con el fin de determinar el
OIF.

OIF=

Ecuacin (1)

Para el clculo del coeficiente de correlacin es necesario emplear la funcin Model Maker
de la herramienta Toolbox. Hecho esto se obtiene el modelo que se puede apreciar en la
figura 1.4.
Figura 1.4. Clculo de coeficiente de correlacin.

El uso de este modelo genera una matriz de valores para la imagen de estudio que se
pueden apreciar en la tabla 1.2.

Tabla 1.2. Matriz de correlacin

BANDAS

0.96

0.93

0.24

0.82

0.64

0.84

0.96

0.96

0.29

0.87

0.64

0.88

0.93

0.96

0.20

0.90

0.66

0.93

0.24

0.29

0.20

0.30

0.26

0.15

0.82

0.87

0.90

0.30

0.71

0.96

0.64

0.64

0.66

0.26

0.71

0.66

0.84
0.88
7
Fuente. Datos de estudio

0.93

0.15

0.96

0.66

Una vez obtenidos estos valores numricos para cada banda se procede a calcular el OIF
mediante la ecuacin 1. Los valores que se obtuvieron se encuentra resumidos en la tabla
1.3., para efectos de este ejercicio se emplearon combinaciones de bandas conocidas por
nosotros para determinar cul de todas es la mejor combinacin a tener en cuenta en
anlisis de clasificacin usando el criterio OIF.
Tabla 1.3. Factor del ndice Optimo OIF
N

RGB

321

Suma de
desviaciones
Estndar
38.363

432

3
4

Suma Coef.
Correlacin

OIF

Combinacin

2.85

13.46

38.649

1.45

26.25

453

63.913

1.9

33.63

742

49.21

1.32

37.28

TM TRUE COLOR
TM FALSE COLOR
IR
TM FALSE
NATURAL COLOR
TM PSEUDO
COLOR

Fuente. Datos de estudio

Segn el valor del Factor de ndice Optimo la mejor combinacin de bandas para
discriminacin de coberturas para esta imagen analizada es la combinacin 742 TM
PSEUDO COLOR con el valor de OIF ms elevado, de 37.28.
Con respecto al ejercicio anterior mediante clasificacin visual se estim que la mejor
combinacin de bandas para discriminar algunas de las coberturas terrestres ms
caractersticas era una combinacin 742. En la figura 1.5 se puede observar esta
combinacin de bandas.

Figura 1.5. Combinacin 742 (Pseudo Color).

EJERCICIO 2. AGRUPACIN DE NIVELES DIGITALES

DENSITY SLICING
Density slicing es una forma de clasificacin un banda, basada en agrupacin de los rangos
de Niveles Digitales (ND) a las clases temticas que estas representan.
Empleando las herramientas que ofrece Erdas se gener un mapa de los atributos de la
imagen que corresponden a los Niveles Digitales que representan las clases temticas de la
misma. Aqu se pueden apreciar en tonos de Amarillo y rojo zonas de vegetacin y en
tonos magenta lo correspondiente a suelo descubierto y urbano. En la figura 2.1 se puede
apreciar la agrupacin estndar que realiza el programa Erdas para los niveles digitales, y

en la figura 2.1 la asignacin manual de acuerdo a una clasificacin visual de las

coberturas.

Figura 2.1. Agrupacion estandar de niveles digitales segn Erdas Imagine 2014.

Figura 2.2. Asignacin de colores a coberturas caractersticas mediante clasificacin

visual.

De acuerdo a la clasificacin visual, se asignaron los siguientes rangos de niveles para las
coberturas estudiadas. Los resultados se pueden apreciar en la tabla 2.1.
Tabla 2.1. Rangos de Niveles Digitales
COBERTURA
VEGETACIN
URBANO-SUELO
AGUA

RANGO DE NIVELES
DIGITALES
67 254
35 - 66
2 -34

COLOR
AMARILLO
MAGENTA
AZUL

Fuente. Datos de estudio.

EJERCICIO 3. REALCES Y MEJORAMIENTOS

3.1. AJUSTE DE CONTRASTES.
El procedimiento de ajuste de contraste permite realzar el brillo o el contraste con el que
apreciamos una imagen. Esto genera un realce en los colores lo cual se aprecia en una
mejor identificacin de coberturas. En la figura 3.1 se puede observar un realce de
contrastes para la imagen estudiada en una combinacin de bandas 432.

Figura 3.1 Ajuste de contrastes en la imagen estudiada.

La imagen de la izquierda corresponde a la imagen ajustada por contraste, la imagen de la

derecha es la imagen con una configuracin por defecto en combinacin 432.

3.2. CONTRASTES GENERALES.

Haciendo uso de la herramienta Multiespectral y de la opcin Ajuste radiomtrico se
obtienen los siguientes resultados aplicando diversos mtodos para la imagen Landsat
estudiada.
Figura 3.2. Ajuste radiomtrico.

Figura 3.2. Ajuste Radiometrico_ Mtodo histograma ecualizacin.

Figura 3.4. Ajuste Radiomtrico _ Mtodo Gaussian.

Figura 3.5. Ajuste Radiomtrico _ Mtodo Dynamic Range Adjust.

Figura 3.6. Ajuste Radiomtrico _ Mtodo Invert

Figura 3.7. Ajuste Radiomtrico _ Mtodo Gamma.

Los ajustes radiomtricos por diferentes mtodos generan sobre la imagen cambios de color
en las coberturas terrestres. Cada mtodo imprime sobre la imagen cambios de contraste y
aumento de brillo, se puede apreciar que la aplicacin de estos mtodos aumenta o
disminuye una buena apreciacin de las coberturas y pueden ser un soporte a implementar
para clasificar visualmente.
3.3. MEJORAMIENTO ESPACIAL.
Jensen (1986) define la frecuencia espacial como el nmero de cambios de valores de
brillo por unidad de distancia de una porcin de la imagen.
ERDAS incluye los filtros para disminuir la frecuencia filtros de Paso Bajo; y para
aumentar la frecuencia o resaltar los bordes- filtros de Paso Alto. Tambin existe la opcin
de filtros direccionales, que resaltan las caractersticas lineales de las imgenes.

Figura 3.8. Ventana CONVOLVE para eleccin de Filtros.

Figura 3.9. Comparacin de imagen en combinacin 432 (sin filtro) vs imagen en

combinacin 432 (con flitro: 3x3 Summary)

Figura 3.10. Comparacin de imagen en combinacin 432 (sin filtro) vs imagen en

combinacin 432 (con filtro: 5x5 High Pass).

Analizando las imgenes se establece que:

Imagen con filtro 3x3 Summary (Figura 3.9): Este filtro genera en la imagen una
disminucin del brillo y de contraste pero analizando una cobertura detalladamente (mas
cerca) ofrece una mayor definicin de las formas analizadas.

Imagen con filtro 5x5 High Pass (Figura 3.10): Este filtro agrupa los ND de las coberturas
se puede apreciar que el Circo del volcn (Cono glaciar) se encuentra mas definido en sus
bordes y no tan disperso como en la imagen sin filtro, esto mismo se puede apreciar para la
cobertura vegetal.

3.4. MEJORAMIENTO ESPECTRAL.

INDICE DE VEGETACIN
Recomendado para realzar las reas con mayor vigor vegetal y para reducir el efecto de las
sombras originado por el relieve.
ndice de vegetacin de diferencia normalizado (NDVI) es ms utilizado para la
discriminacin de cubiertas vegetales y la actividad fotosinttica de las plantas. Su clculo
se basa en la comparacin de la cantidad de luz reflejada en el visible rojo y el infrarrojo
cercano para una zona en particular de estudio.

Ecuacin (2)

Donde:
BIRC = Banda del Infrarrojo cercano.
BR = Banda del Visible Rojo.

Los valores del NDVI son valores numricos reales, que van desde -1 a +1, donde la
vegetacin est presente en el rango de 0.1 (menor vigor vegetal) hasta 1.0 (mayor vigor
vegetal), los valores menores de este rango representa ausencia de vegetacin.

Se genera el NVDI de la imagen el algoritmo empleado es:

NVDI = (NIR-RED) / (NIR+RED)
Este proceso junto con el algoritmo se puede apreciar en la figura 3.11.

Figura 3.11. Clculo del ndice de Vegetacin de diferencia Normalizada (NVDI).

Figura 3.12. Imagen de estudio aplicando el ndice de Vegetacin Normalizada (NVDI).

Se genera el TNVDI de la imagen el algoritmo empleado es:

TNVDI = SQRT [(NIR-RED) / (NIR+RED)+5]
Este proceso junto con el algoritmo se puede apreciar en la figura 3.13.

Figura 3.13. Clculo del ndice de Vegetacin de diferencia Normalizado Transformado

(TNVDI).

Figura 3.14. Imagen de estudio aplicando TNVDI.

Figura 3.15. Imagen NVDI (izquierda) vs Imagen TNVDI (derecha)

Para los dos casos es difcil percibir cambios significativos de una a la otra. Realizando un
anlisis de clasificacin visual se puede decir que los tonos rojos y amarillos corresponden
a una cobertura vegetal, en tonos magenta se presentan los suelos descubiertos. Los ndices
de vegetacin como los calculados y empleados en la imagen anterior, son de vital
importancia para facilitar el anlisis visual en la clasificacin de coberturas, estos generan
un realce en las reas con mayor vigor de vegetacin, y al igual ayudan a reducir el efecto
de sombra causado por la topografa.

CONCLUSIONES

Los filtros son herramientas que nos permiten realizar ajustes a las imgenes satelitales con
el fin de determinar cul es la mejor opcin cuando deseamos realizar clasificaciones
visuales de coberturas, por lo general los filtros aumentan o disminuyen caractersticas en la
imagen.
La informacin estadstica contenida en las imgenes satelitales es una fuente de aporte
pues nos permiten determinar la mejor combinacin de bandas mediante el IOF con el fin
de realizar una mejor clasificacin en base a una mejor discriminacin de coberturas
terrestres.
Los ndices de Vegetacin Normalizada (NVDI) y Transformada (TNVDI), mediante sus
algoritmos distinguir la cobertura vegetal, en las imgenes analizadas se pueden observar
un rango de colores desde el rojo, amarillo y verde lo cual puede ser un indicio de cuan
vigorosa se encuentra la vegetacin segn la escala de colores o qu tipo de vegetacin est
siendo analizada.

REFERENCIAS

Diapositivas asignatura Sensores Remotos, Correccin de imgenes, IC MSc Diana

Catalina Muoz.

Mor, G. & Pons, X. Correccin radiomtrica automtica de imgenes Landsat TM

mediante reas pseudoinvariantes y modelizacin MODTRAN. Espaa: Departamento
de Geografa. Universidad Autnoma de Barcelona.

www.usgs.gov/imagery