Documentos de Académico
Documentos de Profesional
Documentos de Cultura
TABLA DE CONTENIDO
1. OBJETIVO ............................................................................................................................................................................... 2
2. ALGORITMOS ESPECTRALES .......................................................................................................................................... 2
3. PRE-PROCESAMIENTO DE LAS IMGENES................................................................................................................ 2
3.1
Basic Destriping............................................................................................................................................................ 3
3.2
Reflectance Calibration .............................................................................................................................................. 3
3.3
Internal Averange Relative Reflectance .................................................................................................................. 3
3.4
Dark Subtraction.......................................................................................................................................................... 3
3.5
Atmospheric Correction ........................................................................................................................................... 3
4. ALGORITMOS DE CLASIFICACIN NO SUPERVISADA ....................................................................................... 4
4.1
Iterative Self-Organizing Data Analysis ................................................................................................................... 4
4.2
K-means Clustering ..................................................................................................................................................... 4
4.3
Band Ratio ..................................................................................................................................................................... 5
4.4
NDVI............................................................................................................................................................................... 5
4.5
NDWI............................................................................................................................................................................. 6
4.6
Tasseled Cap ................................................................................................................................................................. 6
5. ALGORITMOS DE CLASIFICACIN SUPERVISADA ................................................................................................ 6
5.1
Adaptive Matched Filter ............................................................................................................................................. 6
5.2
Adaptive Cosine Estimator........................................................................................................................................ 6
5.3
Absolute Correlation .................................................................................................................................................. 6
5.4
Constrained Energy Minimization ............................................................................................................................ 6
5.5
Normalized Euclidean Distance................................................................................................................................ 7
5.6
Spectral Angle Mapper ............................................................................................................................................... 7
5.7
Spectral Similarity Value ............................................................................................................................................. 7
5.8
Mahalanobis Distance ................................................................................................................................................. 7
6. ALGORITMOS DE DETECCIN DE CAMBIOS ......................................................................................................... 7
6.1
Spectral Change Detection ....................................................................................................................................... 7
7. ALGORITMOS DE DETECCIN DE ANOMALAS ................................................................................................... 7
7.1
Global Anomaly Detection ........................................................................................................................................ 8
7.2
Gaussian Mixture Anomaly Detection.................................................................................................................... 8
7.3
Local Anomaly Detection .......................................................................................................................................... 8
8. ALGORITMOS DE SEPARACIN DE COLOR ........................................................................................................... 8
8.1
Decorrelation ............................................................................................................................................................... 8
9. ALGORITMOS DE ANLISIS DE COMPONENTES................................................................................................... 9
9.1
Spectral Unmixing ........................................................................................................................................................ 9
9.2
Principal Components Analysis ................................................................................................................................ 9
9.3
Minimum Noise Fraction ........................................................................................................................................... 9
9.4
Independent Components Analysis ......................................................................................................................... 9
10.
ALGORITMO FIND IN SCENE ................................................................................................................................... 9
11.
COLORIZATION .......................................................................................................................................................... 10
Revisado por:
Marco Pirateque
Elaborado por: Jessica Pulido
Aprobado por:
Marco Pirateque
Versin: 1.1
Pgina 1 de 10
ltima modificacin: Jun 19 de 2015
P-UNST-01
1. OBJETIVO
Descripcin bsica de los algoritmos espectrales de SOCET GXP.
2. ALGORITMOS ESPECTRALES
La opcin de Algoritmos Espectrales en Socet GXP contiene diferentes tecnicas para procesar imgenes
multiespectrales. Los algoritmos se clasifican en categoras que incluyen Pre-procesamiento de imagenes,
clasificacin no supervisada, clasificacin supervisada, deteccin de cambios, deteccin de anomalas, separacin
de colores y anlisis de componentes.
En la ventana de Multiport, en la pestaa de Analyze, se encuentra una variedad de funcionalidades y procesos
para el estudio espectral incluyendo todos los algoritmos para el respectivo anlisis de las imgenes
multiespectrales.
Aprobado por:
Marco Pirateque
Versin: 1.1
Pgina 2 de 10
ltima modificacin: Jun 19 de 2015
P-UNST-01
reflectancia generada del material del suelo. Los algoritmos de esta seccin incluyen Basic Destriping, Reflectance
Calibration, Internal Average Relative Reflectance, Dark Subtraction, and Atmospheric Correction. Estos
algoritmos se deben utilizar para crear una imagen para la salida. Estos archivos recin creados se utilizan como
entrada para otros algoritmos.
3.1 Basic Destriping
El algoritmo Basic Destriping (BD) reduce la creacin de bandas horizontal o vertical en las imgenes
multiespectrales e hiperespectrales (MSI / HSI) causada por la calibracin no uniforme y el ruido del sensor. Este
algoritmo de normalizacin reduce la magnitud de las rayas y mejora la apariencia de los resultados del anlisis
espectral de los procesamientos posteriores. Funciona mediante la ampliacin de cada pxel de imagen por un
valor medio normalizado calculado en cada longitud de onda, ya sea en la direccin horizontal o vertical. La idea
es suavizar los cambios de nivel de pxeles en la direccin en ngulo recto con las rayas.
3.2 Reflectance Calibration
El algoritmo Reflectance Calibration (RC) transforma radiancia a reflectancia. Este algoritmo utiliza el mtodo de
lnea emprica (ELM). La reflectancia en imgenes espectrales se requiere a menudo para fines de identificacin
de materiales y para permitir que las imgenes de diferentes sensores se puedan comparar.
Por ejemplo, tomar dos diferentes pixeles de la misma imagen y utilizar el algoritmo para aplicar una interpolacin
lineal entre ellos. El algoritmo toma en el pixel mas claro y el ms oscuras especificado por el usuario y utiliza
estos valores para interpolar todos los pxeles de la imagen. Esto se basa en la idea de que uno de los pxeles es
muy ligero y el otro es muy oscuro (uno es blanco = 0, y el otro es negro = 255. En el caso ideal de 8 bits).
3.3 Internal Averange Relative Reflectance
El algoritmo Internal Averange Relative Reflectance (IARR) calcula un espectro medio para normalizar las
imgenes. El algoritmo calcula la media de cada banda en la imagen de entrada y a continuacin divide cada pxel
para cada banda por la media de esa banda. Esto reduce los datos espectrales de reflectancia relativa, que es
especialmente til para las reas ridas en las imgenes.
3.4 Dark Subtraction
El algoritmo Dark Subtraction (DS) reduce los ruidos extraos en una imagen mediante el uso de un algoritmo
en una escena que corrige una firma espectral. El algoritmo calcula el valor mnimo contenida dentro de cada
banda de ruido y posteriormente resta este valor de cada pxel de la banda para producir una imagen ms ntida.
La imagen creada es virtual y no se crea un archivo fsico guardado a menos que se indique.
El algoritmo Dark Subtraction (DS) visualiza una ventana con parmetros especficos en los que se definen los
pxeles de una imagen y una funcionalidad desplejable del men para definir el producto de salida y despus de la
accin de creacin del producto.
3.5 Atmospheric Correction
En las ms ultimas versiones de SOCET GXP se presenta el algoritmo de correccin atmosfrica denominado
AAIC (acrnimo en ingles de in-scene Atmospheric Correction algorithm). Este algoritmo convierte los niveles
digitales del pixel a la reflectancia generada del material del suelo, no slo la radiancia del pxel para cada banda
en la imagen. El algoritmo AAIC tambin incluye correcciones de sensores que permiten una representacin muy
exacta de la reflectancia del material sobre la superficie del suelo. Los niveles de reflectancia en el pxel de la
imagen de AAIC representa propiedades inherentes del material del suelo. La ejecuccion de la correccin
Revisado por:
Marco Pirateque
Elaborado por: Jessica Pulido
Aprobado por:
Marco Pirateque
Versin: 1.1
Pgina 3 de 10
ltima modificacin: Jun 19 de 2015
P-UNST-01
atmosfrica en una imagen asegura una slida base analtica para la identificacin y la discriminacin de otros
materiales.
Como el procedimiento los grupos se fusionan ya sea porque el nmero de pxeles en un grupo es menor que
un cierto umbral, o los centros de dos grupos estn ms cerca que un cierto umbral. Los grupos son divididos
en dos para una desviacin estndar de clster que supera un valor predefinido y cuando el nmero de pxeles
es dos veces el umbral para el nmero mnimo de pxeles. El resultado es un valor numrico asignado a cada
pixel asocindolo con el centro de la agrupacin ms cercano en la clasificacin final.
Al final se genera una imagen de salida de una sola banda con valores que van de uno a un nmero de clases,
indicando la clase a la que pertenece cada pxel. Para obtener la mxima distancia desafectada; los pxeles
desasignados se etiquetan como cero.
4.2 K-means Clustering
El algoritmo K-means clustering divide los datos de una imagen multiespectral en un nmero de las clases definido
por el usuario. Dicho algoritmo da las mejores soluciones cuando las distancias entre las medias de las clases son
grandes, comparado con la distribucin dentro de las clases.
El algoritmo comienza con la seleccin al azar de un conjunto de centros de los grupos, antes de asociacin
iterativa de puntos de datos individuales con el centro de la agrupacin ms cercana. Todos los medias de las
clases se vuelven a calcular y se repite el proceso.
Aunque el algoritmo es una tcnica rpida para encontrar un nmero fijo de grupos, no est garantizado para
producir la solucin mas ptima. Resultados fuera de los estndares normales se producen cuando el nmero
definido de grupos no describe bien los datos. Diferentes soluciones se encuentran en las ejecuciones repetidas
debido a la inicializacin aleatoria, y algunas veces el algoritmo no converge en absoluto. Establecer el nmero
mximo de iteraciones a un valor modesto y ejecutar el algoritmo varias veces para encontrar la mejor solucin
de grupo.
Como producto de salida se genera una imagen de una sola banda con valores que van de uno a el nmero de
clases, lo que indica la clase a la que cada pxel pertenece. Para obtener la mxima distancia de reasignacin;
pxeles reasignados se etiquetan como cero.
Revisado por:
Marco Pirateque
Elaborado por: Jessica Pulido
Aprobado por:
Marco Pirateque
Versin: 1.1
Pgina 4 de 10
ltima modificacin: Jun 19 de 2015
P-UNST-01
Los valores recomendados para establecer cada parmetro no es formula unica y dependen de muchos factores
(como el contenido de la imagen). Como punto de partida, trate de introducir 50 para el nmero de iteraciones
y el 1% en el cambio porcentual mximo. Intente aumentar o disminuir estos valores en funcin de los resultados.
El trmino "iteraciones" se refiere al nmero de veces que el algoritmo procesa los pxeles en movimiento entre
las clases. Los procesos se repiten hasta llegar a dos soluciones de grupos secuenciales donde se encuentran con
las clasificaciones idnticas de todos los puntos o lmites que se alcanzan (o bien se ha producido un nmero
mximo de iteraciones o el porcentaje de de cambio de las clasificaciones de los pxeles de la imagen entre las
soluciones secuenciales es menor que el cambio porcentual mximo). Las opciones permiten la restriccin de la
propagacin en el interior de cada grupo final, despus de que se han cumplido las condiciones de agrupamiento.
Cuando se define los puntos en los grupos, causan que los criterios definidos por el usuario puedan ser superado
como sin clasificar.
4.3 Band Ratio
El algoritmo Band Ratio asigna unas bandas numerador y denominador para un radio de mejoramiento de las
diferencias espectrales entre las bandas mientras se reducen los efectos de la topografa local en los datos. Este
algoritmo dicide la banda numerador en la banda denominador para obtener una imagen con una banda relativa
con intensidad entre el rango de -1 a 1. Los valores extremos de las caractersticas espectrales pueden ser un
indicativo de materiales conocidos.
La tabla de bandas asignadas, contiene los nombres de cada banda, la longitud de onda y las caractersticas
espaciales. Cuando la longitud de onda no es conocida, el sistema calcula el estimador FWHM (Full Width Half
Maximum).
Apenas la ventana se abre, el numerador y el denominador estn entre el infrarrojo cercano (NIR) (700 - 1100
nm) y el rojo (R) (600 700 nm), cuando estn presentes estas bandas. Este radio es conocido como el Indide
de Radio de Vegetacin (RVI), determinado por:
=
Esta formula desarrolla el primer orden de aproximacin al contenido de vegetacin en el pixel, lo cual resalta
las caractersticas espectrales de la vegetacin. Un valor alto es un indicativo de alta presencia de vegetacin. En
la ausencia de informacin suficiente para determinar si las bandas del infrarojo cercano y el rojo estn disponibles
o en la asusencia de ellas, puede utilizar las dos primeras bandas que tiene la imagen.
4.4 NDVI
El algoritmo del Indice de Diferencia Normalizada de Vegetacion asigna las bandas del infrarrojo cercano (NIR)
(700 - 1100 nm)y el rojo (R) para analizar la reflectancia de la vegetacin en la imagen, lo que determina la
cantidad de vegetacin sana, asi, una alto valor de NDVI indica que la vegetacion es muy sana y se va a visualizar
muy brillante en la imagen resultante. El ndice esta determinado por:
Revisado por:
Marco Pirateque
Elaborado por: Jessica Pulido
Aprobado por:
Marco Pirateque
Versin: 1.1
Pgina 5 de 10
ltima modificacin: Jun 19 de 2015
P-UNST-01
4.5 NDWI
El algoritmo del Indice de Diferencia Normalizada de Agua asigna las bandas del infrarrojo cercano (NIR) (700 1100 nm) y el infrarrojo de onda corta (SWIR) (1400 3000 nm). En ausencia de la informacin acerca de las
bandas SOCET GXP dentermina el rango adecuado de la longitud de onda de acuerdo al sensor y en ausencia
de la informacin del sensor el algoritmo procesa con las dos primeras bandas.
4.6 Tasseled Cap
Tasseled Cap es otro ndice de vegetacin. Este algoritmo de transformacin que produce una imagen multibanda
de brillo que mide el contenido del suelo por componentes. Generalmente, el primer componente es la
vegetacin, la tercera componente es la humedad, determinada por el suelo y la humedad presente. La
transformada solo es aplicable cuando se conocen los coeficientes del sensor. Cuando la transformacin termina
se abre un nuevo Multiport Panel.
Revisado por:
Marco Pirateque
Elaborado por: Jessica Pulido
Aprobado por:
Marco Pirateque
Versin: 1.1
Pgina 6 de 10
ltima modificacin: Jun 19 de 2015
P-UNST-01
Revisado por:
Marco Pirateque
Elaborado por: Jessica Pulido
Aprobado por:
Marco Pirateque
Versin: 1.1
Pgina 7 de 10
ltima modificacin: Jun 19 de 2015
P-UNST-01
Revisado por:
Marco Pirateque
Elaborado por: Jessica Pulido
Aprobado por:
Marco Pirateque
Versin: 1.1
Pgina 8 de 10
ltima modificacin: Jun 19 de 2015
P-UNST-01
Aprobado por:
Marco Pirateque
Versin: 1.1
Pgina 9 de 10
ltima modificacin: Jun 19 de 2015
P-UNST-01
11. COLORIZATION
La Colorizacion define una rampa de colores para asignar a una imagen pancromtica, una banda de una una
imagen multiespectral o para una imagen resultado de una clasificacin no supervisada. Asi, cada color esta
asociado a un valor de intensidad. La escala de colores puede ser generada automticamente o manualmente.
El resultado se puede visualizar en forma vectorial para lograr compactar la representacin.
Revisado por:
Marco Pirateque
Elaborado por: Jessica Pulido
Aprobado por:
Marco Pirateque
Versin: 1.1
Pgina 10 de 10
ltima modificacin: Jun 19 de 2015