Unidad 5

Realces de imgenes
Correcciones radiomtricas
1. Realces de contraste
2. Filtros especiales
3. Anlisis de componentes principales
4. ndice de vegetacin
1. Realces de contraste
La optimizacin (enhancement) de imgenes es
un conjunto de procedimientos que se utilizan
para lograr que la imagen original sea ms
fcilmente interpretable para una aplicacin en fcilmente interpretable para una aplicacin en
particular.
En esta seccin, trataremos las tcnicas de
realce ms empleadas, que mejoran
notablemente el impacto visual de los datos
originales.
Realces radiomtricos
Las tcnicas de mejoramiento de imgenes pueden clasificarse
de diferentes maneras. La optimizacin (realce) del
contrataste, tambin llamado mejoramientos globales
transforman los datos originales usando las estadsticas
calculadas para toda la imagen.
Ejemplos de ellas tenemos: expansin (stretching) lineal del contraste, Ejemplos de ellas tenemos: expansin (stretching) lineal del contraste,
ecualizacin del histograma y expansin (stretching) parcial del contraste.
Contrario a lo anterior, los mejoramientos locales o espaciales
consideran solo las condiciones locales, las cuales pueden
variar considerablemente sobre una imagen.
Ejemplos de este tipo son: suavizados (smoothing) y agudizacin
(sharpening) de rasgos en las imgenes.
Optimizacin del contraste
(Contrast enhancement)
La sensibilidad de los sensores de un satlite ha sido
diseada de tal forma que se registren las
caractersticas de brillo en un determinado rango de
acuerdo con las condiciones de iluminacin. acuerdo con las condiciones de iluminacin.
Pocas escenas muestran el empleo de la totalidad
del rango disponible de luminosidad de los
detectores.
La meta del mejoramiento de contraste es facilitar
la interpretacin visual de una imagen, por
incremento de la distincin aparente entre las
caractersticas de una escena.
Realces radiomtricos
El mejoramiento de contraste tambin se emplea para
reducir el efecto de bruma (haze) en la imagen. La luz
dispersada en la atmsfera que llega directamente al
sensor, sin haber interactuado con los objetos de la
superficie terrestre, genera el llamado efecto de bruma
(haze o path radiance).
superficie terrestre, genera el llamado efecto de bruma
(haze o path radiance).
El efecto de bruma hace aparecer los DN con un mayor
valor y este efecto aditivo es el que hace la imagen
aparezca con un bajo contraste. Este efecto es
diferente para cada rango espectral, ms alto en el azul
y ms bajo en el rango del infrarrojo del espectro
electromagntico.
Realces radiomtricos
Las tcnicas ms empleadas para mejorar el contraste son: la de
linear stretching y la de histogram equalization. Para mejorar
rangos de datos especficos que representen ciertos tipos de
cobertura se aplica la tcnica denominada piece-wise linear
stretching, que permite mejorar el contraste localmente. stretching, que permite mejorar el contraste localmente.
El monitor de una computadora en el que se visualiza una imagen de satlite
es capaz de desplegar hasta 256 niveles de gris (0-255), los cuales se
corresponden con la mayora de las imgenes de satlite, que tienen DN
tambin variando en el rango de 0 a 255. Producir una imagen con un
contraste optimo es importante para utilizar la totalidad del rango de
luminosidad disponible (de negro o blanco pasando por los tonos de gris) del
dispositivo de despliegue.
Realces radiomtricos
El realce: linear stretching es l ms sencillo de los
mejoramientos de contraste, un valor de DN bajo el histograma
(m) se asigna al extremo negro y un valor alto (M) se asigna al
extremo blanco. El resto de los valores de los pxeles se
distribuye linealmente entre estos dos extremos. Una desventaja
del linear stretching es que asigna los mismos niveles de
distribuye linealmente entre estos dos extremos. Una desventaja
del linear stretching es que asigna los mismos niveles de
visualizacin (NV) tanto a valores de DN que ocurren pocas veces
como a los que ocurren con mayor frecuencia. Aunque el linear
stretchingdel contraste aplica al intervalo (m, M) sobre el de
(0.255) en la mayor parte de los casos se produce una imagen
con poco brillo. Aunque todas las tonalidades de gris del
despliegue son utilizadas, la mayor parte de los pxeles son
desplegados en grises medios.
Realces radiomtricos
Esto se debe a la distribucin mas o menos normal dentro de los
valores mnimo y mximo del histograma. Por esta razn es muy
comn cortar los valores extremos de la distribucin en las
partes inferior y superior (usualmente un 1%). partes inferior y superior (usualmente un 1%).
La tcnica de ecualizacin del histograma es un mejoramiento
que aplica una tcnica no-lineal. En este mtodo los valores de
los DN se distribuyen con base en su frecuencia. Diferentes
tonos de gris son asignados a los valores de DN que ocurren con
mayor frecuencia en el histograma.
Realces radiomtricos
Figura 1: principios de la tcnica de optimizacin del contraste
Realces radiomtricos
La figura 1 muestra el principio usado en las tcnicas
mejoramiento del contraste.
Se asume un dispositivo de salida capaz de desplegar 256
niveles de gris. El histograma muestra DNs en el rango de
58 a 158. Si estos valores de la imagen se desplegarn 58 a 158. Si estos valores de la imagen se desplegarn
directamente, solo una pequea porcin del total
disponible se usara. Los niveles de despliegue de 0 a 57 y
de 159 a 255 no se estn utilizando. Usando una expansin
lineal (linear stretching), el rango de la imagen (58 a 158) se
extender a la totalidad del rango se despliegue (0 a 255).
En el caso del linear stretching, la mayora de los datos
(entre 108 y158) son confinados dentro de la mitad de los
valores desplegados.
Realces radiomtricos
Figura 2: principios de la tcnica de optimizacin del contraste
Realces radiomtricos
En la figura 2 muestra la tcnica histogram
equalization el rango de valores de la imagen entre
109 y 158 se extiende sobre una gran porcin de los
niveles de despliegue (39 a 255).Una pequea porcin niveles de despliegue (39 a 255).Una pequea porcin
(0 a 38) se reserva para los valores menos numerosos
de la imagen entre 58 y 108.
La eficacia depende de la distribucin que presenten
los datos originales (p.e. no hay efecto para una
distribucin uniforme) y de los valores que tengan los
rasgos de inters. En la mayora de los casos este es un
mtodo efectivo para imgenes con tonalidades grises.
Histogram Equalization
Histogram Equalization
2. Filtros especiales
Optimizacin espacial (Spatial enhancement)
El objetivo es entender el concepto de mejoramiento espacial
usando filtros y estar en capacidad de aplicar diferentes tipos de usando filtros y estar en capacidad de aplicar diferentes tipos de
filtros.
Los procedimientos para la optimizacin espacial modifican el valor
de un pxel basndose en los valores de los pxeles que son sus
vecinos inmediatos. (local enhancement, mejoramiento local).
Los filtros se usan comnmente para:
1) Corregir y restaurar imgenes afectadas por el mal
funcionamiento del sistema.
2) Mejorar las imgenes para su interpretacin visual.
3) Extractar rasgos particulares.
Como todos los procedimientos de optimizacin de imgenes
el objetivo es crear nuevas imgenes a partir de los datos de la
imagen original, de tal manera que se incremente la cantidad
de informacin que pueda ser visualmente interpretada.
Frecuentemente llamados spatial filters (filtros espaciales)
pueden resaltar o suprimir datos de la imagen que presentan
frecuencias espaciales especficas.
La frecuencia espacial se refiere a la forma en que ocurre la
variacin de los valores DNs a travs de una imagen.
Filtros de frecuencia espacial
(Spatial frequency filters)
Las reas de la imagen en las que, en una zona relativamente
pequea, se observa un cambio brusco, no gradual en los
valores de los DN (digital numbers) se dice que presentan una
alta frecuencia espacial
(ejemplo: a lo largo de las carreteras, lmites de parcelas,
limites de cuerpos de agua).
En el caso contrario, en que los valores de los DN cambian
de manera gradual con respecto a los valores de los pxeles
aledaos, se dice que estas reas presentan una baja
frecuencia espacial, poco contraste
(ejemplo: interior de campos agrcolas homogneos,
Filtros de frecuencia espacial
(Spatial frequency filters)
(ejemplo: interior de campos agrcolas homogneos,
interior de los cuerpos de agua).
Los filtros de frecuencia baja o low pass filters son
diseados para resaltar rasgos con frecuencias bajas y
suprimir, los componentes de frecuencias altas de una
imagen, los filtros de frecuencia alta o high pass filters
hacen justamente lo contrario.
Filtros de frecuencia baja (Low pass filters):
La aplicacin de un filtro de frecuencia baja tiene el efecto de
eliminar frecuencias altas y medias dando como resultado una
imagen que tiene un menor contraste, una apariencia ms
suave.
Es por esto que este proceso es tambin denominado
suavizacin de imgenes (image smoothing) y al filtro de suavizacin de imgenes (image smoothing) y al filtro de
frecuencia baja se le llama filtro de suavizado o de
homogeneizacin (smoothing filter). Es muy fcil suavizar una
imagen.
El problema bsico reside en que al hacerlo no se pierdan
rasgos de inters. Por esta razn, el mayor nfasis a tener en
cuenta en la aplicacin de filtros de baja frecuencia es la
preservacin de los bordes (lmites entre objetos).
Filtros de frecuencia alta (High pass filte):
En algunas ocasiones cambios abruptos desde un rea con DN de
valores uniformes hacia otra con DN diferentes puede ser
observada. Lmites de este tipo son conocidos como aristas o
bordes agudos (edges).
Ellos ocupan un rea pequea y son por lo tanto rasgos de alta
frecuencia (high frequency features). Filtros de frecuencia alta frecuencia (high frequency features). Filtros de frecuencia alta
(High pass filters) estn diseados para resaltar frecuencias alta y
para suprimir frecuencias bajas. La aplicacin de un filtro de alta
frecuencia tiene el efecto de resaltar limites, bordes agudos entre
objetos.
Es por esto que los filtros de alta frecuencia son tambin
llamados filtros de optimizacin de bordes (edge enhancement
filter).
Se distinguen dos clases de filtros high pass filtros de
gradiente o direccionales y filtros laplacianos o no-
direccionales.
Filtros de gradiente o direccionales
Los filtros de gradiente: son filtros direccionales y se emplean para
mejoramientos especficos de tendencias lineales. mejoramientos especficos de tendencias lineales.
Se disean de tal manera que resaltan los objetos lineales o bordes
orientados en una cierta direccin (ejemplo. horizontal, vertical o
diagonal). En su forma ms simple, los filtros calculan la diferencia
que existe el DN de un pxel y la de sus vecinos.
Matemticamente pueden verse como el resultado de tomar la
primera derivada (de ah el termino Gradiente).
Los filtros Laplacianos: no son direccionales porque
ellos resaltan rasgos lineales sin importar la direccin
que tengan en la imagen. Estos filtros no consideran
Filtros laplacianos o no-direccionales.
que tengan en la imagen. Estos filtros no consideran
el gradiente mismo, sino los cambios del gradiente.
En su forma ms simple, pueden verse como el
resultado de tomar la segunda derivada.
Usualmente un filtro es un arreglo 3 x 3 (3 columnas y 3 filas,
algunas veces denominado Kernel) de coeficientes o factores
multiplicadores (weighting factors-factores de ponderacin).
Tambin es posible usar arreglos de matrices de 5 x 5, 7 x 7 o de
mayor orden. El filtro puede considerarse como una ventana que
se mueve a travs de una imagen y tiene en cuenta todos los se mueve a travs de una imagen y tiene en cuenta todos los
valores de los DN que estn dentro de la ventana.
Cada valor de pxel es multiplicado por el coeficiente
correspondiente del filtro. Los 9 valores resultantes se suman y el
valor final se divide por la suma de los coeficientes del filtro y este
nuevo valor reemplaza el valor original del pxel central.
Esta operacin es llamada
convolucin(convolution).
Convolucin (convolution) de una imagen
empleando un kernel 3x3.
Convolucin, usando un filtro de 3*3 todos los coeficientes son igual a 1/9
En definitiva, se trata de multiplicar dos matrices
(una ventana matriz1- que va recorriendo toda
la imagen digital matriz2-). la imagen digital matriz2-).
Resumen
Filtro de paso bajo
Se emplean para eliminar "ruidos".
"Suavizan" la imagen (disminuye el contraste). "Suavizan" la imagen (disminuye el contraste).
Este tratamiento implica una prdida de informacin
de alta frecuencia.
Un filtro muy empleado es el filtro de media (media
aritmtica), siendo la matriz filtro del tipo:
Realce geomtrico. Filtro de paso bajo. Landsat TM.
Filtro de mediana
Se suelen emplear para eliminar ruido aleatorio.
El diseo de este "filtro" consiste en escoger el pxel central de
los valores de la ventana (mediana). los valores de la ventana (mediana).
En este proceso se puede perder bastante informacin.
Un filtro que emplea este criterio es el filtro de Tukey.
Suele ser poco sensible a los valores extremos.
Filtro de la moda
Suavizan los resultados de una clasificacin o
agrupamiento de pixeles. agrupamiento de pixeles.
El operador consiste en escoger el valor ms frecuente
de la ventana (matriz filtro).
Filtro de paso alto
Es el ms empleado para detectar bordes.
Es un filtro direccionable.
Ejemplo de este tipo, segn la direccin del
borde a detectar sera:
Laplacianos
Son filtros de deteccin de bordes en todas direcciones.
Son complejos y de difcil implementacin en un sistema. Son complejos y de difcil implementacin en un sistema.
(Se resuelven mas fcilmente mediante la Transformada de
Fourier).
Como la funcin es discreta (en niveles de grises) el filtro
Laplaciano sera del tipo:
El filtrado direccional ms utilizado es el llevado a cabo
mediante los filtros de Prewitt:
Tipos de filtros
El filtro puede ser definido por el usuario, de acuerdo a sus necesidades.
Segn el efecto que produzca sobre la imagen, los filtros se clasifican en diversos tipos:
filtros lineales:
filtros de paso bajo. filtros de paso bajo.
filtros de paso alto
filtros direccionales.
etc.
filtros no lineales
filtros modales.
filtros de mediana.
filtros de extraccin de bordes.
etc.
Un problema frecuente en el anlisis de imgenes
multiespectrales es el de la correlacin existente entre
ellas, es decir que contienen mucha informacin
3. Anlisis de componentes principales
ellas, es decir que contienen mucha informacin
redundante.
Esta no aporta nada nuevo y aumenta enormemente la
carga computacional cuando dichas imgenes
son sometidas a procesos matemticos.
3. Anlisis de componentes
principales
La tcnica de Anlisis por Componentes Principales (PCA,
Principal Components Analysis) es una transformacin que
permite reducir esta redundancia y puede ser
aplicada previamente a un anlisis visual o a un proceso ms
complejo de clasificacin a travs de algoritmos matemtico- complejo de clasificacin a travs de algoritmos matemtico-
estadsticos.
El propsito de esta tcnica es comprimir toda la informacin
contenida en un conjunto original de N bandas espectrales a un
conjunto menor de nuevas bandas o componentes. Sin entrar
en detalles matemticos sobre esta transformacin
representaremos grficamente los conceptos involucrados.
1. Generar de los niveles digitales ( NDs) de la escena multiespectrales como vectores de
R
3
de la imagen landsat de Bogot. (Verdadero color). Desde la posicin (0,0) de las
imgenes, codificados en enteros de 8 bits.
2. Representar las coordenadas rectangulares de los (NDs ) en el espacio tridimensional.
3. Se halla el vector de medias de la escena.
4. Se halla la matriz de varianza y covarianza V .
5. Se calcula la varianza total de la escena.
6. Hallar los valores propios de V y sus multiplicidades algebraicas.
Anlisis de componentes principales
6. Hallar los valores propios de V y sus multiplicidades algebraicas.
7. Calcular el porcentaje de la varianza retenida por cada componente principal y la
varianza acumulada.
8. Hallar los espacios propios asociados a cada valor propio de V y una base ortogonal para
cada uno de ellos.
9. Se halla una matriz ortogonal Q que diagonalice ortogonalmente a V.
10. Se halla el valor del determinante de Q y la matriz inversa de Q
11. Se halla el producto Q
-1
VQ
12. Se halla los productos N-ND
ij
=Q
-1
*ND
ij
para todo i=1,2, para todo j=1,2,3.
13. Se halla la componentes principales sin expandir, y por ultimo se realiza la expansin
lineal.
Tres bandas landsat
Anlisis de
componentes componentes
principales
Anlisis de
componentes componentes
principales
Anlisis de
componentes componentes
principales
Anlisis de
componentes componentes
principales
Anlisis de
componentes componentes
principales
Anlisis de
componentes componentes
principales
Anlisis de
componentes componentes
principales
Anlisis de
componentes componentes
principales
Anlisis de
componentes componentes
principales
Anlisis de
componentes
principales
0
255
46 171
114
179
4. ndice de Vegetacin
ndice de vegetacin de diferencia normalizada (NDVI)
ndice de vegetacin ajustado al suelo (SAVI)
ndice de vegetacin mejorado (EVI)
Cuando interesa detectar algn aspecto especfico de la
superficie terrestre, pueden utilizarse ndices que utilicen
algunas de las bandas.
Estos ndices suponen a su vez una transformacin de las
bandas. En general podemos hablar de dos tipos de
ndices y transformaciones
bandas. En general podemos hablar de dos tipos de
transformaciones:
Orientadas: Se sabe lo que se busca, ndices de
vegetacin, Transformacin Tasseled Cap.
No orientadas: No sabemos a priori lo que buscamos,
Anlisis de Componentes Principales
El ms conocido es el ndice Normalizado de Vegetacin (NDVI)
cuya ecuacin es:
Este ndice se basa en que la vegetacin tiene una reflectividad muy
ndices de vegetacin
NDVI = (Infrarrojo - Rojo) / (Infrarrojo + Rojo)
alta en la banda 4 de landsat y muy baja en la banda 3. Por tanto
cuanto mayor sea la diferencia entre ambas bandas mayor es el
porcentaje de cobertura vegetal y ms sana es esta.
Se han propuesto distintas variantes para mejorar este ndice. El
objetivo fundamental es eliminar la influencia que el suelo puede
tener sobre las reflectividades en el rojo y el infrarrojo y que pueda
enmascarar las de la vegetacin.
ndice Normalizado de Vegetacin
(NDVI)
Interpretacin de los resultados
Los valores del NDVI varan desde el -1 hasta el 1. Los valores positivos muestran zonas
con vegetacin y los negativos zonas sin vegetacin. Cuanto ms extremos sean los
valores positivos mayor vigorosidad tendr la vegetacin
NDVI = (Infrarrojo - Rojo) / (Infrarrojo + Rojo)
ndice de vegetacin de diferencia
normalizada (NDVI)
A continuacin se muestra una imagen SAVI
correspondiente a una escena LANDSAT de la cuenca del
Guadalquivir:
Este ndice obtiene la respuesta de las variaciones estructurales del dosel vegetal
incluyendo el ndice de rea foliar LAI (Leaf Area Index), tipo y arquitectura del dosel y
fisonoma de la planta. Fue desarrollado para optimizar la seal de la vegetacin con
sensibilidad mejorada para altas densidades de biomasa, logrndose esto al separar la
seal proveniente de la vegetacin y la influencia atmosfrica.
ndice de vegetacin mejorado (EVI)
Donde,
A, R, IRp: Reflectividad en la banda del Azul, Rojo, e Infrarrojo Cercano.
C
1
= 6.0, Coeficiente de resistencia atmosfrica
C
2
= 7.5, Coeficiente de resistencia atmosfrica
G = 2.5, Factor de ganancia
L = 1, Factor de correccin
El ndice de rea foliar (IAF; LAI por sus siglas en ingls) puede ser estimado a partir de
imgenes de satlite (Landsat). Es el cociente del rea total de las hojas de una planta al
rea del suelo que ella ocupa. Es un indicador de biomasa y resistencia vegetal. El manual
de SEBAL (Surface Energy Balance Algorithms for Land, Idaho, 2002) seala que puede
Determinacin del ndice de rea
Foliar (IAF) a partir de imgenes de
satlite
de SEBAL (Surface Energy Balance Algorithms for Land, Idaho, 2002) seala que puede
determinarse mediante la siguiente expresin:
En la pluviselva la mayora de las
plantas y la vida animal no se
encuentra en el piso del bosque, se
encuentra en un mundo frondoso
conocido como el dosel. El dosel, que
puede estar a ms de 100 pies por
encima del suelo, esta hecho de
ramas que se superponen y de las
El Dosel
ramas que se superponen y de las
hojas de los rboles de la pluviselva.
Los cientficos estiman que el 70 90
por ciento de la vida en la pluviselva
se encuentra en los rboles, haciendo
de este el hbitat ms rico en cuanto
a plantas y vida animal. Muchos
animales bien conocidos como
monos, ranas, lagartos, pjaros,
serpientes, perezosos, y pequeos
gatos se encuentran en el dosel.
A continuacin se muestra una imagen quincenal de EVI
de la cuenca del Guadalquivir:
Transformacin Taselled Cap Transformacin Taselled Cap
La transformacin tasseled cap supone pasar de las 6
bandas de landsat a 3 bandas con un claro sentido fsico
que representan el brillo de la imagen (albedo), el verdor y
la humedad. Estas nuevas bandas se obtienen mediante:
ndice de vegetacin ajustada al suelo (SAVI)
Fue desarrollado por Huete en 1988. Se trata de un ndice muy
adecuado para trabajos en zonas semiridas, donde la
contribucin del suelo es muy importante. As cuando se realice
un estudio sobre una zona de estas caractersticas, este ndice
resultar ms consistente que el NDVI, gracias a esa mayor resultar ms consistente que el NDVI, gracias a esa mayor
distincin entre el suelo y la vegetacin.
Donde,
R: Reflectividad en la banda del Rojo.
IRp: Reflectividad en la banda del Infrarrojo Cercano
L: Factor de correccin cuyo valor puede oscilar entre 1 y 0, aunque suele
emplearse el valor 0,5.
ndices Basados en la Pendiente
NDVI: Normalized Difference Vegetation Index
RVI: Ratio Vegetation Index
NRVI: Normalized Ratio Vegetation Index
TVI: Transformed Vegetation Index
CTVI: Corrected Transformed Vegetation Index
TTVI: Thiam's Transformed Vegetation Index
Los ndices de Vegetacin Basados en la Distancia
PVI : Perpendicular Vegetation Index
PVI1: Perpendicular Vegetation Index 1
PVI2: Perpendicular Vegetation Index 2
PVI3:Perpendicular Vegetation Index 3
DVI: Difference Vegetation Index
AVI: Ashburn Vegetation Index
SAVI: Soil-Adjusted Vegetation Index