P-UNST-01

Descripcin de algoritmos espectrales en la

herramienta coporativa Socet GXP

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

Descripcin de algoritmos espectrales en la

herramienta coporativa Socet GXP

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.

3. PRE-PROCESAMIENTO DE LAS IMGENES

Los algoritmos de esta categora realizan pasos intermedios a menudo necesario limpiar o calibrar los datos
espectrales antes de pasar a su posterior procesamiento, tales como la clasificacin. Algunos de estos algoritmos
eliminan elementos de la imagen, mientras que otros pueden convertir los niveles digitales del pixel a la
Revisado por:
Marco Pirateque
Elaborado por: Jessica Pulido

Aprobado por:
Marco Pirateque

Versin: 1.1
Pgina 2 de 10
ltima modificacin: Jun 19 de 2015

P-UNST-01

Descripcin de algoritmos espectrales en la

herramienta coporativa Socet GXP

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

Descripcin de algoritmos espectrales en la

herramienta coporativa Socet GXP

atmosfrica en una imagen asegura una slida base analtica para la identificacin y la discriminacin de otros
materiales.

4. ALGORITMOS DE CLASIFICACIN NO SUPERVISADA

Los algoritmos de clasificacin no supervisada (UC) se utilizan para analizar imgenes HSI / MSI mediante el uso
de las estadsticas que calculan automticamente a partir de la imagen de origen. La salida desde un algoritmo de
clasificacin no supervisada es una imagen donde cada color en la imagen representa una clase tal como el agua,
la vegetacin, el suelo, etc.
4.1
Iterative Self-Organizing Data Analysis
El algoritmo Iterative Self-Organizing Data Analysis (ISODATA) es una forma extendida del algoritmo K-means
clustering, excepto que el nmero ptimo de grupos que se determina de forma iterativa. El nmero de clases
se selecciona algortmicamente en algn lugar entre los valores mnimos y mximos definidos por el usuario.

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

Descripcin de algoritmos espectrales en la

herramienta coporativa Socet GXP

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

Descripcin de algoritmos espectrales en la

herramienta coporativa Socet GXP

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.

5. ALGORITMOS DE CLASIFICACIN SUPERVISADA

Teniendo en cuenta que todos los materiales tienen diferentes caractersticas espectrales pues algunos pueden
tener un alto retorno de la longitud de onda y otros uno bajo. Los algoritmos de clasificacin supervisada
encuentran pixeles similares de una imagen basado en una muestra espectral de la imagen o de libreras
espectrales. Estos utilizan la distancia espectral para evaluar las similaridades entre los pixeles. Asi, una imagen
multiespectral, al contener informacin de diferentes bandas potencializa la identificacin de materiales.
5.1 Adaptive Matched Filter
El algoritmo AMF esta basado en la tranformacion de los datos hiperespectrales y multiespectrales de acuerdo a
la correlacion entre la bandas. El resultado es una imagen multibanda donde cada banda contiene la deteccin
para cada punto de muestra.
5.2 Adaptive Cosine Estimator
El algoritmo ACE pero este utiliza un factor de normalizacin por lo que los valores obtenidos de este algoritmo
estaran en un rango -1 a 1. Esta normalizacin permite hacer mas fcil identificar los limtes de cada grupo.
5.3 Absolute Correlation
El algoritmo de correlacion absoluta mide la variacin de dos firmas espectrales en bandas cercanas. Los valores
obtenidos esta en un rando de 0 a 1, donde uno representa que las dos firmas son muy similares.
5.4 Constrained Energy Minimization
El algoritmo de Minimizacion de Energia Restringida construye un filtro para identificar firmas espectrales. Las
firma espectrales son creadas por la seleccin de puntos a travs de la herramienta de Find in Scene, asi, cada
pixel seleccionado representa un firma espectral. Como resultado se obtiene una imagen que resalta o maximiza
la presencia de las firma espectrales selccionadas por el usuario y minimiza las dems.

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

Descripcin de algoritmos espectrales en la

herramienta coporativa Socet GXP

5.5 Normalized Euclidean Distance

El algoritmo de la Distancia Euclideana Normalizada mide la distancia media entre la banda de dos firmas
espectrales. Este algoritmo es la medida mas bsica y es la nica tcnica de clasificacin permitida para imgenes
pancromticas.
5.6 Spectral Angle Mapper
El algoritmo Asignador del Angulo Espectral mide el angulo entre los vectores creados por dos firmas espectrales.
Un angulo agudo representa que las dos firmas son similares. Una ventaja de SAM es que este excluye la medida
de la magnitud, lo cual permite que algunas diferencias en el brillo de dos imgenes o reas de una imagen no
excluye grupos. Este es el mejor mtodo que realiza SOCET GXP por defecto cuando a la imagen no se le ha
realizado conversin a reflectancia y no tiene correccin atmosfrica aplicada.
5.7 Spectral Similarity Value
El algoritmo del Valor de Similaridad Espectral es una combinacin de la medida de la correlacion y la distancia
euclideana. El algoritmo toma el mismo peso en la determinacin de grupo de acuerdo a la intensidad de las
firmas espectrales como una correlacion.
5.8 Mahalanobis Distance
El algoritmo de la Distancia Mahalanobis mide la distancia entre un punto de prueba de una firma y el centro de
un grupo de firmas dividido por la desviacin estndar de N dimensiones definido por el numero de bandas que
estn presentes en la firma. Un valor menor a 1 indica que la prueba de la firma esta a una desviacin estndar
del centro lo que indica que la pureba de la firma probablemente pertenece a una de las firmas de muestra. Las
diferencias de magnitud entre dos firmas puede sesgar los resultados, asi la conversin a reflectancia o la
aplicacin de la correcion atmosfrica puede mejorar los resultados.

6. ALGORITMOS DE DETECCIN DE CAMBIOS

Los algoritmos de deteccin de cambios son usados para identificar pixeles que han cambiado en todas las bandas
de dos imgenes del mismo lugar con diferencia temporal.
6.1 Spectral Change Detection
El algoritmo de Deteccion de Cambios Espectrales es usado para identificar las diferencias entre dos imgenes
de la misma localizacin. El algoritmo puede ser aplicado en imgenes con diferentes caractersticas espectrales
pero utiliza las que hay en comn y calcula el angulo hiperespacial entre dos pixeles. La mtrica de este mtodo
puede ser considerada como el coseno del angulo hiperespacial. En la imagen resultante, a mayor brillo del pixel
ser mayor el cambio espectral entre las dos imagenes

7. ALGORITMOS DE DETECCIN DE ANOMALAS

Los algoritmos de Deteccion de Anomalias son tcnicas estadsticas no supervisadas para encontrar datos atpicos
en datos multidimensionales bajo la suposicin que estos datos estn distribuidos normalmente. Se puede aplicar
en imgenes mutiespectrales e hiperespectrales y encuentra los objetos que son espectralmente diferentes.
Estos algoritmos estn basados en la mtrica de la Distancia de Mahanalobis entre la firma espectral de un pixel
y la media. Adicional, utiliza la matiz de covarianza de la imagen.

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

Descripcin de algoritmos espectrales en la

herramienta coporativa Socet GXP

7.1 Global Anomaly Detection

El algoritmo de la Deteccion Global de Anomalias identifica las anomalas en el espectro medio, calculado usando
todos los datos contenidos en la imagen.
La media es derivada de toda el rea de inters o de toda la imagen.
7.2 Gaussian Mixture Anomaly Detection
El algoritmo de Deteccion Gaussiana de Anomalias combina K-Means Clustering con Global Anomaly Detection,
pero bajo la suposicin que la distribucin de los valores de los pixeles en cada clase es gaussiana. La deteccin
gaussiana de anomalas analiza las caractersticas para cada una de las clases para crear una serie de resultados.
El resultado final ser un mapa de distancia de Mahanalobis para toda la imagen.
La media es derivada de un grupo de pixeles determinados por K-Means Clustering.
7.3 Local Anomaly Detection
El algoritmo de Deteccion de Anomalia Local identifica las anomalas en una rea del espectro medio, calculada
para cada pixel de la imagen usando la informacion espectral en un cuadro centrado en el pixel de calculo.
Mientras la mtrica de la Distancia de Mahanalobis mide las diferencias espectrales entre los pixeles de la imagen
con valores desde cero y la media del espectro, el tamao del cuadro debe ser seleccionado de acuerdo a la
uniformidad de la imagen. Este mtodo da muy buenos resultados cuando la anomalas estn aisladas de manera
uniforme. Tambien el numero de pixeles en la imagen influye en la estimacin de covarianza de presicion.
La media es derivada de un pixel.

8. ALGORITMOS DE SEPARACIN DE COLOR

8.1 Decorrelation
El algoritmo de Descorrelacion mejora las diferencias de color para cada pixel de la imagen, asi, si existen altas
diferencias en una imagen en la mayora de veces no son fciles de detectar por el ojo humano. Por lo tanto, los
colores de la imagen se varian para reducir la correlacion de intensidad entre las bandas produciendo una
exageracin que mejorara la interpretacin visual y permitir hacer un sencilla interpretacin de coberturas. El
numero de bandas es usualmente tres, pero el algoritmo puede ser aplicado en una imagen con cualquier numero
de bandas.
Los valores de color natural son configurados a un rango mas amplio. La intesidad del color es transformada en
cada pixel por medio de la ecualizacin de la varianza de cada banda. A diferencia de otros algoritmos, el
algoritmo de la descorrelacion no requiere de parmetros especiales, lo nico que se requiere es que la imagen
tenga mas de dos bandas.

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

Descripcin de algoritmos espectrales en la

herramienta coporativa Socet GXP

9. ALGORITMOS DE ANLISIS DE COMPONENTES

Los algoritmos de anlisis de componentes son los mas utilizados para remover el ruido y la informacin extraa
de la imagen.
9.1 Spectral Unmixing
El algortimo de Desmezcla Espectral es un mtodo rpido para imgenes hiperespectrales y multiespectrales y
su resultado depende de la caractersticas espectrales de la imagen y de la infromacion que se introduzcan para
cada material.
Miestras la tcnica es matemticamente una descomposicin, no significa que los resultados espectrales
correspondan a materiales reales en la imagen ya que estos resultados son caractersticas espectrales que
hipotticamente son una combinacin lineal de manera que en el resultado cada pixel cntedra un porcentaje de
cada material que se supone esta presente en la imagen. Para minimizar el error generado puede repetir cuantas
veces considere necesario el algoritmo o generar un conjunto de resultados para analizar cambiando el orden de
las bandas.
9.2 Principal Components Analysis
El algoritmo de Analisis de Componentes Principales es usado para reducir la dimensionalidad de los datos
mutivariables en un nuevo conjunto de datos cuyas caractersticas estn asociadas a la varianza. De tal manera,
que el resultados ser un conjunto de datos menor al conjunto de datos original con las componentes no
correlacionadas, de las cuales el usuario da los valores espectrales.
9.3
Minimum Noise Fraction
El algoritmo de Fraccion de Ruido Minimo fue desarrollado para mejorar la transformacin del Analisis de
Componentes Principales ya que esta transformada en algunas imgenes a mayor cantidad de componentes es
menor la calidad de la imagen. La transformada Fraccion de Ruido Minima modifica el Analisis Principal de
Componentes estimando el ruido estadstico que desee encontrar el usuario en la imagen y representandop cada
componente una banda.
9.4 Independent Components Analysis
El algoritmo de Analisis de Componentes Independiente fue desarrollado para mejorar el algoritmo de Analisis
de Componentes Principales y la transformacin de Fraccion de Ruido Minimo ya que las componentes
resultantes de estos algoritmos no estn correlacionadas, lo cual hace que estas no sean estadsticamente
independientes. El Analisis de Componentes Independiente busca iterativamente los componentes que tienen la
mxima independencia estadstica.

10. ALGORITMO FIND IN SCENE

La opcin de Encontrar en Escena encuentra los pixeles similares es una imagen basado en una muestra espectral
tomada de una imagen o en una librera espectral. Este algoritmo usa la disteancia mtrica espectral para evaluar
la similaridad entre los pixeles de la escena. Los resultados son dependientes a diversoso factores como la
mtrica seleccionada, la toleracia especificada para la variacin de la mtrica y la homogeneidad de la atmosfera
en la escena.
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 9 de 10
ltima modificacin: Jun 19 de 2015

P-UNST-01

Descripcin de algoritmos espectrales en la

herramienta coporativa Socet GXP

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