Analisis y procesamiento de imagenes digitales

Landsast 5
G.Illanes1 ,C.Mellado2 y J.Vega3
12 de octubre de 2016

Resumen
El objetivo es el procesamiento y posterior analisis de diferentes composi-
ciones RGB , a partir de una imagen de la novena region del da 3 de noviembre
del 2006, proporcionada por el satelite LandSAT 5. Aplicar una correccion at-
mosferica para la combinaci on RGB 321 por el metodo de Chavez, con el fin
de eliminar el ruido. Para posterior a esto, realizar una nueva clasificacion
del tipo no supervisada para analizar y discutir la dependencia de dicha cla-
sificacion, ademas de interpretar los colores de las imagenes resultantes, esto
a fin de describir ciertos fenomenos, tales como el comportamiento del agua
frente a las distintas composiciones de Banda, como tambien, discriminar los
resultados de una clasificaci on no supervisada. En lo que se puede observar
distintos errores dentro de la imagen y ciertas caractersticas de esta, pero aun
as, siendo esto, una herramienta bastante util para distintos tipos de analisis
de ciertas zonas, par este caso, la Novena Region de Chile.

1. Introducci
on
Todo cuerpo emite alg un tipo de radiacion, esta dependera del espectro elec-
tromagnetico al cual pertenezca. El ojo humano no esta capacitado para poder
discriminar el espectro electromagnetico completo, siendole posible interpretar el
rango del visible (400nm-750nm).Por esto se desarrollaron sensores que son capaces
de captar la transmision de energa; para posterior interpretacion y analisis de ellos;
que es invisible para los humanos.
A partir de una imagen satelital de Landsat 5 capturada el da 03 de noviembre
del 2006, interpretar mediante diferentes composiciones RGB el comportamiento de
la zona de estudio. Para posteriormente realizar clasificaciones no supervisadas de
distintos n
umeros de clases.
Esto bajo el fundamento de poder encontrar ciertas diferencias y utilidades de
los distintos procesos que puede realizar el software GRASS GIS 7.0.4, los cuales se
fundamentan en principios base para teledeteccion, as tambien , en ciertos principios
fsicos. Lo cual permite explicar y dar a entender el como se comportan los objetos
frente a las distintos procedimientos que se puedan aplicar en la imagen.
Dado que este trabajo se basa en la respuesta espectral de una zona caracteri-
zada, es de suma importancia conocer datos a previos al analisis de las imagenes,
tales como el relieve, morfologa y lugares caractersticos. En este caso especifico se
abordara una la zona sur de Chile, la cual presenta grandes cambios de relieve, as
como la presencia de volcanes, la cordillera de la costa y una amplia vegetacion.

1
Universidad Catolica de Temuco
Facultad de Recursos Naturales
Esto con el fin de analizar de manera correcta de acuerdo a conocimientos previos,
los distintos fenomenos que se puedan presentar, esto mediante la generacion de
imagenes, las cuales pueden ser manipuladas a conveniencia para poder obtener
resultados utiles, pero que por mas utiles que sean, debe de ser resultados concretos
y respaldados.

2. Metodologa
Se uso el sofware GRASS GIS(Geographic Resources Analysis Support System)
7.0.4 el cual pertenece al entorno SIG, bajo una licencia GPL (software libre). Este
se utiliza para la gestion espacial y analisis de datos, procesamiento de imagenes,
graficos y mapas de produccion, modelado espacial y visualizacion (Grass.osgeo.org,
2015)
La region de trabajo se encuentra localizada en la Region de La Araucania,
correspondiente a la XI region de Chile, ubicada en la zona sur del pas.
Para esto se uso una imagen digital obtenida del satelite Landsat: Landsat 5
TM, cuya fecha de adquisicion corresponde al 03/11/2006 (Vease figura 1).

C:/Users/Asus/Desktop/B_5.jpg

Figura 1: Imagen Base IX Region LT 52330872006307COA00 B5 03/11/2006

El satelite Landsat 5 cuenta abordo con un sensor TM multiespectral, el cual

es un sensor de barrido. Este opera con 7 bandas espectrales (Figura 2), de las
cuales, incorpora la Banda 6, que corresponde al infrarrojo termal (Recopilado de
inegi.org.mx)

2
Universidad Catolica de Temuco
Facultad de Recursos Naturales

C:/Users/Asus/Desktop/tabla_lt5.png

Figura 2: Cuadro con informacion de cada banda espectral de Land-

sat5.(inegi.org.mx, n.d)
Universidad Catolica de Temuco
Facultad de Recursos Naturales

Corresponde hablar acerca de las distintas composiciones RGB, las cuales per-
miten analizar una imagen, satelital en este caso. Esto se sustenta en base a la teora
del color, la cual nos dice, que en funcion de el rojo, verde y azul, que corresponden
a los tres colores principales del espectro visible, podemos obtener toda la gama
cromatica, as tambien os dice que, la ausencia de estos genera el color negro, por
lo tanto, la suma de estos, es representada por el color blanco.
As tambien es importante hablar de lo que es el falso color, que es basicamente
modificar el color de una o varias regiones contenidas en la imagen digital, con el fin
de enfatizar en distintos objetos u objetivos. (Baez J., Alonso M., 2008)
Por otra parte, Campbell y Randolph (2011), tambien hablan de lo que es es el
falso color verdadero, que es, asignar a los colores rojo, verde y azul, las bandas 3,2
y 1 respectivamente, para as obtener una imagen con los colores acorde a lo que
veran nuestros ojos.
Un fenomeno a explicar es la dispersion de Rayleigh ,la cual nos explica que, as
partculas de la atmosfera y las gotas de las nubes producen la dispersion de la luz del
sol. Se conoce como dispersion de Rayleigh de la luz del sol en la atmosfera y explica
porque el cielo es azul, ya que las partculas -en funcion de su tama
no- producen mas
dispersion en la banda azul del espectro electromagnetico. La radiacion que llega a la
superficie de la tierra (radiacion global) se compone de la que llega en forma directa
(radiacion directa) mas la que llega en forma difusa (radiacion difusa). (Aguirre C.,
Brizuela A. y Velasco I., 2007)

2.1. Conversi
on de ND a Radiancia
La imagen satelital trabajada viene o contiene, valores o niveles digitales,seg
un
Chuvieco (1995), es necesario convertir los niveles digitales a parametros fsicos,
ya que, los valores por si solos no entregan informacion relevante, para esto, se
convierten los ND a valores de radiancia espectral.
Esto puede ser realizado mediante la siguiente ecuacion de relacion lineal:
Lsin,k = a0,k + a1,k N Dk
En esta ecuacion , Chuvieco (1995), define los parametros como:
Siendo k la banda a trabajar

Lsin,k = Radiancia espectral recibida por el sensor en la banda k, cual se mide

en
W
( m )
m2
sr
a0,k y a1,k = Coeficientes de calibracion para la banda a trabajar

N Dk = Nivel digital de la imagen en la misma banda

Luego de esto, ya teniendo la radiancia, podemos obtener la reflectancia de cada

banda, llegando a la siguiente ecuacion:
K Lsin,k
k =
E0,k cos
Donde:
E0,k = Irradiancia solar terrestre
Universidad Catolica de Temuco
Facultad de Recursos Naturales

C:/Users/Asus/Desktop/valores_a.png

Figura 3: Parametros para la conversion a reflectividad de las imagenes land-

sat.Recuperado de: http://www.um.es/geograf/sigmur/teledet/tema07.pd

= Angulo cenital solar

K = Factor corrector de la distancia Tierra-Sol, el cual esta calculado como:

1 + 0,0167(sin(2 93,5)/365))2

En funcion de la ecuacion mencionada, obtendremos los valores ( %)de reflectan-

cia aparente de las superficies, primario para estudios de teledeteccion. ( Rejas J.,
2007/2008)

2.2. Correcci
on Atmosf
erica
Para poder utilizar los valores de reflectancia obtenidos, es necesario realizar
una conversion de reflectancia aparente a reflectancia de superficie terrestre, esto
se puede lograr mediante el metodo de Chavez, llamado modelo del objeto oscuro.
(Cardenas C. y Rojas K., n.d)
Este metodo es descrito por la siguiente ecuacion:
d2 (L La)
=
E cos() t1 t2
Donde:

= Radiancia de la superficie terrestre

= Angulo cenital solar

d = distancia Tierra-Sol en unidades astronomicas

E = Irradiancia solar terrestre

Segun Chavez (1996, en Cardenas C et. al, n.d), los valores tpicos parat1 y t2
serian= 0.70, 0.78, 0.85 y 0.91

La = valor de la reflectancia de n pixel cuyo valor teorico de reflectancia es

cero.
Universidad Catolica de Temuco
Facultad de Recursos Naturales

2.3. Clasificaci
on No Supervisada
Es en aquellas clasificaciones en que el algoritmo clasificador solo necesita de la
informacion entregada por la imagen y algunos parametros que nos permitan realizar
la clasificacion. Esto se basa en buscar clases que posean la suficiente separabilidad
espectral, para asi diferenciar los elementos entre s. (ujaen.es, 2006)
Para este caso se uso el metodo de clasificacion no superviasada, utilizando K-
means ( o K-medidas en espa nol). El cual se basa en ir determinando las medias
de las clases y luego de forma iterativa los pxeles son insertados en las clases mas
cercanas utilizando las tecnicas de mnima distancia. En cada iteracion se recalcula la
media de la clase y se vuelven a re clasificar todos los pxeles. Todos los pxeles seran
clasificados si se limita la desviacion estandar o la distancia maxima de b usqueda.
(ujaen.es, 2006)
Seg un Cardenas M. (2013), este proceso puede ser descrito al resolver la siguiente
ecuacion:
X X k
E= |p m1 |2 (1)
centros i=1

Posterior a esto es necesario realizar una clasificacion de maxima verosimilitud,

el cual asume que los datos siguen una funcion de distribucion normal para asignar
la probabilidad de que un pixel cualquiera pertenezca a cada una de las clases. El
pixel se asigna de este modo a la clase a la que es mas probable que pertenezca.
(um.es/geograf , n.d)

3. Resultados
A continuacion se presentaran los distintos resultados obtenidos mediante los
diferentes procesos realizados,lo que corresponde primeramente a las imagenes luego
de una composicion en falso color y posterior a estas, se mostraran los resultados de
una clasificacion no supervisada, todo esto realizado mediante procesos de software

3.1. RGB 321

Se observa una imagen en composicion rgb falso color verdadero de satelite
landsat 5, con una anomala en el color (tonalidades azules),como se puede apreciar
en la Figura 4.a, producto de la dispersion de Raylegth , a la cual se le aplica
una correccion atmosferica en la zona de estudio, la cual permite observar el color
verdadero (Figura 4.a).
Universidad Catolica de Temuco
Facultad de Recursos Naturales

C:/Users/Asus/Desktop/321.jpg

(a) Mapa de la IX Region de Chile, en una composi-

ci
on de bandas 321

C:/Users/Asus/Desktop/321_shapefile.jpg

(b) Mapa de la IX Region de Chile, en una compo-

sici
on de bandas 321, con un shapefile al cual se le
realizo una correccion atmosferica

Figura 4: Mapa en composicion 321

Universidad Catolica de Temuco
Facultad de Recursos Naturales

3.2. RGB 432

Se observa una imagen en composicion rgb 432, la que asigna la banda de in-
frarrojo cercano al color rojo. Esto permite diferenciar la vegetacion sana de la
vegetacion estresada.

C:/Users/Asus/Desktop/432.jpg

Figura 5: Mapa de la IX Region de Chile, en composicion de bandas 432

3.3. RGB 742

Se observa una imagen en composicion 742, la que asigna el infrarrojo medio
(B7 en LS5) al color rojo, y el infrarrojo cercano al color verde (B4 en LS5). Esto
permite diferenciar la nieve, en color celeste, de las nubes.

C:/Users/Asus/Desktop/742.jpg

Figura 6: Mapa de la IX Region de Chile, composicoon de bandas 742

Universidad Catolica de Temuco
Facultad de Recursos Naturales

3.4. Clasificaci
on No Supervisada
Se realizaron 3 clasificaciones en funcion de 6, 8 y 10 clases, para as poder ver las
diferencias que presentan entre ellas. En las 3 imagenes obtenidas luego de aplicar
la clasificacion no supervisada se observan errores similares.
Universidad Catolica de Temuco
Facultad de Recursos Naturales

C:/Users/Asus/Desktop/reclass_10.jpg

(a) Mapa IX Region de Chile, 10 clases

C:/Users/Asus/Desktop/reclass_8.jpg

(b) Mapa IX Region de Chile, 8 clases

C:/Users/Asus/Desktop/reclass_6.jpg
Universidad Catolica de Temuco
Facultad de Recursos Naturales

C:/Users/Asus/Desktop/class_6_temuco.jpg

(a) Mapa ciudad de Temuco, 6 Clases

C:/Users/Asus/Desktop/class_8_temuco.jpg

(b) Mapa ciudad de Temuco, 8 Clases

C:/Users/Asus/Desktop/class_10_temuco.jpg
Universidad Catolica de Temuco
Facultad de Recursos Naturales

4. Discusi
on y An
alisis
En este caso tenemos una sola imagen la cual ha sido trabajada, esto a fin de
comprender los procesos basicos de procesamiento digital de imagenes, por lo tanto
la variable temporal no es algo a tener en cuenta, comenzando, con las imagenes
correspondientes a las distintas combinaciones de las bandas RGB, en primer lugar
tenemos una imagen en composicion de falso color verdadero, la cual se ve afectada
por el fenomeno de scatterig de Raylegth, anteriormente descrito, donde se logra
ver como es afectada la banda azul, propagandose este color por toda la imagen,
funcion de esto se realiza una correccion atmosferica, logrando as eliminar este error,
el problema de esto radica en que, por procesamiento, es difcil de ejecutar el proceso
en toda la imagen, ya que no tendra resultados del todo satisfactorios, as tambien,
se puede notar que existe un problema en la imagen en composicion de diferenciar
las nubes de la nieve. El punto a favor de esto es la fecha de adquisicion de la imagen,
la cual corresponde al 03 de Noviembre del 2006 , por lo tanto estamos situados en
primavera, la cual, no es una epoca con tanta nubosidad, aun asi, sigue siendo un
peque no problema. En solucion a esto se puede realizar una composicion 742, en la
que la nieve a diferencia de las nubes, se puede ver de color celeste, mientras que las
nubes se ven de color blanco.
Para ver el potencial que uno puede obtener de las imagenes satelitales, para
esto se uso la composicion 432, la cual tiene como caracterstica de asignar al color
rojo, la banda 4, la cual corresponde al infrarrojo cercano para el satelite Landsat-5,
esta composicion es usada habitualmente para discriminar vegetacion, en la cual
podemos ver la diferencia entre la vegetacion estresada de la vegetacion saludable,
esto se puede visualizar en funcion de los tonos de color rojo presente en la imagen,
siendo los tonos mas oscuros, la vegetacion estresada. Para esta composicion de
bandas (432), sigue existiendo el problema de diferenciar las nubes de la nieve, pero
en aludiendo al caso que no fuera objeto del estudio, o tendra mayor incidencia en
el analisis.
Un rasgo a tener en cuenta es, sabiendo a priori, como es la morfologa del area de
estudio, estando presente en esta, parte de la cordillera de los andes y de la cordillera
de Nahuelbuta , lo que significa que hay terrenos mas elevados, en funcion de esto,
se logra apreciar, que las partes mas oscuras o de tonos mas oscuros dentro de las
imagenes, son concordantes a lugares e los cuales predomina una alta elevacion,
por que, tambien puede ser un factor a tener en cuenta al momento de realizar un
analisis, lo que permite afirmar de cierta manera que la morfologa del terreno al
momento de realizar cualquier composicion de bandas, debe de ser un elemento a
tener en consideracion.
Algo bastante curioso dentro de estas imagenes, es el comportamiento de los
cuerpos de agua frente a las distintas composiciones de banda que se realizaron, sin
tomar en cuenta la imagen en composicion 321 , ya que como se menciono, esta tiene
el problema de la banda azul generado por el scattering de Raylegth, por lo tanto
solo se tendra en cuenta las otras dos composiciones ya mencionadas anteriormente.
Como ya se dijo, algo curioso es la manera en que act ua el agua en estas imagenes,
la cual tiende a comportarse como un cuerpo oscuro. Es sabido que no puede ser
un cuerpo oscuro como tal, ya que, el cuerpo oscuro es asociado a un caso teorico
o ideal, el cual no se cumple en la realidad, por lo tanto, es correcto decir que los
cuerpos de agua tiende a comportarse como un cuerpo oscuro, pero esto es solo para
las bandas analizadas, lo que nos permite decir que el agua absorbe gran parte de
Universidad Catolica de Temuco
Facultad de Recursos Naturales

la radiacion en el orden del espectro visible y del infrarrojo cercano y medio .

Ahora si es que se deja de lado las imagenes en distintas composiciones de bandas,
y se toma en cuenta las imagenes obtenidas por la clasificacion no supervisada,
tenemos 3 imagenes que cuentan con distinta cantidad de clasificaciones. Esto nos
dice que, a una mayor cantidad de intervalos de clasificacion podremos tener una
mayor diferenciacion de los distintos objetos presentes en la imagen de estudio.
Uno de los grandes inconvenientes es el agua, podemos observar que el valor de
clase que esta toma es identico a lo que se puede ver en el continente, a priori , se
puede decir que esto es un gran error ya que, en ciertas zonas, no existe la presencia
de grandes masas de agua, dado que la resolucion del pixel de la imagen trabajada,
corresponde a celdas de 30 x 30 m , por lo que se puede decir que hay un cierto grado
de error en esto. As tambien , seg
un la definicion de la clasificacion no supervisada,
la idea es separar en distintas clases los objetos que tenga una respuesta espectral
similar, esto genera una cierta incertidumbre, ya que si bien se menciono que el
agua tiende a comportarse a un cuerpo oscuro, seg un esta imagen por clasificacion
no supervisada, los cuerpos de agua no deberan de tener este comportamiento.
Respecto a otro error generado, es como se ve en la figura de los resultados,
correspondiente al area de Temuco en donde se puede apreciar pixeles con el color
amarillo, el cual es el mismo asignado tanto para la nieve como para las nubes, esto
se puede apreciar en las imagenes correspondientes a 6 y 8 clases, mientras que en la
clasificacion por 10 clases no sucede esto , esto puede ser simplemente por el hecho
de que en ese da hubo cierta nubosidad sobre Temuco lo que genera el color amarillo
dentro de esta zona. A grandes rasgos, de esto se puede notar que en las imagenes
con 6 y 8 clases, no son lo suficiente para lograr diferenciar todos los objetos de
la imagen, en cambio, en la imagen que cuenta con 10 clasificaciones se puede ver
que hay una mayor diferencia entre cada objeto, si se toma un enfoque en cuanto
a las nubes, la clasificacion de 10 clases esta por sobre las otras, dado que esta nos
permite hacer una clara diferencia entra nubes y nieve, que a diferencia de las otras
dos imagenes, no es posible de realizar sin tener una imagen adicional .
Luego del analisis anterior se puede decir que la clasificacion por 10 clases, lleva
ventaja por sobre las otras, lo que nos entrega como dato, que una clasificacion por
mas clases puede que sea mejor, pero en este caso, la mayor diferencia radica en las
nubes, lo cual puede variar en funcion del area de estudio, ya que puede que a utilizar
una clasificacion por mayor cantidad de clases, se termine saturando la imagen, lo
cual no sea provechoso. Para poder explicar este error de la diferenciacion entre
nubes y nieve, se puede tener en cuenta que todas las bandas tienen una resolucion
espacial de 30 m, a excepcion de una, la banda 6, la cual tiene una resolucion espacial
de 120m, puede que esto no sea del todo importante, pero si se tiene en cuenta que
la clasificacion, toma en cuenta los datos de todas las bandas, esto puede generar
cierto error al extrapolar la informacion entre las bandas 1,2 ,3 ,4 ,5 y 7 con la banda
6.
Universidad Catolica de Temuco
Facultad de Recursos Naturales

5. Conclusi
on
Los distintos procesos digitales que se pueden llevar a cabo en los software so
bastante ventajosos, para este caso, los procesos realizados en GRASS GIS 7.0.4,
logran deja en evidencia que es una herramienta totalmente util, pues, permite llevar
a cabo una gran cantidad de analisis de imagenes, las cuales representan terrenos,
sin la necesidad de tener que tomar datos en dicho lugar , por lo tanto, satisface en
gran medida la necesidad de analizar ratos de manera remota al area de estudio.
Por otro lado, es sumamente necesario comprobar datos en terreno, como se
logro ver en los resultados y analisis de estos, sirven bastante para tener una idea
bastante acertada de lo que uno se enfrentara en terreno, pero no siempre son del
todo correctos, dado que, estos pueden presentar ciertos errores, tal como se logra
apreciar al momento de realizar la clasificacion no supervisada, ya que se genera
cierta incertidumbre en funcion de los resultados obtenidos.
Es de tener en cuenta las distintas fuentes de error, las cuales pueden traer
problemas al momento de analizar los resultados, tanto de las composiciones RGB,
como de las clasificaciones no supervisadas, en este caso se descarta la variable
temporal, dado que se esta trabajando en torno a una sola imagen por lo tanto
no se pueden apreciar cambios a traves del tiempo, pero si puede ser incidente la
resolucion espacial, ya que dependiendo del objeto de analisis, esta puede estar a
favor o en contra. Un caso en particular puede ser un error del sensor, que puede
ser generado por la saturacion de este, ya que, se analizan zonas con alta cantidad
de nieve, puede generar un error en los datos de la imagen.
Es sumamente correcto afirmar que mediante los distintos procesos es posible
realizar un analisis de la zona, y que en funcion de los resultados se puede relacionar
lo que es la teora vista en catedra, junto con los resultados practicos llevados a cabo,
llegando a comprender lo fundamental de estos procesos y de la percepcion remota
para el estudio de zonas, sin la necesidad de tener que tomar datos de terreno.
Universidad Catolica de Temuco
Facultad de Recursos Naturales

6. Referencias
Grass.osgeo.org, (2015). GRASS GIS Home.[online] Dispoible en: https://grass.osgeo.org/
(Acceso 4/10/2016)

INEGI(n.d). Aspectos tecinicos de las imagenes Landsat.

Baez J y Alonso M. (2008) Uso del sistema HSI para asignar falso color a
objetos en imagenes digitales .Revista Mexicana de Fsica

Campbell J. and Wynne R. (2011) Introduction to Remote Sensing FIFTH

EDITION

Aguirre C., Brizuela A., y Velasco I.(2007). Aplicacion de metodos de correc-

cion atmosferica de datos Lansat 5 para analisis multitemporal

Chuviec E. (1995). Fundamentos de Teldeteccion Espacial

Univeridad de Murcia (n.d) Tema 7 Correcciones de imagenes satelitales. Re-

cueperado de: http://www.um.es/geograf/sigmur/teledet/tema07.pdf

Rejas J. (2007/2008) Tratamiento digital previo de las imagenes

Cardenas C. y Rojas K. (n.d) IDENTIFICACION Y REGISTRO CATAS-

TRAL DE CUERPOS DE AGUA MEDIANTE TECNICAS DE PROCESA-

MIENTO DIGITAL DE IMAGENES EN LANDSAT-5

Universidad de Jaen(2006) Practicas de Teledeteccion. Recuperado de: http :

//www.ujaen.es/huesped/pidoceps/tel/archivos/P rac T el 2006 7.pdf

Cardenas M. (2013) clustering: Clasificacion no supervisada. Recuperado de:

http : //wwwae.ciemat.es/ cardenas/curso M D/clustering.pdf