Manual Curso ERDAS2011 PDF

Introduccin a la teledeteccin con ERDAS
Imagine.
Unidad SIG. Centro de Ciencias Humanas y Sociales (CCHS)
Consejo Superior de Investigaciones Cientficas (CSIC)
Madrid, 6 al 10 de junio del 2011
Carlos Fernndez Freire

M Victoria Gonzlez Cascn
Alfredo Gmez Domnguez
Israel Gmez Nieto
OBJETIVO DEL CURSO
El objetivo de este curso es proporcionar un conocimiento bsico de las tcnicas de

teledeteccin, a travs de las herramientas de ERDAS Imagine.
Para ello se han definido una serie de mdulos que representan las principales fases del flujo
de trabajo habitual en teledeteccin: importacin de datos, correcciones geomtricas y
radiomtricas, mosaicado, realces, ndices, clasificacin digital y visualizacin 3D.
El curso est dirigido a personal tcnico e investigador del CSIC que requiera el uso de estas
herramientas en su labor profesional y que ya cuente con un cierto conocimiento de las
Tcnicas de Informacin Geogrfica (TIG).
Al finalizar el curso se espera que el alumno se haya familiarizado con estas tcnicas y pueda
implementarlas en su trabajo.
Introduccin a la teledeteccin con ERDAS Imagine
LUNES 6 MARTES 7 MIRCOLES 8 JUEVES 9 VIERNES 10
Teora: fundamentos Teora: correcciones Teora: realces y filtros Teora: ndices Prctica: clasificacin
9:00 10:15 fsicos + prctica geomtricas supervisada
Carlos Fernndez Carlos Fernndez Carlos Fernndez M Victoria Gonzlez M Victoria Gonzlez
Teora: tipos de Prctica: correcciones Prctica: realces y Prctica: ndices Prctica: matriz de
10:15 11:30 sensores + prctica geomtricas filtros confusin
Carlos Fernndez Carlos Fernndez Carlos Fernndez M Victoria Gonzlez M Victoria Gonzlez
11:30 12:00 CAF CAF CAF CAF CAF
Teora: tipos de Teora: correcciones Teora: mosaicado Teora: clasificacin Teora + prctica:
12:00 13:30 resolucin + prctica radiomtricas clasificacin experta
Carlos Fernndez Carlos Fernndez Alfredo Gmez Carlos Fernndez Carlos Fernndez
Prctica: adquisicin e Prctica: correcciones Prctica: mosaicado Prctica: clasificacin Presentacin y anlisis
13:30 15:00 importacin de datos radiomtricas no supervisada resultados
Carlos Fernndez Carlos Fernndez Alfredo Gmez M Victoria Gonzlez Alfredo Gmez
NDICE
Pag.
1. Teora I: Fundamentos de teledeteccin y conceptos de resolucin 3
Prctica 1: Resoluciones y firmas espectrales 19
Teora II.a: Tipos de sensores 29
Teora II.b: Adquisicin e importacin de imgenes 38
Prctica 2: Adquisicin e importacin de datos 43
Teora III: Correcciones geomtricas 48
Prctica 3.1: Georreferenciacin 53
Prctica 3.2: Corregistro de imgenes 59
Teora IV: Correcciones radiomtricas 69
Prctica 4: Correcciones radiomtricas 76
Teora V: Realces y filtros 86
Prctica 5: Realces y filtros 94
Teora VI: Elaboracin de mosaicos 112
Prctica 6: Elaboracin de mosaicos 118
Teora VII: Obtencin de informacin de la imagen 130
Prctica 7: Combinaciones lineales entre bandas 138
Teora VIII: Clasificacin de imgenes 145
Prctica 8.1: Clasificacin no supervisada 155
Prctica 8.2: Clasificacin supervisada 165
Prctica 8.3: Matriz de confusin 175
Prctica 8.4: Knowledge Engineer 180
Prctica 8.4 extra: Knowledge Engineer 185
Prctica 9: Visualizacin en 3D 192
Recursos de teledeteccin 197

Fundamentos de Teledeteccin
Conceptos de resolucin
INTRODUCCIN
Funcionamiento de un sistema de Teledeteccin
Teledeteccin: Tcnica que permite obtener informacin a distancia de un objeto
Emisor de Sensor
energa
Flujo
Superficie incidente/reflejado
observada
La teledeteccin es la tcnica de observacin remota de la superficie terrestre y de la atmsfera que

la envuelve utilizando sensores capaces de captar la radiacin electromagntica, reflejada o emitida.
Incluye el proceso de anlisis de los datos para su posterior transformacin en magnitudes fsicas.
3
INTRODUCCIN
Funcionamiento de un sistema de Teledeteccin
Obtenemos una imagen de la superficie terrestre:
INTRODUCCIN
Mtodos de Teledeteccin
Mtodos pasivos: se basan en el registro de la radiacin electromagntica reflejada o

emitida por los objetos de forma natural. La fuente de energa es el sol o la tierra, y
la funcin del sensor es el registro de la seal que le llega. Los ms comunes son la
fotografa y los sensores optico-electrnicos.
Mtodos activos: el sensor tiene una doble funcin. Por una parte cuenta con una
fuente de energa propia que suministra una radiacin de caractersticas conocidas
que enva al objeto, y que posteriormente recoger una vez reflejada por aquel. La
informacin se obtiene de la comparacin entre la seal emitida y la reflejada. El
radar es el mtodo activo ms comn.
4
Fuente de Energa
SISTEMA DE TELEDETECCIN
Sistema sensor
Atmsfera
Interpretacin visual
Tratamiento
Superficie terrestre
Sistema de Recepcin
Anlisis digital Salidas grficas y digitales Usuario
INTRODUCCIN
Usos Teledeteccin
Estudios medioambientales: Otros:
Monitorizacin de la vegetacin Fuente de datos para los SIG
Deteccin incendios Patrimonio cultural
Estudios biodiversidad Estudios arqueolgicos
Gestin desastres naturales
Planificacin territorial
Etc
5
Ventajas de la Teledeteccin
Cobertura global de la superficie terrestre.
Observacin a distintas escalas.
Frecuencia de adquisicin.
Homogeneidad en la adquisicin.
Informacin en regiones del espectro no visible.
Formato digital.
VENTAJAS
Visin global
Nmero de incendios del

27/12/10 al 31/12/10
http://rapidfire.sci.gsfc.nasa.gov/
La frecuencia con la que las imgenes son tomadas hace que sea
posible contar con informacin a escala global en perodos razonables
(de un da a varios das, dependiendo de la resolucin espacial del
sensor).
6
VENTAJAS
Escalas de medida
MSG-1 (1x1 Km.) Landsat TM (30x30 m.)
Ikonos-2 (1x1 m.)

Terra-MODIS (0,5x0,5 Km.)
VENTAJAS
Frecuencia de adquisicin
1972 1989
1993 1997-98
Landsat/MSS-TM
La existencia de capturas con iguales caractersticas de observacin, y de diferentes

aos, permite realizar anlisis multitemporales.
7
VENTAJAS
Homogeneidad en la adquisicin
Terra-MODIS
29 de julio de
2001
29 de julio de
2002
29 de julio de
2003
VENTAJAS
Regiones no visibles del espectro
Composicin en color verdadero
La disposicin de informacin en
regiones no visibles del espectro
hace de las imgenes de satlite una
herramienta muy til en la
discriminacin de cubiertas o en los
estudios atmosfricos, por ejemplo.
Composicin en falso color
8
VENTAJAS
Formato digital
La radiacin captada por un

sensor espacial se transforma en
un pulso elctrico que es
codificado, dentro de un rango
determinado, en un valor
numrico. Los datos
posteriormente son
transmitidos a las estaciones en
tierra para poder ser procesados
mediante software especficos
de tratamiento digital de
imgenes.
FUNDAMENTOS
Espectro electromagntico
9
FUNDAMENTOS
Interaccin entre la energa y un cuerpo
FUNDAMENTOS
Magnitudes fsicas en teledeteccin
Energa radiante: Indica el total de energa radiada en todas las direcciones (J).
Flujo radiante: Total de energa radiada en todas las direcciones por unidad de
tiempo (W).
Emitancia: Total de energa radiada en todas las direcciones desde una unidad de
superficie y por unidad de tiempo (W/m2).
Irradiancia: Total de energa radiada sobre una unidad de rea y por unidad de
tiempo (W/m2).
Intensidad radiante: Total de energa radiada por unidad de tiempo y por ngulo
slido de medida (W/sr).
Radiancia: Total de energa radiada en una determinada direccin por unidad de
rea y por ngulo slido de medida (W/m2sr). ES LO QUE MIDE EL SENSOR.
Emisividad: Relacin entre la emitancia de una superficie y la que ofrecera un
emisor perfecto a la misma temperatura.
Reflectividad: Relacin entre el flujo incidente y el reflejado por una superficie.
Absortividad: Relacin entre el flujo incidente y el que absorbe una superficie.
Trasmisividad: Relacin entre el flujo incidente el transmitido por una superficie.
10
FUNDAMENTOS
Leyes de la radiacin electromagntica
Ley de Planck
c1 Cualquier cuerpo fsico con una
M n, temperatura superior a 0 Kelvin,
5 c radia energa, y sta aumenta con
exp 2 1
T la temperatura
Ley del desplazamiento de Wien

La longitud de onda a la que se
2898 mK produce la mxima emitancia vara
max
T en funcin de la temperatura
PRINCIPALES CUBIERTAS
Principales rangos de observacin
Dominio ptico (0,4 a 2,5 mm). Comprende el intervalo de longitudes de onda directamente
dependientes de la energa solar.
Regin del infrarrojo trmico (8 a 14 mm). Es donde se manifiesta con mayor claridad la emitancia
espectral de la superficie terrestre, de acuerdo con su temperatura. La radiancia que recibe el
sensor no es el resultado de la reflexin de la energa solar, sino de la radiacin emitida por la
superficie.
Regin de las microondas (mm a m). Los sensores que trabajan con esta parte del espectro
electromagntico habitualmente emiten su propio haz energtico para recoger,
posteriormente, su retrodispersin. Proporcionan una informacin ms compleja de tratar.
Visible
0.4 0.5 0.6 0.7
UV IR
Longitud de Onda (micras)
10 10 10 10 10 1 10 10 10 10 10 5
-5 -4 -3 -2 -1 2 3 4
Rayos Radio
gamma TV
Rayos X Ultravioleta Infrarrojo

Microondas
Trmico
Infrarrojo Prximo y Medio
11
Factores que influyen en la reflectividad de la cubierta
Elementos que absorben (agua, pigmentos, minerales).

Rugosidad superficial (reflectividad lambertiana o especular).
ngulos de observacin e iluminacin.
Variaciones medio ambientales en la cubierta:
homogeneidad/heterogeneidad que presenta la superficie,
estado fenolgico de la vegetacin, etc.
Influencia del relieve en el ngulo de iluminacin: orientacin de
las laderas, pendiente.
Efectos de la atmsfera
Absorcin (O2, O3, vapor de agua, aerosoles): La atmsfera se comporta
como un filtro selectivo en algunas longitudes de onda.
Dispersin: Se produce por la interaccin entre los gases y partculas
atmosfricas y la radiacin electromagntica.
Rayleight: Afecta a l < que el tamao de la partcula.
Mie: Afecta a l de similar tamao al de las partculas.
No selectiva: Afecta a diversas l.
Emisin. Se da en funcin de la temperatura de los cuerpos.
100
Absorcin 50
Atmosfrica
(%)
0
0,4 0,7 1 2 3 5 10 (...) 10.000 m
12
Tipos de reflectores
nguo
l
nguo
l
n
Icd
iencaR
i ee
l
fx
in
R
EFL
ECT
ORE
SPE
CUL
AR R
EFL
ECT
ORL
AMB
ERT
IAN
O
Firma espectral
Forma en que un objeto refleja y emite energa a diferentes longitudes de onda ()
VISIBLE IR PRXIMO IR MEDIO
VEGETACIN
SUELO
NIEVE
13
Factores en la reflectividad de la vegetacin
Factores de reflectividad de la hoja. Factores del dosel vegetal.
Pigmentos. Cobertura.
Estructura de la hoja. Geometra de las hojas.
Humedad. ngulos de observacin.
C C Estructura Agua Agua

l l
o o
r r
o o
fi fi
l l
a a
Factores en la reflectividad del suelo
Composicin qumica Color dominante
Materia orgnica Baja reflectividad
Humedad Bandas de absorcin
Textura y estructura Aumento o disminucin reflectividad
Agua Agua
14
Factores de reflectividad del agua
Profundidad de las aguas Menor aporte materiales fondo
Materiales en suspensin Ms reflectividad en visible
Rugosidad de la superficie (oleaje) Aumento reflectividad (ref. lambertiano)
Presencia de vegetacin Descenso azul, aumento verde
ngulos de observacin e iluminacin Por ser reflector especular
Agua ocenica Agua ocenica

profunda costera
Mezcla de cubiertas
60
50
40
reflectividad %
30
20
10
0 m
0.4 0.4 0.5 0.6 0.7 0.8 0.9 1.0 1.2 1.5 1.7 2.0 2.2 2.5
0 8 7 6 5 4 2 0 5 1 6 1 6 1
Suelo Pino 25% Pino 50% Pino 100%
15
Colores resultantes
Vegetacin Agua
menos vigorosa
Suelo Nieve Vegetacin

descubierto vigorosa Composicin en
Infrarrojo Falso Color
RESOLUCIN
Tipos de resolucin
Espacial Espectral
60.00
50.00
40.00
Reflectance
30.00 59.09
33.27
20.00
0.00
10.00
0.00
0.36 0.45 0.54 0.63 0.72 0.80 0.89 0.98 1.16 1.42 1.67 1.91 2.15 2.40 Wavelength
Temporal Radiomtrica
16
RESOLUCIN
Resolucin espacial
Capacidad de distinguir objetos en la imagen de acuerdo a su
tamao. Seala el lmite de esta capacidad.
Factores de que depende:
1.Tamao del IFOV (Instantaneous Field of View).
2. Altura de la rbita del satlite.
3.Tipo de detectores.
Influencia de la
resolucin espacial
Delimitacin objetos,
por ejemplo campos
de cultivo.
RESOLUCIN
Resolucin espectral
Nmero y anchura de las bandas en las que el
sensor toma medidas. Landsat
La eleccin del nmero, anchura y localizacin de 1 TM
2 3
Meteosat B14
las bandas depende de la finalidad de su diseo.
Un sensor diseado para el estudio de las
cubiertas del suelo intentar evitar las ventanas
de fuerte absorcin atmosfrica. Sin embargo, un
satlite meteorolgico buscar informacin en
esas mismas ventanas.
Del mismo modo un sensor meteorolgico no
precisar de mltiples canales en el visible puesto
que las diferencias cromticas en las nubes no son
destacables. Sin embargo, un sensor dedicado al
estudio de la superficie terrestre s que precisar Vegetacin sana
de este tipo de informacin. Vegetacin seca
17
RESOLUCIN
Resolucin temporal
Tiempo que transcurre desde una toma del sensor y la siguiente de la

misma zona de la cubierta terrestre.
Factores de que depende:
1. Caractersticas de la rbita del satlite (altura, velocidad, inclinacin).
2. ngulo total de apertura del sensor.
Existen sensores que pueden enfocarse desde rbitas prximas lo que

reduce el tiempo entre tomas (SPOT-HRV, Ikonos).
RESOLUCIN
Resolucin radiomtrica
Sensibilidad del sensor a la hora de detectar variaciones en la radiancia

espectral que capta.
Se identifica con el rango de valores que utiliza para codificar esta radiancia.
En ltima instancia en las imgenes digitales se traduce en el nmero de bits
que se utilizan en dicha codificacin.
Una imagen de 8 bits es capaz de ofrecer 256 niveles de codificacin (niveles
de gris o de color).
Con el paso del tiempo la resolucin radiomtrica de los sensores se ha ido
incrementando notablemente debido a la mejora de la ptica y de los
sistemas electrnicos de almacenamiento y transmisin de los datos.
Hoy no es extrao contar con imgenes que utilizan 10, 11, 16 y hasta 32
bits.
18
Prctica 1: Resoluciones y firmas espectrales
Antes de comenzar con las prcticas vamos a visualizar varias imgenes para
habituarnos al manejo de la interfaz de ERDAS. Para ello seleccionamos la opcin de
abrir archivo y navegamos hasta la carpeta Prctica1 para ir examinando las
diferentes imgenes.
Prctica 1.1
En primer lugar vamos a analizar distintos tipos de imgenes desde el punto de vista
de su resolucin.
1. Seleccionamos abrir archivo.
2. En el men File encontramos la opcin Open Raster Layer. Navegamos hasta la

carpeta Prctica1/resolucion. En el tipo de archivo indicamos que es de tipo
TIFF. Abrimos la imagen SPOT y aceptamos la generacin de pirmides para que
su visualizacin sea ms gil.
UNIDAD SIG-CCHS: Introduccin al tratamiento digital de imgenes con ERDAS Imagine 19

3. Con la utilidad Show Information for Top Raster Layer accedemos a la
informacin de la imagen. Consultando dicha informacin comprueba y anota
la siguiente informacin:
SPOT
Tamao de la imagen:
Tipo de proyeccin:
Resolucin espectral (n de bandas):
Resolucin espacial:
Resolucin radiomtrica:
4. Repite el proceso con las imgenes Landsat, MODIS y la ortofotografa area

del PNOA2005. Ten en cuenta que el tipo de archivo raster es diferente en cada
una (Landsat=img; MODIS=pix; PNOA=ecw). Anota la misma informacin que
para la imagen SPOT. Para conservar la imagen que estas visualizando al abrir
una nueva es necesario desactivar la opcin Clear view de la pestaa Raster
Options en el caso de est activada.
Si optas por tener varias imgenes abiertas simultneamente su posicin se

controla desde el panel Contents situado arriba a la izquerda (manteniendo
pulsado el botn izquierdo del ratn y arrastrado la capa hasta una nueva
posicin).
Landsat
Tamao de la imagen:
Tipo de proyeccin:

Resolucin espacial:
MODIS
Tamao de la imagen:
Tipo de proyeccin:
Resolucin espacial:
PNOA
Tamao de la imagen:
Tipo de proyeccin:
Resolucin espacial:
5. Tambin puedes observar las diferencias de resolucin espacial entre las

distintas imgenes a travs de la funcin Swipe . Puedes practicar con la opcin
Auto Mode y Multilayer Mode. Ten en cuenta la posibilidad de configuraciones
distintas con los parmetros L, I, W y S.

6. Puedes utilizar tambin la funcin Blend y observar las diferencias con la
anterior. Haz lo mismo con la funcin Flicker.
Prctica 1.2
1. Abrimos ERDAS 2010 y desplegamos el Signature Editor que se encuentra en el
mdulo Raster - Supervised .
3. Desde el visor abrimos la imagen landsattm_firma_espectral.img que se

encuentra en la carpeta Prctica_1_2. Se trata de una escena Landsat5 TM, que

contiene informacin en seis bandas espectrales, con informacin en los rangos del
Visible (1, 2 y 3), IRC (4) y SWIR (5 y 6).
4. En la pestaa Multispectral controlamos en tipo de composicin RGB que queremos

obtener. Existen composiciones RGB convencionales predefinidas para las imgenes
Landsat5-TM. Probaremos las diferentes composiciones y elegiremos las ms
adecuadas para identificar los distintos tipos de cubiertas presentes en la imagen.
5. El objetivo es seleccionar algunos tipos de cubiertas (agua, vegetacin de ribera,

cultivos, nubes) y obtener el perfil espectral de los mismos a travs de las
herramientas que ERDAS 2010 ofrece.
6. Desde el men principal de ERDAS 2010 creamos una nueva capa de AOI (Area Of
Interest); Menu New 2D View AOI Layer:

7. Buscamos un pxel que corresponda con la cubierta agua y creamos una AOI
de tipo punto.
Podemos ayudarnos del Inquire Cursor para comprobar los valores que tiene el
pixel elegido. Desde la pestaa Home seleccionamos Display Selected AOI
Properties y damos un nombre y una descripcin a nuestro elemento.
8. Volvemos al Signature Editor y creamos una nueva signatura espectral utilizando la

herramienta Create a New Signature from AOI . Una vez que se ha incorpora el
nuevo registro podemos etiquetarlo con el nombre de la categora correspondiente, en
este caso la llamamos agua.
9. Repetimos los pasos 7 y 8 para incorporar nuevas categoras a nuestra tabla de

firmas espectrales (por ejemplo: vegetacin de ribera, cultivos, nubes, asfalto, sombra
de nube). Te puede servir de referencia la captura de imagen que se acompaa
(realizada con una composicin en falso color infrarrojo), aunque puedes intentar
localizar otras zonas tu mismo.

10. Podemos modificar el color que por defecto nos ofrece la aplicacin para que las
clases sean ms fcilmente contrastables en nuestro grfico.
11. Una vez recolectados nuestros puntos de muestra para cada categora podemos
visualizar las signaturas espectrales a travs del Display Mean Plot Window .
Diseamos un grfico que permita visualizar los cuatro perfiles espectrales. Para ello es
posible que tengamos que modificar los parmetros de representacin a travs de la
opcin Charge Options, que se encuentra dentro del men Edit. El resultado debe ser
parecido al que se muestra en la captura de pantalla.

12. Para finalizar guardamos nuestra capa AOI para lo que utilizamos la opcin
Save AOI Layer as. La almacenamos en nuestra carpeta de trabajo con un
nombre reconocible. Si queremos guardar todo nuestro proyecto guardamos la
GLT Session desde la opcin Save del men File.

Prctica 1.3
Otra forma diferente para poder realizar un grfico con los perfiles espectrales de
distintas categoras es la que se desarrolla en el siguiente ejercicio. En este caso se
busca tener un archivo con los puntos de extraccin y los valores en todos los canales
de la imagen para poder ser incorporado a una hoja de clculo y manejarlo con mayor
flexibilidad a la hora de representar grficamente los perfiles espectrales.
1. Desde la pestaa Manage Data seleccionamos la opcin Convert Pixels to

ASCII. Se despliega una ventana en la que tendremos que cargar nuestra
imagen Landsat como Input File. Tambin tendremos que indicar la capa AOI
que queremos utilizar para proceder a la extraccin de los valores espectrales
en cada uno de sus puntos. En nuestro caso la capa AOI que hemos creado
antes. Por ltimo, habr que indicar el nombre y ubicacin del fichero de salida
generado.
2. El fichero ASCII creado lo podemos abrir en EXCEL como un archivo delimitado,

separado por espacios. Una vez abierto procedemos a su representacin grfica
(recuerda que tienes que cambiar los puntos por comas para que EXCEL
entienda que son valores decimales). Como podemos observar, adems de la
informacin contenida en la seis bandas, tambin incluye las coordenadas X e Y
del pixel sobre el que caa cada punto. El orden de extraccin corresponde al
orden de creacin de los elementos de la capa AOI. Podemos agregar una
columna con su nombre.

3. Tan slo quedara elaborar el grfico. Tambin podramos guardar los datos en
otro formato.
Signaturas espectrales
1
0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
B1 B2 B3 B4 B5 B6
sombra de nube nube asfalto vegetacion ribera cultivo agua

Tipos de sensores
Un repaso a los sensores ms utilizados en teledeteccin
Clasificacin de sensores
SENSORES PASIVOS SENSORES ACTIVOS
Recogen la radiacin Emiten su propio haz

reflejada y emitida por el de energa
objeto estudiado
29
Sensores pasivos
FOTOGRFICOS RADIMETRO PTICO-ELECTRNICOS

MICROONDAS
Sistema ptico Sistema ptico
+ Sensor microondas +
Emulsin fotosensible Sensor electrnico
(pelcula fotogrfica)
CLASES
Matriz Empuje Barrido
Sensores pasivos
30
Sensores pasivos
Sensores activos
Radar (Radio Detection and Ranging)
Emisor receptor de microondas.
Aplicaciones:
Radar de imgenes: vegetacin, humedad, etc.
MDEs (interferometra).
Altimetra de la superficie marina. Deteccin vertidos.
Dispersmetro de vientos: direccin y velocidad.
31
Sensores activos
Imagen multi-
temporal ERS del
naufragio del Mar
Egeo cerca de la
Corua (diciembre de
1992)
Sensores activos
Lidar (Light Detection and Ranging)
Pulsos de luz polarizada (del ultravioleta al infrarrojo cercano).
Aplicaciones:
Atmsfera: partculas, humedad, presin, temperatura,
etc.
Cubiertas terrestres: manchas de aceite, algas, humedad
en la vegetacin, pigmentos, etc.
MDEs.
32
rbitas de las plataformas espaciales
rbita geosncrona
Como su nombre indica

permanecen estables
respecto de la Tierra
observando siempre la
misma parte de la
superficie. Es el caso de
los satlites
meteorolgicos.

Imagen completas del Meteosat y GOES
33
rbita heliosncrona
Describen rbitas
alrededor de la Tierra
que cubren cada
cierto tiempo toda la
superficie. El diseo
obedece al inters de
hacer que los
sensores midan la
radiancia de un punto
de la superficie
terrestre bajo las
mismas condiciones
de iluminacin.

Escena Landsat5 completa
34
rbitas geoestacionarias
Ventajas Desventajas
Visibilidad continua No se observan los polos
Visualizacin simultnea de un gran rea Baja resolucin espacial

(cerca de un tercio de la superficie
terrestre)
rbitas heliosncronas
Ventajas Desventajas
Cobertura global No es posible una observacin continua
con un solo satlite
Alta resolucin espacial
Buenas condiciones de iluminacin de la

zona observada
Satlites de teledeteccin ms comunes
Satlites de recursos naturales: Meteorolgicos:

Landsat (1-7) Meteosat-MSG2-Goes
RBV, MSS, TM, ETM+ Nimbus
SPOT NOAA-AVHRR
HRV-P y XS DMSP
Vegetation
Seawifs
IRS-C
Liss, Wifs.
Satlites comerciales:
Terra, Aqua
ASTER, CERES, MISR, MODIS, - Orbview
MOPITT - Ikonos
- QuickBird
35
Caractersticas
LANDSAT Landsat 7 Sensor ETM+

Altura orbital: 705 km. Resolucin espacial: 30 m.
Ciclo de recubrimiento: 16 das espectral: 7 bandas.
rea observada: 183 km radiomtrica: 8 bits.
Banda pancromtica 15m.
Banda trmica a 60 m
SPOT SPOT 5 Sensor HRG Sensor VEGETATION

Altura orbital: 822km. Resolucin espacial: 10 m. Resolucin espacial: 1km
Ciclo de recubrimiento: 26 das espectral: 4 bandas. espectral: 4
rea observada: 3600 km2 radiomtrica: 8 bits. bandas:
Banda pancromtica 25m. azul, rojo, IRP, IRM

Caractersticas
ASTER
Bandas:
4 en el espectro ptico (15 m)
6 en IRM (30 m)
5 en IRT (30 m)
Aplicaciones: coberturas terrestres, minerales,
nubes, humedad, temperatura.
AVHRR
Bandas:
6 del verde al IRT (1 km)
Aplicaciones: cambios en las coberturas
terrestres a escala global.
Resolucin temporal: 6 horas
36
Caractersticas
MODIS
36 bandas:
ptico Infrarrojo Medio Trmico
Resolucin espacial: 250 500 1000 metros
Aplicaciones: nubes, aerosoles, vapor

atmosfrico, observacin masas de agua,
temperatura atmosfrica y superficial
IKONOS
Bandas: Azul Verde Rojo Infrarrojo Cercano
Resolucin espacial: 082 m (Pan) 32 m (Multi)
Aplicaciones: Urbanismo, seguridad nacional,

transportes
37
Adquisicin e importacin de imgenes
Servidores de imgenes e importacin de los archivos ms habituales
Bsqueda y descarga de datos
38
Plan Nacional de Ortofotografa Area (PNOA)
Descarga de imgenes:
http://centrodedescargas.cnig.es/CentroDescargas/
Visualizacin va web (servicio WMS):
Dentro de la IDEE (Infraestructura de Datos Espaciales de Espaa)
Cliente ligero (navegador web): http://www.idee.es
Cliente pesado (Desktop SIG):

http://www.idee.es/wms/PNOA/PNOA?
UNITED STATES GEOLOGICAL SURVEY (USGS):

Earth Resources Observation and Science (EROS) Center: http://eros.usgs.gov/
Productos:
Landsat
ASTER
MODIS
NOAA-AVHRR
EO-1:
Hyperion
Advanced Land Imager (ALI)
Imgenes de satlite desclasificadas
SIR-C (Radar)
39
SERVIDORES DE IMGENES:
USGS Global Visualization Viewer (GloVis): http://glovis.usgs.gov/
Imgenes: Landsat, ASTER, MODIS, EO-1 (Hyperion, ALI)
EarthExplorer: http://edcsns17.cr.usgs.gov/EarthExplorer/
http://edcsns17.cr.usgs.gov/NewEarthExplorer/
Imgenes: Landsat, NOAA-AVHRR, EO-1 (Hyperion, ALI), imgenes

desclasificadas, SIR-C
Land Processes Distributed Active Archive Center (NASA LP DAAC):

https://lpdaac.usgs.gov/
Imgenes: ASTER, MODIS
Warehouse Inventory Search Tool (WIST):

https://wist.echo.nasa.gov/~wist/api/imswelcome/
Quickbird: http://www.digitalglobe.com/
WorldView: http://www.digitalglobe.com/
IKONOS: http://www.geoeye.com/
OrbView-3: http://www.geoeye.com/
GeoEye: http://www.geoeye.com/
SPOT: http://www.spotimage.com/
40
Hoy en da hay muchos datos disponibles de forma gratuita en red.
http://edcsns17.cr.usgs.gov/EarthExplorer/
http://glovis.usgs.gov/
41
http://www.nsof.class.noaa.gov/saa/products/search?sub_id=0&datatype_family=AVHRR
42
Prctica 2: Adquisicin e importacin de datos
Adquisicin
Hoy da existe una gran cantidad de servidores desde los que descargar imgenes de
diferentes sensores. Muchos de los programas espaciales ms veteranos permiten
obtener datos de forma gratuita y, en muchos casos, con un alto nivel de
procesamiento. Esto ocurre con muchos de los programas nacionales, no es el caso de
la mayora de los programas comerciales, centrados bsicamente en imgenes de alta
resolucin espacial.
A continuacin tenis un listado de algunos servidores gratuitos de datos a los que se

puede acceder generalmente a travs de visores:
USGS Global Visualization Viewer (GloVis): http://glovis.usgs.gov/ Imgenes:

Landsat, ASTER, MODIS, EO-1 (Hyperion, ALI)
EarthExplorer: http://edcsns17.cr.usgs.gov/EarthExplorer/
http://edcsns17.cr.usgs.gov/NewEarthExplorer/ Imgenes: Landsat, NOAA-

AVHRR, EO-1 (Hyperion, ALI), imgenes desclasificadas, SIR-C
Land Processes Distributed Active Archive Center (NASA LP DAAC):

https://lpdaac.usgs.gov/ Imgenes: ASTER, MODIS
Warehouse Inventory Search Tool (WIST):
https://wist.echo.nasa.gov/~wist/api/imswelcome/
Desde otros puntos podis encontrar imgenes de programas comerciales:
http://www.digitalglobe.com/ Imgenes Quickbird
http://www.geoeye.com/ Imgenes IKONOS, Orbview-3 y GeoEye
http://www.spotimage.com/ Imgenes SPOT
UNIDAD SIG-CCHS: Curso Introduccin al tratamiento digital de imagen con ERDAS IMAGINE
43
El proceso de importacin en ERDAS
El formato nativo de ERDAS es .img, como ya hemos visto. Vamos a ver cmo sera la
importacin de los formatos en los que podemos conseguir imgenes de forma ms
habitual.
En la carpeta de datos encontraris una imagen ASTER en formato HDF, un formato

habitual para grandes cantidades de datos. Podemos comprobar el formato en el que
se encuentra la imagen abriendo el archivo README desde el WordPad:
Desde la pestaa Manage Data seleccionamos la opcin Import Data y desplegamos el

listado de tipos de archivo hasta encontrar ASTER EOS HDF Format:
Una vez seleccionado el tipo de datos podemos guardarlos de forma que al abrir el
cuadro de dilogo de importacin nos aparezca esta opcin por defecto. En el
44
desplegable de Media debemos elegir File y conviene hacer clic sobre el asterisco, ya
que ser seguramente lo ms habitual.
Navegamos hasta la carpeta de datos y seleccionamos el archivo PRDAT011.DAT. El

archivo de salida lo vamos a llamar aster_b1.img, en la carpeta de resultados.
Aceptamos y se abre una nueva ventana:
El programa ya ha recolectado la informacin de la imagen y nos pregunta qu banda

queremos importar. Recordamos que las imgenes ASTER tienen 3 sensores, VNIR,
SWIR y TIR, cada uno con una resolucin espacial distinta. Vamos a importar las bandas
1, 2 y 3N del sensor VNIR, que se corresponden con el verde, rojo e infrarrojo cercano.
Pulsando en el botn de Next Image podemos elegir la banda a importar, y desde el
botn de Correction tenemos varias opciones ms:
En la pestaa de Rectification seleccionamos la opcin Write Transform to Image para

realizar una georreferenciacin en funcin de los parmetros orbitales almacenados en
la cabecera de la imagen. Como la cabecera tambin cuenta con los datos de sesgo y
ganancia, podemos seleccionar la conversin a radiancia desde la pestaa de
Radiometric Options o corregir el bandeado tpico de un sensor de empuje
seleccionando la opcin Destriping (no es necesario seleccionar estas opciones).
45
Importamos la banda 1 georreferenciada y a continuacin hacemos lo mismo con la 2 y
la 3N: aster_b2.img y aster_b3n.img. Abrimos un visor para examinar el resultado y
vemos cmo las imgenes ya cuentan con su sistema de coordenadas. Visualizamos los
metadatos de la imagen: hay una serie de pestaas nuevas con la informacin de
cabecera contenida en el archivo original HDF:
Por ltimo nos queda componer una sola imagen que cuente con las tres bandas que
acabamos de importar. Esto se hace desde la pestaa Raster Spectral Layer Stack:
46
Como imagen de entrada seleccionamos la primera banda que hemos importando
aster_b1.img, y pulsamos el botn de Add:
La imagen ya se ha aadido a la composicin que estamos creando. Realizamos la

misma operacin con las otras dos imgenes, tecleamos un nombre para la imagen de
salida en la carpeta de resultados, aster_vnir.img, seleccionamos la salida como
Unsigned 8 bits, ya que hemos importado los Niveles Digitales, sin convertir a
radiancia, y aceptamos.
Ahora ya tenemos la imagen con todas las bandas del sensor VNIR:
47
Correcciones geomtricas
Esencia de la correccin geomtrica
48
Esencia de la correccin geomtrica
Generar funciones que permitan convertir coordenadas

de imagen a coordenadas de mapa:
F(c) = f1 (c,l).
F(l) = f2 (c,l).
Referencia puede ser un mapa o una imagen de otra
fecha.
Problemas: esfericidad terrestre, distorsin panormica,
movimiento rotacin.
Georreferenciacin
49
Fuentes de error
Distorsiones geomtricas:
provocadas por la plataforma:

aleteo, cabeceo, giro lateral
provocadas por el sensor: distorsin

al alejarse del nadir
provocadas por la rotacin terrestre:

inclinacin de la imagen
Cambio de escala por la altitud
Georreferenciacin
Segn parmetros orbitales:
Generalmente incluidos en la cabecera de la imagen:
Posicin exacta del satlite

Altitud
Velocidad de barrido
Velocidad plataforma
Meridiano de cruce con el Ecuador
Muy adecuada cuando no hay puntos de control: superficie marina,

imgenes de baja resolucin espacial
50
Georreferenciacin
Mediante puntos de control. Fases:
Establecimiento puntos de control
Clculo de la funcin de transformacin
Transferencia ND:
Vecino ms prximo
Interpolacin bilinear (4 vecinos)
Convolucin cbica (16 vecinos)
Evaluacin ajuste. RMSE
Georreferenciacin: transferencia ND
Vecino ms prximo
Interpolacin bilinear
51
Georreferenciacin: evaluacin error
Raz del error medio cuadrtico
Lo ideal es que no supere el tamao del pxel
52
Prctica 3.1: Georreferenciacin
Abrir la imagen landsat5_no_georref.img dentro de la carpeta practicas3_1. Desde la

pestaa Multispectral seleccionar la opcin Control Points.
A continuacin un cuadro de dilogo nos pide que seleccionemos el modelo

geomtrico del sensor. En este caso seleccionamos Landsat.
A continuacin se abre una ventana con varias divisiones y un cuadro de dilogo para
especificar el mtodo para introducir las coordenadas de referencia para los puntos de
control. En este caso vamos a introducir las coordenadas desde el MTN25, que
tenemos en formato digital y georreferenciado, por lo que seleccionamos la opcin
Image Layer, que nos abrir un nuevo visor con la imagen de referencia:
UNIDAD SIG-CCHS: Curso Introduccin al tratamiento digital de imagen con ERDAS IMAGINE 53
Al pulsar OK se abre un nuevo cuadro para seleccionar la imagen; navegamos hasta la
carpeta de prcticas para seleccionar la imagen mtn25.img.
Nos pide que seleccionemos el sistema de referencia en el que se encuentra la imagen

de referencia. De momento especificamos que las coordenadas son en metros y
aceptamos, a continuacin definimos la proyeccin (ED50 / UTM zona 30):
En la pestaa de Parameters hay que especificar el sensor Landsat de que se trata (5

en nuestro caso) y si se trata de una escena completa o de un cuarto de escena (en
nuestro caso es el cuarto NW). En el caso de que dispongamos de un modelo digital de
elevaciones de la zona podemos incorporarlo en el modelo, como no es as, nos
limitamos a especificar una altitud constante representativa de nuestra zona de
estudio (600 metros).
Nota: Podemos salvar nuestro modelo como un archivo de extensin .gms para abrirlo ms
adelante desde la ventana de Model Properties.
Las propiedades del modelo que acabamos de definir se pueden modificar a lo largo
del proceso desde la opcin del men Display Model Properties .
A partir de este momento ya podemos comenzar a introducir los puntos de control.
La ventana aparece dividida en cuatro visores, los de la izquierda muestran la imagen

que vamos a corregir y los de la derecha la imagen de referencia. Los grandes
muestran la imagen ampliada y los pequeos el detalle de la zona sobre la que vamos
a introducir los puntos de control.
En la parte inferior tenemos la herramienta iremos visualizando los puntos

introducidos y, una vez hallamos calculado el modelo, su error.
Haciendo click en la herramienta de creacin de GCPs (Ground Control Point)

podemos empezar a introducir los puntos de control, pinchando primero en la imagen
a corregir y luego en la de referencia.
Para ello hay que seleccionar puntos homlogos en las dos imgenes, digitalizar
primero sobre la imagen de origen y a continuacin sobre la imagen de referencia.
Vemos cmo en la ventana de los GCP aparece un nuevo punto con coordenadas
imagen de origen y coordenadas UTM de referencia:
Coordenadas de Coordenadas
origen en pxeles UTM de destino
Cuando hayamos introducido un nmero suficiente de puntos de control como para

completar el modelo podemos calcular los residuos haciendo clic en el botn del
sumatorio :
As obtenemos el error de cada punto y el error medio cuadrtico general, que es
mostrado en la zona inferior izquierda. Por defecto el programa muestra los errores en
pxeles, por lo que tenemos que intentar obtener un error inferior a 1 para
asegurarnos una buena georreferenciacin.
Nota: Podemos salvar los puntos que hemos ido introduciendo desde file save input y file save
reference.
Cuando consideremos que el ajuste es

suficiente pasamos a rectificar la imagen.
haciendo click sobre el botn de remuestreo
pasamos a determinar el mtodo de
remuestreo y el nombre de la imagen de
salida.
Elegimos Nearest Neighbor y le damos un

nombre a la imagen de salida,
landsat5_georref.img y aceptamos. Se
comienza a realizar el proceso de rectificacin.
Una vez terminado podemos visualizar el

resultado desde un visor de ERDAS o de
ArcGIS y, si queremos, superponer el MTN25
para comprobar que el resultado es correcto,
mediante la utilidad swipe:
El proceso finaliza con la calibracin de la imagen desde la opcin Calibrate Image .

Este proceso calibra la imagen original, asignndole el sistema de referencia que
hemos elegido. No es necesario realizarlo si ya hemos generado otra imagen de salida.
Un mensaje nos advierte de que con este proceso finalizamos la georreferenciacin y

por lo tanto el mdulo de georreferenciacin se cerrar. Aceptamos. Cuando termina
el proceso de calibracin se cierran las ventanas del modelo y slo conservamos los
visores con la imagen original calibrada.
Prctica 3.2: Corregistro de imgenes
Cuando nuestra intencin no es tanto georreferenciar una imagen como superponer

una serie de imgenes (una serie temporal de imgenes de una misma zona, por
ejemplo), tenemos la posibilidad de utilizar la herramienta Autosync, a la que se
accede desde el men principal desde la pestaa Toolbox, seleccionando Autosync
Workstation:
La interfaz de este mdulo consta ms o menos de los mismos elementos que el
mdulo de georreferenciacin: tres visores para cada imagen, la de referencia y la
imagen a corregir, la herramienta para controlar la introduccin de puntos de control
abajo y, a la izquierda el rbol en el que visualizamos las imgenes con las que estamos
trabajando: una de referencia, una o varias a corregir y los resultados. De esta forma
podemos controlar el flujo de trabajo para varias imgenes a la vez.
Al abrir el mdulo de Autosync se nos ofrece la posibilidad de abrir un proyecto

existente o crear uno nuevo. Elegimos la opcin de crear nuevo proyecto y a
continuacin establecemos los parmetros del mismo:
Hay que especificar que se trata de un proyecto de georreferenciacin, no de unin de

bordes, y que el objetivo es remuestrear una imagen. Elegimos por lo tanto
Georeference y Resample. Al elegir la opcin de remuestrear debemos especificar
tambin los parmetros del remuestreo haciendo clic en el botn de Resample
Settings: Vecino ms prximo, tamao de celda (30 metros) y la opcin de recortar el
resultado a la misma extensin de la imagen de referencia.
Por ltimo establecemos un directorio de salida, un nombre para el proyecto, un sufijo

para las imgenes corregidas y un archivo en el que se almacenarn un informe del
proceso:
Nota: la configuracin de remuestreo establecida ahora se puede cambiar en cualquier momento del
proceso editando las propiedades del proyecto
Como imgenes a corregir abrimos dos imgenes ms antiguas desde el botn de
Open input images :
Nuestro objetivo es corregistrar estas imgenes de aos anteriores de la misma zona

que nuestra imagen de referencia, pero sin ningn sistema de referencia, para
superponerlas y poder realizar un estudio temporal.
A continuacin abrimos la imagen de referencia, landsat_ref desde el botn Open

reference images .
Una vez cargadas las imgenes en el proyecto comprobamos que aparecen en los
visores, las imgenes a corregir a la izquierda y la de referencia a la derecha:
Nota: haciendo clic con el botn derecho sobre las imgenes podemos establecer la combinacin
de colores que prefiramos para visualizarlas.
A continuacin terminamos de configurar el resto de parmetros desde la ventana del
proyecto, haciendo clic en el botn Edit Project Properties :
En la pestaa de APM (Automatic Point Measurement) se configura el modo en que el

programa busca automticamente puntos homlogos (para realizar esta operacin
ser necesario haber introducido manualmente los puntos necesarios para completar
el modelo). Esto se realiza en funcin de la similitud espectral de la banda que
especifiquemos en esta pestaa, mediante una patrn de bsqueda. Los parmetros
de bsqueda de puntos se pueden configurar haciendo clic en el botn de Advanced
Settings. Nosotros vamos a dejar los valores por defecto, slo vamos a aadir la opcin
de utilizar los puntos introducidos de forma manual para establecer la conexin inicial
entre las imgenes:
Aceptamos y volvemos a la ventana anterior. Seleccionamos la banda 2 en ambas

imgenes para la bsqueda de similitudes espectrales y, en lugar de definir un patrn
de bsqueda de puntos, elegimos la distribucin por defecto de un nmero de puntos
para cada imagen. Dejamos el valor de 400 puntos por defecto y hacemos clic en la
casilla de Keep all points para asegurarnos de que aunque realicemos varias veces el
proceso de APM no nos va a borrar los puntos de la vez anterior:
En la pestaa del Geometric Model se establece el tipo de modelo mediante el que
queremos corregir las imgenes. Elegimos una transformacin afn. En la siguiente
pestaa, definimos la proyeccin para las imgenes de salida, que ser la misma que la
imagen de referencia:
Por ltimo, en la pestaa de Output tenemos de nuevo alguna de las configuraciones

que establecimos al comienzo: mtodo de remuestreo, sufijo de las imgenes
corregidas, archivo en el que se genera el informe:
A partir de este punto el proceso es similar al descrito para la anterior prctica:
identificar puntos homlogos en ambas imgenes y digitalizarlos utilizando la
herramienta Create GCP . Haciendo doble clic sobre las imgenes a corregir
elegimos sobre cul queremos trabajar. Vamos a comenzar con la imagen de 2003,
ms similar a la de referencia.
Una vez hayamos establecido un mnimo de 2 puntos de control (es recomendable

digitalizar 4 puntos manuales para obtener mejores resultados) vemos cmo el icono
de la imagen a corregir ha cambiado a color verde, indicando que podemos ejecutar el
APM, que seguir los parmetros introducidos desde la ventana de propiedades del
proyecto. Para ejecutar el APM hay dos opciones, una es pinchar con el botn derecho
sobre la imagen en la que queramos ejecutarlo y elegir Run APM, de forma que se
ejecuta slo en esa imagen, y la otra es hacer clic sobre el botn Run APM ,
realizando el proceso sobre todas las imgenes que estn preparadas.
Una vez ejecutado sobre la imagen en la que hemos dado los puntos de control
obtenemos una serie de puntos y los residuos del ajuste en la parte inferior de la
ventana:
Los puntos generados automticamente por el programa aparecen sealados con la

etiqueta APM en la primera columna. Vemos cmo hemos conseguido un total de 34
puntos de control, dos de los cuales son los introducidos de forma manual y el resto
generados por el programa. Podemos volver a ejecutar el APM cambiando los
parmetros para ver si el resultado mejora.
Para trabajar con los puntos de control de cara a obtener una correccin ptima
contamos con las herramientas del editor:
stas nos permiten deshacer o rehacer acciones, eliminar puntos, mostrar slo los
seleccionados, navegar por los puntos seleccionados, calcular el modelo, ver el informe
y establecer un filtro para seleccionar puntos en funcin de un umbral de error
establecido por nosotros.
Por ejemplo, vamos a seleccionar los puntos con un error superior a 03 pxeles. Para
ello tecleamos el umbral y hacemos clic sobre el icono de seleccionar los puntos :
Nueve son los puntos que exceden el umbral de 03 pxeles (estos resultados pueden
diferir, segn el ajuste de los puntos introducidos manualmente). Procedemos a
eliminarlos para ver si mejora el ajuste general. En efecto, si los eliminamos y
recalculamos el modelo vemos cmo el RMSE pasa a ser de solamente 013 pxeles:
A continuacin vamos a realizar el mismo proceso con la imagen de 1987,

introduciendo algn cambio. Comenzamos por digitalizar un mnimo de 2 puntos de
control de forma manual (de nuevo es recomendable localizar 4 puntos).
Una vez hayamos hecho esto vamos a proceder a la generacin automtica de ms
puntos, pero estableciendo esta vez un patrn de bsqueda. Para ello slo tenemos
que abrir la ventana de Project Properties pulsando en el botn , y seleccionar la
opcin Defined Pattern en lugar de Default Distribution. Dejamos las opciones del
patrn por defecto, aumentando el nmero de puntos por patrn a 2:
Al ejecutar el APM obtendremos un resultado mejor que en el caso anterior:
No slo hemos obtenido muchos ms puntos (235), tambin estn mucho mejor
distribuidos por la imagen, lo que nos asegura una mejor correccin.
El RMSE obtenido es de 034, aunque es bastante bueno intentaremos mejorarlo

mediante el uso de las herramientas de edicin de GCPs. Seleccionando los puntos con
un error superior a 05 pxeles y eliminndolos obtendremos un RMSE de 022.
Una vez hemos obtenido un ajuste satisfactorio vamos a corregir las imgenes.
Podemos hacerlo haciendo clic con el botn derecho del ratn sobre la imagen que
queremos corregir y eligiendo la opcin Calibrate/Resample o mediante el botn con
el icono de un rayo si queremos corregir todas las imgenes a la vez.
Seleccionamos la imagen de 1987 y la corregimos.
Una vez terminado el proceso aceptamos y aparece directamente una pantalla con las
dos imgenes superpuestas para evaluar visualmente los resultados. En este sentido
disponemos de tres herramientas muy prcticas: Blend, Swipe y Flicker :
Realizamos la correccin de la imagen de 2003 y comprobamos que los resultados

sean igualmente satisfactorios.
En el directorio en el que hemos estado trabajando se ha almacenado un archivo .html
con el mismo nombre del proyecto en el que se encuentra el informe de todo el
trabajo realizado, con los parmetros utilizados:
Correcciones radiomtricas
69
Correcciones necesarias
Radiomtricas:
Eliminar ruidos en los ND.
Corregir los problemas de toma de datos.
Conversin a parmetros fsicos.
Correcciones radiomtricas
Bandeado: producido por desajustes en el calibrado

de los detectores.
Lneas o pxeles perdidos (fallos del sensor o la
transmisin).
Clculo de reflectividades.
Correcciones atmosfricas.
Correcciones del sombreado topogrfico.
Modelizacin del efecto bidireccional.
70
Bandeado
Se puede producir por un mal funcionamiento de alguno de los detectores

del sensor o por una mala calibracin de los mismos. Se producirn en el
sentido del barrido de la tableta de detectores.
Posible solucin: realizar una correlacin lineal entre el histograma de los

detectores afectados y el histograma general de toda la imagen.
Ruido
Tambin puede deberse a un mal funcionamiento de los sensores o de la

antena receptora de los datos.
Posible solucin: Sustituir el valor de los pxeles defectuosos por el del

pxel anterior o posterior, o utilizar algn valor promedio de los pxeles
cercanos. Tambin se puede utilizar algn filtro de paso bajo.
71
Fuente de energa
CLCULO DE
REFLECTIVIDADES
SOL Sensor
ATMOSFERA
Nubes
Superficie terrestre
Sistema de
recepcin
Reflectividad aparente*
Conversin de los ND a parmetros fsicos:
Clculo radiancia
Clculo reflectividad
E0,k= irradiancia solar en el techo de la atmsfera

*k= la reflectividad aparente de la cubierta en esa banda
i = ngulo cenital del flujo incidente formado por la vertical y los rayos solares
K = factor corrector de la distancia Tierra - Sol
* La reflectividad aparente asume una atmsfera transparente,

observacin vertical, terreno llano y superficie lambertiana.
72
Temperatura aparente del suelo
Estimacin de la radiancia: L=a0+ a1*ND.
Temperatura de brillo:
c2 n
T * ( L) =
ln (1 + c1 n 3 / L sen,n )
c1=1,1910659*10-5 W m-1 sr-1 cm-4

c2=1,438833 cm K
Temperatura aparente del suelo (correccin atmosfrica,

split-window*):
T*s = T*4 + [1,34 + 0,39 (T*4 - T*5)] (T*4 - T*5).
* Algoritmo desarrollado sobre las bandas del sensor NOAA-
AVHRR, pero aplicado tambin en otros casos.
Correcciones atmosfricas
El clculo de la reflectividad real de una cubierta captada por un sensor areo o
espacial est condicionado por el comportamiento de la atmsfera:
La irradiancia solar en el techo de la atmsfera no es igual a la que llega a la superficie
terrestre.
La radiancia que llega al sensor no es la misma que la que sale de la superficie terrestre.
Tendremos que tener en

cuenta:
1 La transmisividad de la
atmsfera (depender el espesor
ptico de ozono, del contenido
de aerosoles, del espesor ptico
molecular y del ngulo de
observacin).
2 La radiancia extra aportada
por el efecto de dispersin.
73
Correcciones atmosfricas
La estimacin de la influencia atmosfrica y su correccin para
el clculo de reflectividades se realiza mediante distintos
procedimientos:
1. A partir de medidas sobre el terreno.

2. Utilizando datos de otros sensores.
3. Por medio de modelos fsicos de transferencia radiativa
(MODTRAN, ATCOR).
4. A partir de datos de la propia imagen (Mtodo de Chavez).
Modelo ATCOR
Coeficientes de
calibracin
Distancia de
visibilidad
Tipo de sensor
ngulo de
Elevacin media del terreno
elevacin solar
Fecha de la imagen
74
Correcciones del sombreado topogrfico
El relieve tiene un efecto distorsionador sobre las medidas de
reflectividades.
La reflectividad es muy dependiente del ngulo de incidencia y del de
observacin.
En terrenos con escasa pendiente esta distorsin no es muy
importante, pero en otro tipo de superficies su influencia es clave.
La existencia de un MDE permite modelizar este fenmeno y
corregirlo.
Imagen sin corregir Imagen corregida
75
Prctica 4: Correcciones radiomtricas.
Prctica 4.1
Vamos a realizar un ejercicio de correccin radiomtrica de una imagen Landsat TM

con el objetivo de transformar los niveles digitales originales de la imagen en valores
de reflectividad aparente.
1. Abrimos la imagen Landsat_nw_6bandas que se encuentra en la carpeta

Prctica 4.
2. Con la herramienta Inquire Cursor nos desplazamos sobre la imagen y

comprobamos el rango de valores en los que se mueven los distintos pxeles.
Estos valores se corresponden con los niveles digitales de la imagen. Nuestro
objetivo es cambiar su escala a valores de reflectividad aparente.
3. Desde la pestaa Raster abrimos el men Radiometric y seleccionamos Landsat7

Reflectance:
4. En la ventana que se abre introducimos Landsat_nw_6bandas como imagen de

entrada y damos un nombre y ubicacin al fichero de salida.

5. Cambiando a la pestaa Conversion accedemos a la ventana en la que
tendremos que introducir todos los parmetros necesarios para transformar los
ND en valores de reflectividad aparente (es necesario seleccionar la opcin
LMAX/LMIN). La mayor parte de estos datos se encuentran en el archivo de
cabecera de la imagen y el resto se deducen a partir de ellos.
Valores mximos y
mnimos de
radiancia. Vienen
dados en el archivo
de cabecera.
Irradiancia solar en el techo de la

atmsfera.
ngulo de elevacin solar,

dado en el archivo de
cabecera.
Factor corrector de la distancia

al Sol. Se deduce a partir de la
informacin disponible.
6. Abrimos el archivo de cabecera (formato .txt) con un editor de texto tipo Bloc de
Notas o WordPad y analizamos la informacin contenida. Los datos que
debemos localizar y consignar son los relativos al ngulo de elevacin solar, la
radiancia (mxima y mnima) en cada banda y el factor corrector de la distancia
al sol. Los dos primeros datos aparecen explicitados en el archivo de cabecera.

Tienes que tener en cuenta que la banda 6 en Landsat corresponde al canal en
el trmico. El tercer dato podemos calcularlo a partir de la siguiente frmula:
D=(1+0.01674*(sen(2 J-93.5)/365)))2, siendo J el da juliano correspondiente a la
fecha de la imagen (en nuestra imagen, 164).
NOTA:
El da juliano se refiere a una forma de consignar una fecha dentro de un ao. Va del 1 al 365, o 366
si el ao es bisiesto. Por tanto, todas las fechas se consignan consecutivamente en este
intervalo. De este modo, el 31 de enero tendra un J=31 y el 1 de febrero J=32, es decir, el da
juliano es igual a la suma de los das del ao que preceden a una fecha ms uno.
7. Abre una hoja de clculo electrnica e implementa la frmula del factor

corrector de la distancia al Sol. La expresin que debes utilizar para traducir la
frmula de clculo de D en EXCEL es la siguiente:
=(1+0.01674*(SENO(2*PI()*(164-93.5)/365)))^2
8. Una vez que tengas todos los datos pulsa OK.
9. Volvemos al Viewer si lo hemos mantenido abierto o lo abrimos de nuevo desde

el mdulo principal de ERDAS IMAGINE cargamos las dos imgenes,
Landsat_nw_6bandas y Landsat_nw_6bandas_reflectance. Para observar
los cambios en los valores de cada pixel utilizamos la herramienta Inquire
Cursor y nos vamos situando sobre tipos de cubierta ya conocidas. Desde el
panel de Contents podemos cambiar el orden de las imgenes para observar
cmo los valores de los pxeles cambian.
10. Otro modo de consultar los valores simultneos de dos imgenes consiste en
crear dos vistas y cargar una imagen en cada una haciendo un link entre ellas.
Para ello elegimos la opcin Add Views Display Two Views desde la pestaa
Home.
11. Situndonos en la nueva vista cargamos la imagen landsat_nw_6bandas.img.

Para enlazarlas elegimos la opcin Link All Views desde la pestaa Home, y a
continuacin Equalize Scales.

12. A continuacin utilizamos el Inquire Cursor y observamos los valores que
ofrece, para visualizar los valores para un pxel determinado slo tendremos
que pulsar el botn situado en la esquina superior derecha (Goto Next Linked
View).
13. Para finalizar desactiva la funcin link y comprueba que se ha realizado

correctamente.

Prctica 4.2
Vamos a solucionar el problema de un corte en una imagen a travs de la aplicacin de

un filtro. Previamente vamos a exportar una de las bandas con problemas que
componen una imagen en formato .img.
1. Desde la pestaa Manage Data elige la opcin Export Data. Queremos exportar
a TIFF una imagen que se haya en la carpeta Practica4 y que se llama
escena_landsat_se.img. Daremos un nombre al archivo de salida y lo
guardaremos en la misma carpeta.
2. Pulsamos Ok.
3. En la siguiente ventana indicamos que slo queremos exportar una banda. En
Export Band Selection optamos por Grayscale y en Grayscale Band to Export
indicamos la banda 4. Pulsa Ok.

4. Abre la imagen tif generada en el Viewer y localiza un corte que existe en la
misma (la captura de pantalla te puede servir de referencia). Haz un zoom
sobre la zona.
5. Un problema de este tipo se puede solucionar mediante la aplicacin de un

filtro que pondere los valores de un pixel con los que se encuentran a su
alrededor. Para no alterar los valores digitales de toda la imagen vamos a
seleccionar slo la zona del corte, creando una AOI desde el Men principal
New 2D view AOI Layer.
6. Hacemos zoom a la zona y con la herramienta Polygon de la pestaa AOI /
Drawing dibujamos un polgono en torno a la zona de la imagen afectada:

7. Desde la pestaa Panchromatic seleccionamos Convolution filtering
Statistical Filtering, manteniendo seleccionada la AOI que acabamos de crear.
8. Una posibilidad es aplicar un filtro estadstico de tipo Median sobre una
ventana mvil 5x5.
NOTA:
El filtro Median fija como valor del pxel la mediana de los valores de los pixeles incluidos en la
ventana mvil.
9. Al realizar la operacin nos aparecer un aviso indicando que los valores de los
pxeles de la imagen se vern alterados. Aceptamos.
10. Una vez corregida la imagen eliminamos la AOI de la tabla de contenidos (no
hace falta que la guardemos) y salvamos la imagen en formato .img aadiendo
el sufijo _corregida al nombre. Esto se hace desde el Men principal Save as
Top Layer As.

Prctica 4.3
ERDAS IMAGINE contiene una funcin para reducir el efecto de presencia de neblinas
mediante la aplicacin del mtodo Tasseled Cap. Este mtodo requiere de una
adaptacin especfica a las caractersticas tcnicas de cada sensor. En el caso de ERDAS
slo est diseado para aplicarse sobre imgenes Landsat 4, 5 y 7.
1. Si abrimos la imagen landsat_escena_se en el Viewer y la visualizamos

(prueba con una composicn RGB en color natural) podremos observar la
presencia de vapor de agua (este efecto se observar ms fcilmente en
contraste con las cubiertas vegetales, es decir, las que muestras un color verde
en una composicin en color natural; aunque tambin sera apreciable con otro
tipo de composiciones).
2. Podremos reducir este efecto a travs de la transformacin Tasseled Cap
mencionada. Esto implicar la transformacin de los valores digitales de la
imagen e entrada.
3. Para acceder a esta transformacin deberemos dirigirnos a la pestaa Raster y

seleccionar Radiometric Haze Reduction.

4. La aplicacin es sencilla. Tan slo tendremos que indicar un archivo de entrada
(en nuestro caso la imagen landsat_nw_6bandas) y un nombre al fichero de
salida (elige uno que sea representativo del proceso que vas a realizar). El tipo
de Point Spread Type se refiere al tipo de matriz kernel que queremos aplicar
en la correccin (High=5x5; Low=3x3). No obstante, ya estn predefinidos para
el caso de imgenes Landsat5, por lo que seleccionamos este valor. Una vez
completados todos los datos necesarios pulsamos Ok.

5. Ahora debemos comprobar el efecto provocado en la imagen visualizndola en
el Viewer junto con la imagen sin transformar (la combinacin de bandas ms
adecuada para ver los cambios es color verdadero). Aplica algunas de las
herramientas de visualizacin que ya conoces (Swipe) Tambin comprueba el
cambio en los valores digitales a travs del Inquire Cursor.

Realces y filtros
Operaciones ms habituales
86
La imagen digital
Una imagen es una matriz de datos
12 65 11 32 96 89
99 65 31 13 64 31
y
4 65 2 3 84 65
13 4 65 3 78 9
45 87 3 23 15 65
78 26 45 32 1 68
46 2 73 8 9 6
48 65 13 12 32 74
18 42 2469 48 23
15 75
69
11
31 19
87 13 89 54
20
32
19
48
80
32
24
57
18
65
61
12
14 15

64 89 31 42 65 74 68 21
La unidad bsica de informacin es el pxel,

99 65 31 13
68 16 86 21 68 16
32 18 45 35 68 15
13 4 5 3 6 9
en el que se almacena un valor o ND para

15 26 16 84 26 3
9 8 7 19 8 6
46 2 3 8 9 6
13 40
68
57
46
61
86
32
84
15
62 85
cada banda
89 42 65 84 62 48
La imagen digital
Anlisis de la imagen
Histograma, parmetros bsicos

banda a banda: media, desviacin
tpica
IRC
Correlacin entre bandas
Rojo
87
La imagen digital
Perfiles espectrales
La imagen digital
Superficies
88
Realces
Ajuste del contraste
Problema: Diferencia entre niveles digitales y niveles de visualizacin
Objetivo: Adaptar la resolucin radiomtrica para una mejor visualizacin
NDmax
Definiciones de contraste C
NDmin
C NDmax NDmin
C ND
Tablas de referencia de color: Nivel Visual para cada Nivel Digital
Realces
Compresin del contraste
Para sensores que codifican la radiancia en ms de 8 bits, es decir, en ms de

256 Niveles Digitales
Establecimiento de intervalos
Expansin del contraste
Cuando el rango de ND es menor que los Niveles Visuales disponibles
Mtodos:
Expansin lineal: entre el mnimo y el mximo
Ecualizacin del histograma: a cada ND un nmero igual de NV
Desviaciones tpicas: ajuste lineal entre los umbrales definidos por n
desviaciones tpicas
Personalizada: para una zona concreta, o definiendo manualmente los
puntos de ruptura
89
Realces
Expansin lineal
Imagen original Imagen realzada
La relacin entre Niveles Digitales y Visuales queda definida por una

funcin, que vemos expresada en la pendiente de la recta
Realces
Cambio de una
imagen sin realzar a
una realzada
90
Filtrajes
Operacin de vecindad inmediata
Obtencin de nuevos valores a partir de los valores de pxeles vecinos
Se busca suavizar o reforzar el contraste espacial para mejorar la

visualizacin eliminando valores anmalos o resaltando las diferencias
TIPOS
Paso bajo: suavizado contraste
Paso alto: realce diferencias
Filtros modales: para variables temticas
Filtrajes
Transformacin mediante operadores locales: ventanas de diferentes tamao
(3x3 5x5 7x7)
Cada pxel de la nueva imagen

ser funcin de los valores de los
de su alrededor
Paso bajo Paso alto

1 1 1 -1 -1 -1
1 2 1 -1 9 -1
1 1 1 -1 -1 -1
91
Filtrajes
Filtro de paso bajo
Imagen filtrada Imagen original
Filtrajes
Filtro de paso alto
Imagen filtrada Imagen original
92
Filtrajes
Filtros de paso alto direccionales
Filtro diagonal izquierda Filtro diagonal derecha
0 1 2 -2 -1 0
-1 0 1 -1 0 1
-2 -1 0 0 1 2
Filtrajes
Textura
Interpretacin de la imagen: contraste espacial entre los elementos de la

imagen. Vara en funcin del tamao de los objetos y de la resolucin espacial
Medicin mediante operaciones de

vecindad.
Varianza: resalta los lmites de los

objetos
93
Prctica 5: Realces y filtrajes
La imagen digital
Vamos a visualizar la informacin digital que contiene la imagen, los Niveles Digitales
que, como sabemos, codifican valores de radiancia recogidos por el sensor.
Primero vamos a abrir un visor de ERDAS y la imagen landsat5_curso.img:
Para ver la informacin hacemos clic en el botn de

View/Edit Image metadata . Movindonos por las
diferentes pestaas podemos ver los datos bsicos, la
proyeccin, el histograma, o la matriz de datos para cada
banda:
94
Podemos calcular las estadsticas que se muestran en la primera pestaa desde el
men Edit Compute Pyramyd Layer/Statistics:
Conviene asegurarse de que ignore los valores de 0 para no falsear los resultados con
los valores de 0 del fondo. Tambin podemos establecer el nmero de pxeles que se
salta al muestrear la imagen desde la opcin Skip Factor o calcular los estadsticos
bsicos para una zona concreta si hemos definido un AOI (Area Of Interest).
Como parte del anlisis de la imagen conviene hacerse una idea de la correlacin
existente entre las bandas que la componen. Puede ser conveniente eliminar alguna
banda altamente correlacionada con otra de cara a la posterior clasificacin digital.
Vamos a evaluar la correlacin entre bandas de forma visual, generando grficos de

dispersin. Para ello crearemos grficos de dispersin entre dos bandas.
Desde la pestaa raster supervised accedemos a la opcin Feature Space Image:
95
Elegimos la imagen landsat5_curso.img como entrada y un nombre para las imgenes
de salida (como parte del mismo proceso vamos a crear varias imgenes, que
comenzarn con el nombre que introduzcamos y terminarn con la especificacin de
las bandas representadas): dispersion. Al cargar la imagen el programa nos propone
automticamente tantas imgenes de salida como combinaciones entre bandas sea
posible. Sin embargo, slo se crearn las que seleccionemos, o todas, en el caso de no
seleccionar ninguna. Con la tecla de maysculas pulsada seleccionamos las siguientes
combinaciones: 1-2, 2-3, 3-4, 4-5 y 5-7, y aceptamos para comenzar el proceso:
El resultado ser una imagen por cada combinacin seleccionada, que se puede
mostrar en el visor para su anlisis, como cualquier otra imagen:
Nota: se pueden mostrar varios visores dentro del mismo marco mediante la opcin Add Views
96
A continuacin vamos a examinar la imagen de forma visual. Para ello abrimos la
imagen landsat5_curso.img desde un visor de ERDAS:
Vamos a obtener un perfil sobre la imagen landsat. Para ello abriremos el archivo
profile.ixs desde el men principal Open Session. Este archivo ixs contiene una vista
determinada sobre una zona determinada de la imagen y un archivo vectorial con una
lnea:
Nota: puedes usar los archivos ixs para almacenar vistas con capas raster y vectoriales, una
determinada combinacin de bandas, una escala de visualizacin, etctera.
97
Seleccionamos la lnea haciendo clic sobre ella y a continuacin seleccionamos la
herramienta Spatial Profile desde la pestaa Multiespectral (ten en cuenta que las
opciones raster slo aparecen cuando tenemos seleccionada la imagen desde la tabla
de contenidos):
Existen tres tipos de perfiles, espectrales, espaciales o superficiales. Los espectrales

recogen el valor que tiene un punto en las diferentes bandas de la imagen, los
espaciales permiten ver la respuesta de una banda a lo largo de una lnea y las
superficies son lo mismo en dos dimensiones, sobre un rectngulo.
Al aceptar vemos la ventana desde la que podemos crear una lnea para ver su perfil
o hacer el perfil desde la capa vectorial seleccionada . Elegimos esta segunda
opcin y seleccionamos la banda 4, de Infrarrojo prximo:
98
Podemos identificar la respuesta espectral de las diferentes cubiertas atravesadas por
nuestra lnea: el suelo desnudo, las parcelas cultivadas y los picos de baja radiancia que
sealan el cruce del ro.
Sin cerrar la ventana de perfiles espectrales podemos movernos por la imagen y crear
nuevos perfiles. Haz la prueba en distintas zonas de la imagen para intentar interpretar
la respuesta espectral en las diferentes bandas que ya conocemos.
A continuacin vamos a realizar la misma operacin sobre una superficie, en lugar de

una simple lnea.
Cerramos la herramienta de crear perfiles y navegamos hasta una zona de nuestra

eleccin. Seleccionamos esta vez la opcin Surface Profile. Mediante la herramienta
Create box in viewer elegimos el rea cuyos valores queremos representar (no
conviene seleccionar un rea demasiado amplia):
Para mejorar la visualizacin podemos cambiar la medida de los ejes desde el men
Edit Chart Options y superponer una imagen temtica o continua. Haciendo clic en
Edit Overlay Truecolor vamos a superponer la imagen landsat5_curso.img, eligiendo
la combinacin de bandas que prefiramos.
Cambiando la banda mostrada, podemos estudiar la respuesta de las diferentes

cubiertas.
99
Realces
ERDAS aplica un realce al abrir las imgenes de forma automtica, para mejorar su
visualizacin. Vamos a probar a visualizar la misma imagen con la que hemos estado
trabajando sin realce para ver las diferencias.
Abrimos el programa y seleccionamos la imagen landsat5_curso.img desde la carpeta

de la prctica 5, pero antes de abrirla nos aseguramos de que lo le aplique ningn
realce desde la pestaa Raster Options, seleccionando la opcin No Stretch:
Vemos cmo el contraste de la imagen abierta es mucho menor de lo habitual:
Esto se debe a que el sensor TM est preparado para recoger en 8 bits los valores de
radiancia de cualquier cubierta terrestre, pero en la imagen slo tenemos una
pequea muestra, por lo que no estamos aprovechando la capacidad de visualizacin
de nuestra pantalla.
100
Ahora vamos a acceder a las opciones de realce desde la pestaa Multiespectral -
General Contrast:
Antes de comenzar a trabajar nos aseguramos de hacerlo slo sobre los valores de la
imagen, sin tener en cuenta el fondo, y que los cambios se apliquen a la tabla de
referencia, seleccionando la opcin Whole Image y Lookup Table, como vemos en la
imagen.
Desde este cuadro de dilogo podemos definir el mtodo de realce, visualizar los
resultados y almacenar los cambios en la tabla de referencia o Lookup Table.
Vamos a realizar una prueba definiendo una expansin del histograma basada en dos
desviaciones tpicas y luego en una sola para observar las diferencias.
Desplegamos para elegir el mtodo Standard Deviations y dejamos el nmero en 2, en

primer lugar, para ver el resultado. A continuacin seleccionamos una sola desviacin y
aplicamos los cambios:
2 desviaciones tpicas 1 desviacin tpica
101
Al elegir una sola desviacin tpica el contraste es mucho mayor pero la imagen
aparece mucho ms saturada. Esto es porque el rango de ND considerados es menor y
la pendiente de la funcin que define la relacin entre ND y NV mayor, por lo tanto.
Para una edicin personalizada podemos situar los puntos de ruptura de la tabla de
referencia de forma manual, visualizando el histograma. A esta opcin se accede desde
el botn Breakpts En la ventana que aparece al pulsar tenemos los tres canales de
visualizacin, Rojo, Verde y Azul con la lnea definida por mtodo de realce
seleccionado y una serie de herramientas de edicin:
Nota: aunque esta herramienta tiene muchas posibilidades vamos a limitarnos a ver slo las
cuestiones ms bsicas.
Al igual que en el caso anterior nos aseguramos de no tener en cuenta el fondo negro
seleccionado como fuente de datos para el histograma la imagen en la opcin Whole
Image. Con el mismo cursor vamos a manejar los puntos de ruptura que marcan el
comienzo y el final de la pendiente en la lnea de cada canal, estirndola un poco para
que abarque una mayor parte del histograma. Los Niveles de Visualizacin se
distribuyen de forma ms homognea por el histograma, de forma que tendremos una
imagen menos saturada:
102
Cuando hayamos conseguido una distribucin adecuada pulsamos en el botn de
Apply All para aplicar todos los cambios, o podemos ir aplicando los cambios de cada
canal haciendo clic en sus respectivos botones :
103
Desde esta herramienta podemos acceder a la propia tabla de referencia para ver qu
Nivel Visual hemos adjudicado a cada Nivel Digital. Esto se hace para cada canal
mediante su respectivo botn . Desde esta herramienta podemos establecer las
coordenadas (en el grfico de la tabla de referencia) de los puntos de ruptura o
directamente cambiar los niveles asignados a mano:
Una vez terminado podemos guardar los cambios desde el cuadro de dilogo del
Breakpoints Editor, creando un archivo de breakpoints que podremos cargar desde
este mismo editor. Para guardar los cambios de forma que la tabla de referencia que
hemos creado se asocie a la imagen y siempre que la abramos la visualicemos de la
misma forma hay que hacerlo desde el propio visor con la opcin de Save Top Layer. Si
no lo hacemos se nos ofrece la oportunidad de guardar cualquier cambio realizado en
la tabla de referencia al cerrar la imagen:
Si no salvamos los cambios tenemos que tener en cuenta que cuando la imagen no
tiene una tabla de referencia asociada, el visor de ERDAS siempre la muestra con un
realce de dos desviaciones tpicas, por defecto.
104
Filtrajes
En ERDAS hay una gran cantidad de filtros predefinidos pero tambin se puede crear
un filtro nuevo con los parmetros que deseemos. A todas estas opciones se accede
desde la pestaa Raster men Spatial, opcin Convolution:
Desde esta ventana podemos elegir diferentes tipos de filtros y aplicarlos a nuestra
imagen para crear una nueva imagen filtrada de salida. Vamos a realizar una primera
prueba con un filtro de paso bajo para suavizar la imagen.
Desde Input File abrimos la imagen landsat5_curso.img y guardamos la imagen

resultante en la carpeta de resultados, con el nombre de paso_bajo3.img. Como
puedes adivinar, en el desplegable de Kernel vamos a seleccionar 3x3 Low Pass. Antes
de aceptar podemos examinar y, eventualmente, cambiar los pesos del filtro que
vamos a aplicar desde el botn de Edit:
105
Al multiplicar todos los valores por 1, este filtro va a generar una media de los valores
del entorno, suavizando los cambios:
Nota: para examinar las diferencias entre la imagen original y la filtrada una utilidad muy
adecuada es la herramienta Swipe, como puedes ver en la imagen.
106
Abrimos de nuevo la herramienta Convolution para aplicar un nuevo filtraje, esta vez
de paso alto (3x3 High Pass), por lo que a la imagen resultante la vamos a llamar
paso_alto3.img. Si examinamos esta vez la kernel que va a aplicar vemos cmo cambia
con respecto a la anterior, ponderando el valor central muy por encima de los
adyacentes:
Esta vez la imagen filtrada refuerza mucho las diferencias, resaltando lmites de
parcelas, manzanas del casco urbano o rasgos lineales como carreteras:
Vamos a realizar otros filtrajes de paso alto y bajo aumentando el tamao de la

ventana mvil para ver cmo se acenta el efecto de suavizado o refuerzo.
107
Antes de aplicar los filtros direccionales piensa cul conviene para resaltar los rasgos
lineales ms significativos de la imagen, por ejemplo las carreteras ms significativas,
como son las nacionales II y III:
N-II
N-III
Al visualizar los resultados de los filtros de direccin puede ser conveniente hacerlo
banda a banda en escala de grises, porque las composiciones en color crean cierta
confusin.
Para terminar con las opciones ms bsicas de filtrajes vamos a aplicar un filtro modal
sobre una imagen temtica. La imagen que vamos a utilizar es el resultado de una
clasificacin digital realizada en Kargaly, una zona de Rusia.
Primero abrimos kargaly.img para visualizarla:
108
Se trata de una zona no muy amplia, de dedicacin mayoritariamente agrcola, con
parcelas de gran tamao que no aparecen clasificadas de forma homognea. Aunque
resolver este problema requerira otros procedimientos, de momento vamos a intentar
presentar un resultado ms razonable mediante la aplicacin del filtro modal.
Podemos trabajar de forma sencilla desde la pestaa Raster Thematic Statistical

Filtering :
O elegir la herramienta Neighborhood desde el men Thematic de la pestaa Raster:
Esta ltima opcin ofrece ms posibilidades, por lo que vamos a elegirla (la otra opcin
realiza los cambios directamente sobre la imagen cargada).
Seleccionamos como entrada kargaly.img y como archivo de salida tecleamos

kargaly_filtrada.img.
109
Para realizar un filtrado de las islas mal clasificadas que han quedado dentro de las
parcelas vamos a aumentar el tamao de lo que consideramos vecindad a 5x5, para
incluir reas de cierto tamao, y a elegir como funcin a aplicar Majority que
seleccionar como valor de cada pxel el que presente la mayora de sus vecinos, es
decir, la moda.
Aceptamos y visualizamos el resultado de nuevo sobre la imagen original para ver las
diferencias (aunque son obvias a simple vista) y cmo ha trabajado el filtro. Aunque el
resultado est transformando los datos de la clasificacin que habamos realizado,
ofrece en realidad un resultado mucho ms coherente en el que las zonas son ms
homogneas:
Textura
La textura se calcula a travs de una ventana mvil que se desplaza por toda la imagen,
al igual que ocurre con los filtros, pero lo que vamos a hacer en este caso no es
modificar los valores de los ND sino obtener una nueva variable que refleja la variacin
espacial de la imagen.
Accedemos a la herramienta desde la pestaa

Raster Spatial Texture:
110
Vamos a medir la varianza sobre una ventana de 3x3. Slo hay que cargar la imagen
lansat5_curso.img, adjudicarle como nombre de salida textura.img, dentro de la
carpeta de resultados y seleccionar el tamao de la ventana, que vamos a dejar en 3x3.
Observamos que aunque la imagen de entrada es de 8 bits nos va a generar una

imagen de salida de coma flotante, ya que los valores del resultado son el de el
estadstico de la varianza para cada pxel.
Aceptamos y una vez terminado el proceso abrimos la imagen resultante en un visor,

preferiblemente en escala de grises para visualizar banda a banda la imagen, de forma
que resulte ms sencilla su interpretacin:
Navegando por la imagen podemos observar cmo aparecen especialmente resaltados

los contornos de los objetos visibles como son campos de cultivo, bloques de casas o
carreteras, ya que el valor de varianza es ms alto que en las zonas ms homogneas.
Lo ms significativo es el contorno de las nubes presentes en la zona este, en las
bandas del visible, ya que son muy homogneas internamente, pero muy distintas de
su entorno.
111
Elaboracin de Mosaicos
112
OPCIONES DE MOSAICADO EN ERDAS IMAGINE
MosaicPro
Las imgenes de entrada deben estar
georreferenciadas y contener el mismo
nmero de capas. Las imgenes no tienen
porqu estar en la misma proyeccin o
tener el mismo tamao de celda. Tambin
trabaja con imgenes calibradas. La
extensin de un proyecto en MosaicPro es
.mop.
Permite utilizar el lmite de un polgono
definido para realizar la unin.
113
MosaicExpress
Se trata de una herramienta

guiada con nueve diferentes
pasos.
Estos se pueden seguir
fcilmente de modo sucesivo.
Cuenta con apoyo textual y
grfico para guiar la ejecucin
de cada etapa.
ASPECTOS A TENER EN CUENTA
ENTRADA DE DATOS
ZONA DE SOLAPE
CORRECCIONES DEL COLOR
SALIDA DE DATOS
114
ENTRADA DE DATOS
Entire image
Crop Area
AOI Area
Active area
ENTRADA DE DATOS
TIPOS DE ARCHIVOS
115
ZONA DE SOLAPE
Weighted Seam Line Generation.

Basada en la funcin de coste ms baja.
Most Nadir Seamline.

Basada en la distancia de los pxeles de la zona de solape al pixel central de
cada imagen.
Geometry-based Seamline
Tiene en cuenta la forma de la zona de solape. En un mosaico con dos
imgenes la zona de solape se dividira en dos polgonos iguales.
Overlay-based Seamline
Trabaja slo sobre la zona activa de cada imagen.
imagen La imagen que est por
encima provee los pxeles en la zona de solape.
Adems podremos aplicar el efecto Smoothing y/o Feathering.
CORRECCIONES DEL COLOR
Exclude Areas.
Permite sealar reas dentro de una imagen cuyos valores representativos se
quieren excluir del proceso de correccin del color.
Ilumination Equalizing.
Homogeniza las grandes variaciones de iluminacin o color.
Image Dodging.
Realiza un tratamiento estadstico para la correccin de los desequilibrios en
la intensidad de luz de la imagen mosaicada.
Color Balancing.
Reduce las diferencias de color existentes entre las imgenes que integran el
mosaico.
i
Histogram Matching.
Lleva a cabo una homogeneizacin de los histogramas de las imgenes para
que sean similares. Presupone que todas las diferencias de color y brillo en las
imgenes se debe a los efectos atmosfricos y de iluminacin.
116
SALIDA DE DATOS
Remuestreo de datos
Configuracin adicional
de la imagen de salida
117

Prctica6:Elaboracindemosaicos.
Prctica6.1
1. DesdeelpanelprincipaldeERDASIMAGINE2010enlatablaManageDatayen
dentrodelgrupoCatalogseleccionalaherramientaImageCatalog.

2. Alnotenerunarchivodecatlogoyacreadodeberemosgenerarunonuevo.Lo
guardaremos en la carpeta Practica6 y le daremos un nombre identificativo
(porejemploLandsat).
3. UtilizalaherramientaAddimagetotheCatalog paraabrirlaventanadel
catlogodeimgenes.
4. Navega hasta la carpeta Prctica6 y selecciona una de las imgenes TIFF,

pulsaOK.
UNIDADSIGCCHS:IntroduccinaltratamientodigitaldeimgenesconERDASImagine
118

5. En la ventana del catlogo de imgenes pulsa Add All y cierra el cuadro de
dilogo.

6. Desde el men despliega Edit y consulta el Catalog Layout. Busca la columna
Path.CuandoestacolumnaestmarcadautilizaelbotnUPparasituarlojusto
encimadelacolumnaProjection.

7. Salva el cambio efectuado, pero asegrate que en el men correspondiente
constalaopcinUser.EntoncespulsaOK.Puedesalargarlacolumnaparaver
elcontenidodelPathcompleto.
NOTA:
Paraaccederaunainformacinmsdetalladaslotienesqueseleccionarelregistrodeunaimagen
determinadayusareliconoImageInfo .
119

8. Para localizar nuestras imgenes en un contexto geogrfico global podemos
utilizarlafuncinVisualQueryGraphicalViewer .

PinchaViewQuerywithincurrentextentsparaincorporaralvisualizadortodas
lasimgensdenuestrocatlogopodemosutilizar.

QueryAllImageswithinCurrentBoundaries .

Conlasherramientasdezoomaproxmatealreadetrabajo.
9. Situndonos sobre la tabla con el listado de imgenes que integran nuestro
catlogo podramos definir criterios de bsqueda. Para ello bastara con
situarnos sobre uno de los registros y con el botn derecho del ratn
seleccionaramosCriteria.
Por ejemplo, podramos seleccionar la imagen que contiene en su nombre el

carcter1.Laexpresinquedeberamosconstruirseradelaforma:
10. CierraelImageCatalogTool.
120

Prctica6.2
1. EnelmduloprincipaldeERDASIMAGINE2010despliegalatablaHome,enel
grupoInformationyseleccionaLayerInfo.
Seabrirunaventanadedilogo.
2. EnelmenprincipaldeesaimagenseleccionamosFile/Open,elegimosabrir
imgenestipoTIFFyabrimoslaimagenllamadacuarto_1.

3. En la misma ventana ImageInfo generamos las capas de pirmides
(Edit/ComputePyramidLayers).SealarComputePyramidLayersyelrestode
parmetroslosvamosadejartalycomolosconsignaERDAS.

121

4. Repitelospasos2y3paralaimagencuarto_2.
5. AbreunViewerycargalasdosimgenes:cuarto_1ycuarto_2.
6. UtilizalafuncinSwipeparaanalizarlazonadesolapeentreambasimgenes.
7. Cierra el Viewer y desde el mdulo principal de ERDAS IMAGINE 2010
seleccionalatablaRaster/grupoMosaic/MosaicPro.
8. AccedemosalainterfazgrficaparalageneracindemosaicosenERDAS.

9. DesdeelmenEditaccedemosalaherramientaparacargarlasimgenesque
queremos mosaicar (Add Images). Seleccionamos la imagen cuarto_1 y
pasamosalapestaaImagesOptions.
122

10. ElegimoslaopcinComputeActiveAreaypulsamoselbotnSetmodificando
elCropAreahastael5%.Estoestilcuandolosbordesdenuestrasimgenes
pueden incluir informacin defectuosa. No es el caso, pero an as, vamos a
seleccionarlo.
11. Repitelaltimaparteparacargarlasegundaimagencuarto_2
12. Despliega el Color Corrections Options , elige Use Histogram Matching y

pulsaOk.

13. A continuacin definiremos el tipo de lneas de corte por medio de
AutomaticallyGenerateCutlinesforIntersection .

14. MarcamosWeightedSeamlineypulsamosOk.
15. Observa las opciones que ofrecen las herramientas Image Resample Options
ySetOverlapFunction ,perodemomentodejalasopcionesqueteda
pordefecto.
16. ParafinalizarelprocesopulsaRuntheMosaicProccesstoDisk
oaccedealamismaopcindesdeelmenProcces.
17. Da un nombre al archivo de salida y gurdalo en la carpeta Prctica6. En la
pestaaOutputOptionsmarcalaopcinStatsIgnoreValueydejaelvalor0.
PulsaOk.
18. AbreunaventanaVieweryvisualizaelresultadoprestandoatencinalazona
desolape.Puedescompararlo,siquieres,conlasdosimgenesdepartida.
19. CierraelViewer.
123

Prctica6.3
1. AbreeleditordepreferenciasseleccionandoSession/Preference.

2. EnelUserInterface&Sessionlocalizalaspreferenciasrelativasa6orgreater
BandImage.Eligeunacombinacindebandas3,2y1paraloscanalesdelrojo,
verdeyazul,respectivamente.Despus,pulsaUserSaveyClose.
3. Despliega el Viewer y abre los archivos cuarto_1.tif, cuarto_2.tif,
cuarto_3.tifycuarto_4.tif.

4. Cierra el Viewer y desde el mdulo principal de ERDAS IMAGINE 2010
seleccionalatablaRaster/grupoMosaic/MosaicPro.
124

5. AadeloscuatrocuartosLandsatatuespaciodetrabajoconAddImages,enla
pestaaImageAreaOptionsseleccionaUseEntireImage.

6. Ahora vamos a aplicar las correcciones de color para conseguir una mayor
homogeneidad en el archivo de salida. Selecciona el icono Color Correction
Options .
7. ActivalaopcinExcludeAreas.
8. PulsaelbotnSet.
NOTA: Cuando se decide mosaicar una imagen puede resultar conveniente eliminar del proceso
aquellospixelesquepuedenpresentarvaloresextremos(comocuerposdeaguaonubes).Esta
opcintepermitemarcarestetipodecubiertasparaquenosetenganencuentaduranteel
ColorBalancing,ImageDodgingoelHistogramMatching.

9. En la ventana que se abre tenemos dos espacios de visualizacin, uno de la
imagengeneralyotrodedetalle,yunaseriedeiconosparalaseleccindelas
reas a excluir. Localizaremos reas correspondientes a los cuerpos de agua
quepresentancolornegro(visibles,porejemploenlaimagencuarto_3).
125

10. ConlaherramientaCreatePolygonAOI trazaremosunpolgonoenelrea
deintersyconlseleccionadoutilizaremoslaopcinExcludeAreasthatare
spectrally similar . Marcamos un valor mximo de pixel de 80 y nos
aseguramos de que est activa la opcin de bsqueda aplicada a todas la
imgenes.Podemosrepertiresteprocesoparaincluirmspxelesdeaguaode
otrascubiertasqueaparezcanconcolorblanco.
11. DespusdeseleccionarlasreassloquedapulsarApplytoAllycerramosla
ventanaExcludeAreas.
12. A continuacin marcamos la opcin Use Image Dodging y pulsamos sobre el
botnSet.
126

13. En la ventana del Image Dodging deja los parmetros por defecto y pulsa
Previewaceptandoelprocesadodelosparmetrosparatodaslasimgenes.
14. PulsaOksobreelpaneldecorreccionesdelcolor.
15. A continuacin definiremos el tipo de lneas de corte por medio de
AutomaticallyGenerateCutlinesforIntersection .
16. MarcamosWeightedSeamlineypulsamosOk.
127

17. Guarda la configuracin del mosaico en la carpeta Practica6 con el nombre
correccin_dodging.mop.
18. EjecutaelmosaicoatravsdeProcess/RunMosaic.
19. DaunnombredesalidayalmacnaloenlacarpetaPractica6.Enlapestaa
OutputOptionsactivalaopcinStatsIgnoreValue0.
20. AbreelVieweryobservaelresultado.Comparaelresultadoconelobtenidoen
laprcticaanterior,prestaatencinalazonadesolapeentreimgenes.
128

Prctica6.4
1. Vuelve al mdulo Mosaic Pro y abre si es necesario el archivo .mop que

generasteantes.
2. Abrelapaletadeopcionesdecorreccionesdelcolor,activaelUseHistogram
Matching.

3. PulsaelbotnSet.

4. AsegratequelaopcinenelMatchingMethodesForallImages.PulsaOk.
5. Aceptalascorreccionesdecolordefinidasyejecutaelmosaico.Puedesllamar
alarchivodesalidamosaico_dodging_matching.imgyseleccionaStatsIgnore
Value0.
6. Comparaelmosaicogeneradoconelanterior.
129
Obtencin de informacin de la imagen
Combinaciones lineales entre bandas, ndices
Carlos Fernndez Freire

Victoria Gonzlez Cascn
Alfredo Gmez Domnguez
Centro de Ciencias Humanas y Sociales (CCHS)
Consejo Superior de Investigaciones Cientficas (CSIC)
ndices
130
Obtencin de informacin de la imagen
TRANSFORMACIONES:
Se trata de generar nuevas bandas que mejoren la interpretacin de la
imagen.
Combinaciones entre bandas que intentan enfatizar alguna variable de
inters: vegetacin, agua, mineral...
Su diseo se apoya en el comportamiento radiativo de esa variable:
maximizar su separacin del resto.
Obtencin de informacin a travs del trabajo con las bandas de la imagen
Combinaciones entre bandas
ndices de vegetacin: NDVI
Tasseled
T l d Cap
C
Componentes Principales
Ventajas de los ndices de Vegetacin:
-Realzan la contribucin de la vegetacin en la respuesta espectral de las
superficies.
-Atenan otros factores: suelo, atmsfera, iluminacin, topografa.
ndices de vegetacin
La vegetacin aparece muy diferente

en el visible y en el infrarrojo cercano.
Comparando ambos se puede medir
la masa vegetal y su vigor.
La vegetacin saludable absorbe la mayor parte del

espectro visible y refleja una gran parte del infrarrojo
cercano.
131
ndices
ndicesdevegetacin
Se basan en la respuesta de la vegetacin en el rojo y el infrarrojo prximo: a

mayor contraste, mayor vigor de la vegetacin
USOS
Discriminacinmasas
vegetales
Hierbaverde Seguimientocambioglobal
Hierbaseca
Previsinriesgoincendios
R IRC
NDVI:ndiceNormalizadodeVegetacin
ndices
El ndice NDVI es un indicativo sensitivo de la presencia y condicin de la vegetacin. Permite
realizar la identificacin y el seguimiento de las reas afectadas por la sequa
sequa.
0=sinvegetacin
[[1,+1]
1, 1] >01=vegetacin
Oscila entre
01 t i
>05=vegetacinmuydensa
132
Usos del NDVI
-Contenido de clorofila en la hoja

-ndice de rea foliar: LAI
g de la hoja
-Contenido de agua j
-Flujo neto de CO2
-Radiacin fotosintticamente activa absorbida por la
planta
-Productividad neta de la vegetacin
-Cantidad de lluvia recibida por la vegetacin
-Dinmica
Di i ffenolgica
l i
-Evapotranspiracin potencial
Tasseled Cap
Creacin de componentes de significado fsico preciso.

Creacin de nuevas bandas por combinacin lineal de las originales.
Ponderacin de las bandas de los sensores Landsat MSS y TM.
Tambin se ha definido para otros sensores como el AVHRR o IKONOS.
Brillo: cambios en la reflectividad total de las bandas, excluyendo la

trmica.
trmica
Verdor: contraste entre las visibles y el infrarrojo prximo.
Humedad: contenido de agua en la vegetacin y el suelo, contraste

entre el infrarrojo medio y el resto de bandas.
133
Tasseled Cap
Plano de variacin de la vegetacin
Mximo
verdor Suelo claro
Marchitez
Vegetacin
emergente Lnea de suelo
Suelo
oscuro
Tasseled Cap
V H V
e u e
r m r
d e d
o d o
r a r
d
Brillo
Brillo
Humedad
134
Tasseled Cap
Brillo
Verdor
Humedad
Tcnica de sntesis estadstica

Objetivo: transformar un conjunto de variables en otro conjunto menor
(Componentes Principales) que retiene la mxima informacin del
conjunto original
original.
Cundo utilizarlos:
Para estudiar muchas variables
Cuando las variables presenten una alta correlacin
Permite comprimir informacin multibanda (sensores hiper-

espectrales, ms de 100 bandas)
Agustn Lanero Pardo
135
Correlacin entre las bandas
de la imagen de Talavera
Es una tcnica de reduccin de
datos.
B1
Sirve para analizar un conjunto
de variables correlacionadas
B2
entre s las variables son las
bandas de la imagen.
B3
A partir de las variables
originales, se obtienen unas
nuevas (denominadas
B4
componentes principales) que
recogen la variabilidad de
forma ms estructurada. B5
B6
CP1 CP2
CP3 CP4
136
CP5
CP6
La varianza explicada por cada componente va en orden decreciente desde el

primero hasta el ltimo: el CP1 es el que ms porcentaje de varianza explica,
seguido del CP2 y as hasta el ltimo.
Muy correlacionados con las variables originales y muy poco correlacionados entre
s (no tienen informacin compartida)
Utilidades:
Visualizar en un nmero reducido de bandas las caractersticas de una imagen con

muchas bandas
Deteccin de anomalas en los ltimos componentes
Estudios multitemporales: identificar cambios
137

Prctica7:Combinacioneslinealesentrebandas
Para comenzar la prctica abrimos la imagen de la carpeta practica_7 en Erdas la
imagensellamalansat_nw_6bandas_reflectance.img.
ndiceNormalizadodeVegetacin
LageneracindelosndicesmshabitualesestpredefinidadesdelapestaaRaster
grupoClassificationUnsupervisedNDVI:
Frmulaquesevaaaplicar

Desde este cuadro de dilogo podemos aplicar los ndices ms habituales a nuestra
imagen,yapredefinidosparalossensoresmscomnmenteutilizados.
Los nicos parmetros que debemos establecer son la imagen de entrada,

lansat_nw_6bandas_reflectance.img, la de salida, que crearemos en la carpeta de
resultadosconelnombredendvi.imgyelndiceagenerar.
AunquelosndicessepuedencreardirectamentesobrelasimgenesconlosNiveles
Digitales,vamosagenerarelNDVIsobrelaimagendereflectividadaparente,porque
de esta forma podemos atribuir un significado preciso al resultado. Los valores de
NDVI generados sobre los ND originales tienen a subestimar la presencia de
vegetacin.
Cuandoelegimoslaimagendeentradaelprogramadetectaautomticamentequese
tratadeunsensorLandsatTMynosproponeporlotantolafrmulaconlasbandas
correspondientes.SeleccionamosLandsatTMyNDVIenfuncin.
UNIDADSIGCCHS:CursoIntroduccinaltratamientodigitaldeimagenconERDASIMAGINE
138

Aceptamos y visualizamos el resultado en un visor sobre la imagen original con la
combinacindebandasqueprefiramos:
ConlaayudadelaherramientaInquireCursor ,ocualquieradelasherramientas
que ya conocemos para obtener informacin de la imagen, podemos examinar la
imagenparaverquvaloresdeNDVIsecorrespondenconlasdiferentescubiertas.
Quvalorestienenlaszonasdeagua?.Haydiferenciasentrelaszonasdevegetacin
naturalyloscultivosderegado?.Quvalorestienenlaszonasurbanas?.
139

TasseledCap
Esta transformacin tambin est predefinida, al menos para los sensores ms
habituales,desdelapestaaRastergrupoClassificationSpectralTasseledCap:
IntroducimoslaimagendereflectividadyseleccionamoscomosensorLandsat5TM6
bands,yaqueestaimagennocuentaconlabandatrmica.Lasalidalavamosacrear
en la carpeta resultados con el nombre tc.img. Si hacemos clic en la pestaa de la
izquierdapodemosverloscoeficientesquesevanaaplicarymodificarlos:
140

Sobrelaimagenoriginalvamosavisualizarelresultadodelatransformacin,bandaa
banda,revisandoquzonastienenunvalormsaltodeverdor(banda2)yhumedad
(banda3):
Desdelaherramientaqueyaconocemosparacreargrficosdedispersindebandas
vamosacrearlosplanosdevariacindelaimagendevegetacinysuelos.
AccedemosdesdeRasterSupervisedFeatureSpaceImage:
141

Comoimagendeentradaseleccionamoslaqueacabamosdecrear,tc.imgyenOutput
Root Name navegamos hasta la carpeta de resultados y tecleamos el sufijo que
queremosparalasimgenesdedispersindebandas:plano_tc.
Las nicas combinaciones que nos interesan son las que sitan en el eje de la X la
banda1debrilloyenlaYlasbandas2y3,verdoryhumedad,respectivamente:
Unavezseleccionadasaceptamosyvisualizamoslosresultadosenunvisornormal:
Verdor Humedad
Brillo Brillo
Enambosgrficosquedamarcadalaimportanciadelapresenciadeaguaenlaimagen,
debido a los numerosos embalses presentes, las zonas de edificacin no son tan
importantesenelconjuntodelcuartoNWdelaescena.
142

AnlisisdeComponentesPrincipales
Accedemos desde la pestaa Raster grupo Resolution botn Spectral Principal
Components:

De nuevo introducimos la imagen con la que estamos trabajando en este mdulo
lansat_nw_6bandas_reflectance.img, aunque en este caso no es necesario trabajar
conlosvaloresdereflectividad,yaqueelresultadonovaarepresentarunavariable
fsica.
Comoimagendesalidavamosacrear,denuevoenlacarpetaderesultados,acp.img.
Abajo a la derecha del cuadro de dilogo tenemos la opcin de elegir el nmero de
componentes deseado, que pueden ser tantos como variables de entrada, es decir,
comobandastengalaimagen.Enprincipiovamosaseleccionarelmximonmerode
componentes posible, para observar cmo van conservando parte de la variabilidad
recogidaenlaimageninicial,esdecir6.
143

Recordamos que las nuevas variables se ordenan segn su correlacin con todas las
variablesoriginales,esdecir,elprimercomponenteeselqueretienemayorvarianza
delasvariablesoriginales,elsegundo,algomenos,yashastaelltimo,enqueslo
quedan los residuos, pero que pueden ser importantes, por conteneraquello que es
menosfrecuenteenlaimagen.
Para una mayor claridad examinaremos la imagen resultante en escala de grises,

visualizandoloscomponentesunoaunoparaidentificarquesloqueretienen:

CP1

CP2

CP5
CP6
.
.
El primer componente es casi el equivalente a una imagen pancromtica, ya que, al

estaraltamentecorrelacionadocontodaslasbandas,reflejalareflectividadgeneralde
la imagen; a partir de ah el resto van individualizando elementos, cierto tipo de
cultivos estn presentes en el segundo, cuando llegamos al quinto nos encontramos
con elementos como las carreteras y el ltimo slo conserva lo que es en realidad
ruidoenlaimagen,unligeroefectodebandeado.
144
Clasificacin de imgenes
145
CLASIFICACIN DIGITAL (TELEDETECCIN CUALITATIVA)
El objetivo es obtener una imagen temtica a partir de las bandas de

informacin contenidas en una imagen de satlite
Establecer una correspondencia biunvoca entre clases informacionales (cubiertas) y

clases espectrales (grupos de pxeles con caractersticas espectrales homogneas).
Criterios en la clasificacin
Espectral
Basada en los ND de la imagen.
Espacial:
Basada en la estructura y contexto espacial.
Temporal:
Evolucin estacional de las caractersticas
espectrales y espaciales.
Informacin auxiliar:
MDE, cartografa temtica,
146
FASES DE LA CLASIFICACIN DIGITAL
FASES
1. Entrenamiento: obtener el rango de ND en cada banda que caracteriza

cada clase informacional. Mtodos:
a. Supervisado
b. No supervisado
2. Asignacin: adscripcin de cada pxel de la imagen a una clase. Mtodos:

a. Mnima distancia
b. Paraleleppedos
c. Mxima probabilidad
d. Clasificadores en rbol
e. Redes neuronales
3. Verificacin de resultados: comprobacin frente a la realidad terreno
Diferencias entre el mtodo Supervisado y el No supervisado
El mtodo supervisado necesita de un conocimiento previo del espacio sobre

el que se realiza la clasificacin. El analista selecciona la muestra en funcin de
este conocimiento.
El mtodo no supervisado realiza una definicin automtica de grupos de
valores dentro de la imagen.
Agua 1 El mtodo supervisado se basa en la

definicin primero de las clases
Urbano 2 informacionales.
El mtodo no supervisado se basa
Vegetacin 3 en la definicin primero de las clases
espectrales.
Roquedo 4
Clases informacionales Clases espectrales

La clasificacin perfecta lograra la
correspondencia biunvoca entre unas y otras
147
Mtodo Supervisado
Conocimiento del terreno.

reas de entrenamiento:
Varias reas por categora (recoger variabilidad de la clase).
Es necesario seleccionar m+1 pxeles por categora (m = n de
bandas).
Resulta conveniente llegar a 10m o 100m (dependiendo de la
complejidad del paisaje).
Anlisis reas de entremiento:
Clculo de estadsticos descriptivos de la muestra (de
centralidad y dispersin).
Grficos de medias y de dispersin espectral
Mtodo No Supervisado
Busca definir clases espectrales dentro de la imagen.

Asume que los ND de la imagen forman conglomerados o clusters
ms o menos ntidos y que estos equivalen a categoras temticas.
No requiere conocimiento previo del terreno. La accin del
analista se centra ms en la interpretacin que en la consecucin de
resultados.
Parmetros en la definicin de los clusters:
1. Variables que intervienen en el anlisis (bandas).
2. Criterio de similitud o distancia entre casos
(concepto de distancia).
3. Criterio para agrupar los casos similares
(ISODATA).
Puede requerir recodificaciones o eliminaciones de las clases.
148
Mtodo No Supervisado
ENTRENAMIENTO NO
SUPERVISADO
1. Medicin similitud pxeles en

funcin de la distancia euclidiana
2. Agrupacin mediante
criterios: algoritmo ISODATA
Definicin de los centros de clases

Asignacin de cada pxel a una clase
Recalculado de los centros de clases
Reasignacin de cada pxel
Repeticin o finalizacin del proceso
(proceso iterativo)
FASE DE ASIGNACIN
Adscripcin de todos los pxeles de la imagen a cada

clase en funcin de sus ND.
Nueva imagen cuyo ND recoge un valor identificativo
de la clase a la que pertenece.
149
Clasificador de paraleleppedos
Se trata de definir un dominio para cada clase en funcin de

sus valores de centralidad y dispersin.
En torno a cada centroide de clase se definir un
paraleleppedo n-dimensional que integrar todos los pxeles que
se hayan dentro.
Es un mtodo muy rpido de aplicar.
El principal inconveniente es la
falta de exactitud, siendo muy
frecuente:
o La superposicin de
paraleleppedos.
o Pxeles fuera y, por tanto, sin
asignar a ninguna clase.
Clasificador de mnima distancia
Los pxeles son clasificados en funcin de la distancia euclidiana al

centroide de la clase.
Se refiere a distancia espectral no espacial.
El centroide de cada clase quedar definido por las medias aritmticas de
los valores de la muestra de esa clase en cada banda
dai es la distancia del pixel a a la clase i.

xak es la componente en la banda k del pixel
a
xki es la componente en la banda k de la media
de los pxeles en la clase i.
150
Distancia de Mahalanobis
Asume la normalidad: que los histogramas de las clases reflejan una

distribucin normal.
Los lmites entre clases vendran definidos por elipsoides.
Es un tipo de distancia que se adapta mejor a la variabilidad entre

categoras.
X es el vector de medias de los pxeles

de la muestra.
m es el vector de medias de los pxeles
de una clase.
S es la matriz de varianza-covarianza de
los pxeles de una clase.
Clasificador de mxima probabilidad
Asume la normalidad de la distribucin de los ND dentro de cada clase.

Est basado en el clculo de probabilidades de que un pxel pertenezca a
una clase.
Cada pixel se asigna a la clase que maximiza la funcin de probabilidad.
Tiene en cuenta la variabilidad de los ND entre clases al estar basado un
vector de medias y en la matriz de varianza-covarianza.
Es un mtodo que requiere mayor tiempo de proceso, pero ofrece buenos
resultados.
Muy utilizado
151
rbol de decisiones
Mtodo sencillo pero muy eficiente.

No requiere de la asuncin de
normalidad.
Consiste en discriminar
secuencialmente las categoras a travs
de la definicin de reglas dicotmicas.
Permite la utilizacin de informacin
auxiliar, no slo espectral (es
recomendable su uso ).
Las reglas se concretas en operadores
lgicos condicionales (del tipo
IFTHEN).
> 30%
Redes neuronales
Emulan el sistema neuronal humano.

Son capaces de aprender la relacin entre los datos de entrada y de salida.
Se estructuran en tres niveles o capas:
Nivel de entrada: informacin espectral y auxiliar.
Nivel de salida: categoras.
Nivel oculto: procesan los datos entrada-salida.
Se requieren tres fases: definicin de la

arquitectura, entrenamiento y clasificacin.
Una vez entrenada una red neuronal es
factible utilizarla para clasificar datos
distintos (capacidad de generalizacin).
152
Lgica borrosa
Clasificador mxima probabilidad
Probabilidad de pertenencia a cada clase de un pxel
SALIDAS
Mapa temtico + mapa de

distancias
Imagen en escala de grises

para cada clase
Problemas de la clasificacin digital de imgenes
Fuentes de error:
1. Problemas con la radiometra de las imgenes.
2. Alta variabilidad de los ND (dificultad de asignarse a una
clase).
3. Insuficiente resolucin espectral/espacial/temporal.
4. Mezcla de seales en el pixel.
5. Falta de informacin auxiliar.
Validacin de datos
153
VERIFICACIN DE RESULTADOS
Comparacin con una fuente externa de datos considerados la

verdad terreno.
Las fuentes de estos datos de referencia podr obtenerse en
trabajos de campo o de informacin auxiliar.
La informacin de referencia deber ser de fecha lo ms cercana
posible.
Matriz de confusin.
La matriz de confusin
Mide el porcentaje
de superficie
REFERENCIA (ha) estimada de cada
clase que ha sido
Exactitud del Error de correctamente
Clase A Clase B Total clasificada.
usuario comisin
Clase A 428,160 175,556 603,716 70.92 29.08

Mide el porcentaje
ESTIMACIN Clase B 74,895 40,908,912 40,983,808 99.82 0.18 de superficie
estimada de cada
Total 503,055 41,084,469 41,587,524 clase que ha sido
confundida con
Exactitud del
superficie de la
85.11 99.57
productor otra clase. Por
tanto,
Error de incorrectamente
14.89 0.43 clasificada.
Omisin
Mide el porcentaje de superficie

Mide el porcentaje de la superficie de referencia de cada clase que
de referencia que no ha sido ha sido correctamente
clasificada como tal, y por tanto clasificada.
omitida.
Adicionalmente ser conveniente obtener el estadstico kappa. Nos da una idea de hasta que punto el acierto de
nuestra clasificacin se debe al simple azar.
154

Prctica8.1:Clasificacinnosupervisada.
Prctica8.1.1
Elobjetivodeestaprcticaesrealizarunaclasificacinnosupervisada.
Abrimos la imagen Landsat_nw_6bandas_reflectance de la carpeta Practica8_1.

(hazloenmodoPseudoColor;defneloenalpanelSpectral).
1.
DesdelabarraprincipaldeERDASIMAGINEabrimoslapestaaRastergrupo
ClasifficationbotnUnsupervisedopcinUnsupervisedClassification.

2. Como archivo de entrada vamos a introducir la imagen Landsat corregida a
valores de reflectividad aparente realizada en la prctica 4. En la parte del
archivo de salida tendremos que dar un nombre y una ubicacin al mismo.
Podemosllamarlolandsat_clas_no_sup.imguotroqueteparezcaapropiado.
3.Elapartadodelasopcionesdedefinicindeclustersdebemosindicarelnmero
declasesquequeremosobtener.Vamosaindicarquesean10.
UNIDADSIGCCHS:IntroduccinaltratamientodigitaldeimgenesconERDASImagine 155

4. Pulsa el botn Initializing Options para configurar el criterio de definicin del

valor de las medias de la que partir el mtodo ISODATA. Marca la opcin
PrincipalAxisyconsignaunvalorde1paralaDesviacinEstndar.
5.PulsaelbotnColorSchemeOptionsyeligelaopcinGrayscale.
6. En el apartado Processing Options indicaremos el nmero mximo de

iteracionesquesepodrnrealizaryunumbraldeconvergencia(Convergence
Thresholding). Este umbral de convergencia fija el porcentaje mximo de
pxeles que pueden cambiar de clase de una iteracin a otra para detener el
proceso.Fijaremosunmximode25iteracionesyunumbraldeconvergencia

de 0.95 (esto significar que si slo cambia un 5 % de pxeles de categora,
entreiteraciones,elprocesodeclasificacinsedaporfinalizado).
NOTA:
Elobjetivodefijarelnmeromximodeiteracionesyelumbraldeconvergenciaesevitarqueel
procesoiterativoquesuponelaaplicacindeISODATAentreenunbuclesinfinal.
7. Dejamos los valores Skip Factors en 1 (si se elevan estos valores se reduce el
tiempo de procesado, pero se provoca que el resultado final sea menos
preciso).
8.UnavezquehayascompletadotodoslosparmetrosrequeridospulsaOk.
9. Cuando el proceso acabe (bien porque se alcanzan el nmero mximo de

iteracionesoporquesesuperaelumbraldeconvergencia)loindicarmediante
unaventanadeestado.
10.Visualizaelresultadodelaclasificacinabriendoelarchivoquelorecogeenel
Viewer, en un segundo espacio de visualizacin. En HomeAdd ViewsCreate
New2DView.

11. Utiliza la funcin Link que se encuentra en el panel HomeWindowLink All
Viewaparaunirlasdosvistas.

12. Una vez linkadas utiliza las herramientas de zoom o el Inquire Cursor para
observarlaequivalenciaentreclasesytiposdecubiertas.

13. Desde la tabla de contenidos pulsando el botn derecho del ratn sobre el
nombre de la imagen resultado de la clasificacin, despliega la tabla de
atributosrasterDisplayAttributeTable.
14. Cambia los colores de la leyenda para que las clases sean ms fcilmente
identificables. Para ello slo tienes que hacer click sobre el registro
correspondiente del campo color. Te saldr una paleta de color
preseleccionada,peropodrselegirotroscoloressieligesOther.
15. Puedes situarte sobre la imagen original y localizar con el Inquire Cursor en
HomeInformation algunas clases fcilmente distinguibles y comprobar a qu

categora pertenecen en la imagen clasificada (por ejemplo, el agua, cultivos,
zonasartificiales,distintostiposdevegetacin).
16.Ahora vamosaprobarunmododevisualizacindelresultadodiferente.Para
ellotienesquecargarlaimagenclasificada(enPseudoColor)ylaoriginalenun
mismovisor.Sitaelresultadodelaclasificacinporencimadelaimagensin
clasificar, haciendo click sobre el nombre de la imagen en Contents y
arrastrndolahaciaarriba.
17.Despliega latabladeatributosenelbotnderechodelratnsobreelnombre
de la imagen en la tabla de contenidos Display Attribute Table. Una vez
abiertoslosatributosenelmenTableseleccionarColumnProperties.Atravs
de esta opcin puedes configurar la tabla de atributos, entre otras cosas
puedesmodificarelordenenquesemuestranloscampos.Localizaelcampo
Class_NameysitaloalprincipiodelalistaconlosbotonesUpoTop.Sitael
campoColorjustodebajodelanteriorydespuselcampoOpacity.Cambia
tambin la anchura de visualizacin del campo Class_Name a 20 (Display
With).PulsaOkyobservaloscambiosproducidosenlatabla.

18. Ahora sitate con el cursor en el campo Opacity en la tabla de atributos y
pinchasobrelparaseleccionartodoslosregistros.Pinchasobrelaflechaenla
derechadelacabeceradelcampoysitatesobreelespacioFormulayescribe
elvalor0,marcalaopcinApply.TodoslosvaloresdeOpacidadseponena0,
esdecir,dejandeservisibles.
19.Cambia elcolordelaClass_3porazul,enelbotnderechodelratnpincha
SelectNoneysitaelvalor1enelcampoOpacity(compruebaquelaclasese
correspondeconcubiertasdeagua).
20.Activa lafuncinFlickerdesdeelmenHomeViewpinchandoenlasegunda
entradahorizontalyseleccionaelFlickerconlaopcinAutomode.Laclaseque
estabasvisualizandodebeempezaraparpadeardejandofijalaimagenLandsat
defondo.Manteniendoactivaestafuncinutilizalasherramientasdezoomy
desplazamiento sobre la imagen para comprobar si la clasificacin de esta
cubierta ha sido ms o menos precisa (nos sirve para comprobar si los
parmetrosdefinidosdurantelaclasificacinsepuedenquedarasoesmejor
cambiarlos).

21. Repite el proceso de visualizacin de cada una de las nueve categoras

restantes mediante la herramienta Flicker y el control del nivel de opacidad.
Losnombresquetienesquedaralasdistintasclasessonlasconsignadasenla
tabla.Modificaelcolordecadacategora.Elresultadodebeseralgoparecidoal
mostradoenlaimagencapturada.
Clase Nombre
Class_1 Noclasificado

Class_2 Aguaprofunda

Class_3 Aguapocoprofunda

Class_4 Vegetacion1
Class_5 Vegetacion2

Class_6 Vegetacion3
Class_7 Vegetacion4

Class_8 Vegetacion5

Class_9 Cultivos1

Class_10 Cultivos2

22. Nuestr o siguiente paso ser modificar el resultado de la clasificacin

recodificandolasclasesdemodoquelaleyendafinalquedereducidaacuatro
categoras:agua,vegetacin,cultivoysuelovegetacin.28.Abrimoslapestaa
RasterydesplegamoselmenRasterGis,seleccionandolaopcinRecode.

23.Se despliegaunatablacondistintascampos.UnodeellossellamaNewValue.
EnelprimercampoValueconstaelcdigoresultadodelaclasificacinyenel
segundoconsignaremoselnuevovalor.EnestecampoNewValueescribiremos
el mismo valor para las categoras que queremos agrupar (ser un valor
consecutivo,del1hastael4).Puedesmodificarlosvaloresdelatablaclickando
directamentesobreelregistroamodificaryescribiendoseguidamenteelvalor
o,tambin,seleccionandounoovariosregistroseintroduciendoelnuevovalor
de codificacin en el combo etiquetado como New Value (hay que pulsar el
botnChangeSelectedRows).

24. Pulsa Apply cuando ests seguro de haber completado como quieres la
recodificacin de las categoras. Elresultado debe ser algo parecidoal que se
muestraenlaimagen.
25.Paragu ardarelresultadodelarecodificacinrellenaoutputfileenlacarpeta
de resultados con un nombre alusivo, por ejemplo
(class_no_supervi_recodif.img).
26. Si quieres modificar los colores de la leyenda puedes hacerlo desde el men
Table/Colors,talycomohashechoantesenestaprctica.

Prctica8.2:Clasificacinsupervisada
Fasedeentrenamiento
Enelprocesodeclasificacinsupervisadaesnecesariocomenzarporasignarlasreas
de entrenamiento. Antes de nada es necesario tener claro cules son las clases que
queremos obtener. Para ello hemos preparado una leyenda basada en las clases del
CorineLandCover2000presentesenlazonadeestudio:
1. Zonasartificiales:tejidourbano,zonasindustriales
2. Cultivosdesecano,mosaicodecultivos,viedos
3. Cultivosderegado
4. Vegetacin1:bosquesdefrondosas
5. Vegetacin2:bosquesdeconferas,mixtos,vegetacindispersa
6. Vegetacin3:zonasdematorral,vegetacinesclerfilaopraderas
7. Agua:lminasycursosdeagua
Desdeelvisor,conlaayudadelasherramientasparalacreacindeAOIyelSignature
Editor,vamosadigitalizarreasdeentrenamientoparacadaunadeestasclases.Para
elloabrimoslaimagenlandsat_nw_6bandas.imgenelvisorconunacombinacinde
bandas4,3,2.
Abrimos la herramienta para crear AOI desde el men ApplicationNew del visor

yeleditordefirmasdesdeRasterSupervisedSignatureEditor:
165

ConlaherramientaPolygon delmenDrawingiremosdigitalizandolasreasde
entrenamientoparaluegoaadirlasaleditordefirmasconlaherramientadeCreate
NewSignaturefromAOI :
166

Podemosdigitalizartantasreasparacadaclasecomoqueramosyluegoagruparlasen
una sola clase utilizando la herramienta Merge Selected Signatures , que nos
permiteunirlasfirmasquetengamosseleccionadasenunasola:
Deestaformairemosrecolectandofirmasquerecojanlavariabilidaddecadaunade
las clases que queremos obtener. Una vez creada la firma general de cada clase
conviene borrar las anteriores antes de pasar a la siguiente clase, para no crear
confusin.
Como apoyo para la identificacin de las diferentes cubiertas puedes utilizar la tabla
quetienesacontinuacin:
readeentrenamiento Clase
1Zonasartificiales
167

2Cultivosdesecano
3Cultivosderegado
4Vegetacin1
5Vegetacin2
168

6Vegetacin3
7Agua
Mientras vamos recogiendo las reas de entrenamiento conviene ir guardando el

archivodefirmasespectrales,quetendrlaextensin.sig. DesdeelmenSignature
Editor File Save guardamos en la carpeta de resultados con el nombre clases.sig.
Tambinconvieneasociarnuestroarchivodefirmasespectralesalaimagenenlaque
estamostrabajandodesdeelmenSignatureEditorEditImageassociation.
169

Una vez hemos recolectado suficientes reas de entrenamiento vamos a evaluar su
adecuacin,analizandoelcomportamientoespectraldelascubiertasqueformancada
clase.
Antesdecomenzaryantesdepasaralafasedeasignacinconvieneadjudicaraclase
uncolorquenospermitaidentificarlaconfacilidadevitando,esos,coloresdemasiado
chillones, porque la imagen clasificada que vamos a generar a continuacin tendr
esos colores. Seleccionando la fila correspondiente y haciendo clic sobre el color
podemoscambiarlo:
Una vez elegidos los colores podemos evaluar de varias maneras la adecuacin de
nuestras reas de entrenamiento. Para hacerlo de forma visual contamos con dos
herramientasbsicas;laedicindegrficosdemedias ydehistogramasparacada
banda .Seleccionamoslasclasesquequeramosrevisarymostramoslosgrficosde
medias para ver si responden a las firmas espectrales que podemos esperar decada
cubiertayloshistogramasparavercuntosesolapan.Hacemoslapruebaconlasdos
clasesdecultivosylastresdevegetacin:
170

Lasfirmasespectralesparecencorresponderseconloquepodamosesperardecada
cubierta,aunqueaprioriparecequepodramostenerproblemasenladiscriminacin
dealgunasclasescomosonelregadodelavegetacin1,defrondosasolostipos2y3
devegetacin.
Enloshistogramasvemoscmocadaclasesepodrdiscriminarmejorenlasbandas
en las que no se solape con otras. As la clase de vegetacin 1, que hemos
representado en verde clarito, slo se identifica claramente en el infrarrojo cercano,
confundindose con las otras clases de vegetacin en el resto de bandas. El
comportamiento claramente bimodal de la clase de vegetacin 3 puede resultar
indicativodelainclusindecubiertascondiferentecomportamientoespectralenuna
mismaclase.
Las conclusiones de este anlisis grfico de las reas de entrenamiento nos pueden
llevar a volver a tomar algunas clases especialmente o a descartar por completo la
leyenda propuesta por no ajustarse a las condiciones de la imagen y a las clases
espectrales presentes en ella. Los problemas identificados tambin nos permiten
proponer soluciones como pueda ser aplicar un descriptor textural a la hora de
diferenciarlaszonasderegadodelasdevegetacinfrondosa.
171

La separabilidad entre clases puede ser evaluada de forma numrica. Accedemos a
esta opcin desde el men Evaluate Separability, dentro de la herramienta del
SignatureEditor.
Elcuadrodedilogoqueseabreacontinuacinnosofreceunaseriedeposibilidades.
Bsicamente podemos analizar la separabilidad en funcin de la distancia euclidiana
entre clases o de su divergencia estadstica, que mide el solape entre categoras. El
posibleproblemadelmtododedivergenciaestadsticaesqueasumeunadistribucin
normal de las clases, lo que no siempre ocurre, como acabamos de ver en los
histogramas.Elegimosporlotantolaopcindedistanciaeuclidianaylepedimosque
nosmuestreenformadeCellarraylamedia,seleccionandolaopcinBestAverage:
Estonospermiteidentificarquclasesestnmsprximasespectralmenteypueden
crearconfusinalahoraderealizarlaclasificacin.
Unavezaceptadaslasreasdeentrenamientovamosaclasificarlaimagen.Antesde
esteltimopasoconvienerestablecerelordendelasclases,quesehavistoalteradoal
ircreandoreasdeentrenamientoyjuntndolas,paraevitarconfusionesconelvalor
de las celdas en la imagen clasificada. Desde el men Edit del Signature Editor
172

elegimosValuesresetyOrderreset.VemoscmolascolumnasdeOrderyValues,
queantesseencontrabandesordenadas,sehanorganizadodeformacorrelativa:
CerramoselSignatureEditor.
DesdeelmenClassifierSupervisedClassificationaccedemosalcuadrodedilogo
para la fase de asignacin. Tenemos que especificar la imagen de entrada,
landsat_nw_6bandas.img y el archivo de firmas espectrales que acabamos de crear:
clases.img. La imagen de salida la guardamos en la carpeta de resultados con el
nombreclas_sup.img:
Este es el momento en el que debemos elegir el mtodo a utilizar en la fase de

asignacin. Las reglas no paramtricas son en las que no se tiene en cuenta la
distribucin de los valores de las reas de entrenamiento, slo su posicin en el
espacio ndimensional que forman las n bandas de una imagen. Si seleccionamos la
opcindeparaleleppedos,porejemplo,comoreglanoparamtricasenosactivarn
las dos casillas inferiores para especificar qu hacer con los pxeles que no entren
dentro de los lmites de los paraleleppedos (Unclassified Rule) y con aqullos que
caigandentrodeloslmitesdevariosparaleleppedos(OverlapRule).
Para nuestra imagen no vamos a seleccionar ninguna regla no paramtrica, sino la

reglaparamtricademximaprobabilidad,dejandolaopcinMaximumLikelihooden
lacasillaParametricRule.
Seleccionando la casilla Fuzzy classification obtendremos varias clases de asignacin

paracadapxel,enfuncindelaprobabilidaddepertenenciaacadauna.Verificamos
estaopcinyelegimosquenosobtengalas2mejoresclases.
173

Y po
or ltimo, teenemos la opcin de generar un na imagen de distanciia, es decirr, una
imaggen en la quue el valor de cada pxel indica la l distancia euclidiana al centro de d su
claseedeperteneencia.
Una vez seleccionadas las opciones aceptamos

a y comienzaa el proceso
o de asignaacin.
Cuanndofinalicevamosavisualizarelrresultadoenunvisorjuntoconlaaimagenorriginal
para controlareelresultado
o.Alabrirlaaimagen,q
quetendr dosbandass,seleccionamos
pcinDisplaayasPseud
laop doColordessdelapestaaadeRastteroptions,yelegimosque
nosrrepresentelabanda1:
Utilizzando la herramienta
h a Inquire cursor
c podemoss examinar las zonass que
conoocemosdelaimagenparaevaluarrdeformavvisualelresultadodelaaclasificaci
n.
UNIDA
ADSIGCCHS:CursoIntroducciinaltratamien
ntodigitaldeim DASIMAGINE
magenconERD
174

Prctica8.3:Matrizdeconfusin.
Prctica8.3.1
El objetivo de esta prctica es aplicar la matriz de confusin sobre la clasificacin
supervisadaparacomprobarsugradodefiabilidad.
1.AbreunViewerycargalaimagenclasificadamedianteelmtodosupervisado.
2. Desde el panel Raster abre la pestaa Supervised y selecciona la herramienta

AccuracyAssessment.
3. En la ventana del Accuracy Assessment selecciona la opcin Open desde el

menFile,navegahastalacarpetadondetieneslaimagenclasificadaypulsa
Ok.

4. Desde el men View selecciona Select Viewer. Te aparecer una ventana
indicndotequetienesquepulsardentrodelvisorenelquetienescargadala
imagen.HazloyregresaalaventanadelAccuracyAssessment.
5. A travs del men Edit/Import Useddefined Points navegamos hasta nuestra

carpeta de prcticas y localizamos el archivo puntos_muestreo.txt que
contieneunamuestrade40puntosescogidosaleatoriamentesobrelaimagen
clasificada.Enlasopcionesdeimportacintenemosqueindicarelcampopara
las coordenadas X e Y, que ser el 2 y 3, respectivamente. Si tienes dudas
puedesconsultarlapestaaInputPreviewycerciorartedelorden.
6. Para obtener el valor de clase para cada punto hay que ir al men Edit/Show
ClassValues.Muestraelvalorsobrelaimagenclasificada.
7.Debemoscompletarlatablaconelvalordereferenciaparacadapunto,esdecir,
el valor que tiene sobre nuestra realidad terreno (en este caso sobre el
CORINE). Este valor hay que introducirlo. En la carpeta de prcticas existe un

archivodeExcelllamadopuntos_valor_corineenelqueserecogeelvalorde
referencia(apareceenlaltimacolumna).Copiaypegalosdatosenelcampo
correspondientedelAccuracyAssessment.
8.Losdatoscorrectamenteinsertadossonlosqueaparecenenlasiguientecaptura
depantalla:

9.ParavisualizarlospuntosdemuestreosobrelaimagensobreelViewervamosal
men View/Show All. Aparecen en color amarillo para indicar que se ha
completado la tabla. Las opciones de visualizacin de la tabla se controlar
desdeelmenView/ChangeColors.
10. En la opcin Report/Options vamos a comprobar que estn seleccionadas el

ErrorMatrix,AccuracyTotalsyKappaStatistics.

11. Finalmente tenemos que calcular la matriz de confusin a travs de
Report/Accuracy Report. Desplegndose un editor de texto con el resultado
del anlisis. En el archivo generado aparece en primer lugar la matriz de
confusin,acontinuacinlasestadsticasdefiabilidad(usuarioyproductor)y,
finalmente,elestadsticoKappa.Puedesguardaresteinformeentucarpetade
prcticas.

12. Desde el men Save/Table guardamos los datos de la matriz. Quedarn
almacenadosenelarchivoimgdelaimagenclasificadas.
13.CerramoselAccuracyAssessment.

Prctica 8.4: Knowledge Engineer
Esta herramienta se puede utilizar para realizar clasificaciones de rbol de

decisiones. Vamos a ver un ejemplo sencillo para comenzar.
Desde la carpeta practica8_4\nubes abre la imagen landsat5_nubes.img:
Como ves es un recorte de la escena landsat completa, de una zona en la que hay
nubes. La prctica va a consistir en crear una mscara de esas nubes. Para ello
contamos con el NDVI, que encontrars en la misma carpeta. Los pxeles con valores
cercanos a 0 en el NDVI se corresponden con las nubes. En este caso, si identificas los
valores de las nubes sobre el NDVI vers que oscilan ms o menos entre -0,07 y 0,01.
Vamos a trabajar desde el Knowledge Engineer, al que accedemos desde la pestaa

Raster Knowledge Engineer:
Esta herramienta nos permite realizar una clasificacin mediante la toma de decisiones
en rbol. Se basa en el manejo de tres elementos: hiptesis (hypothesis), reglas (rules)
y variables (variables).
Las variables son la informacin de entrada al modelo, en nuestro slo el NDVI, ya que
en funcin de sus valores vamos a decidir cules son nubes y cules no.
180
Lo primero que vamos a hacer es salvar el proyecto en la carpeta de resultados de esta
prctica con el nombre mascara.ckb (.ckb es la extensin propia de este mdulo). Por
ser la primera vez que guardamos el proyecto hay que hacerlo desde el men File
Save as, el resto de ocasiones podremos ir guardando los cambios desde .
Las hiptesis sern el resultado final de las decisiones que vayamos especificando a lo
largo del proceso, es decir, las clases del nuevo documento temtico que vamos a
crear, y tambin los pasos intermedios. En nuestro caso slo necesitamos dos clases de
salida para crear una mscara: nubes y resto.
Por ltimo, las reglas son el conjunto de condiciones que unen, en una secuencia
lgica, las variables de entrada con las hiptesis de salida.
Comenzaremos por introducir todas las variables. Desde la zona inferior izquierda
hacemos clic en la pestaa Variables y a continuacin en la opcin Add new item to
list . En la ventana que se abre tenemos que especificar el nombre que tendr la
variable (ndvi), el tipo de datos (raster), la imagen de origen (landsat_nubes_ndvi.img)
y la banda a usar, que ser la 1. Al pulsar el botn de Apply vemos cmo ya se ha
aadido una variable nueva:
Una vez introducidas las variables creamos las hiptesis haciendo clic en y clic de
nuevo en el lienzo que ocupa la zona derecha de la ventana. Aparecer un rectngulo
con la nueva hiptesis, pinchando en el lienzo que ocupa la zona derecha de la
181
ventana. Haciendo doble clic en el rectngulo podemos darle un nombre a la hiptesis,
especificar si queremos que se convierta en clase de salida y proporcionarle un color:
De esta forma introducimos las dos hiptesis de salida: nubes y resto.

El siguiente paso consiste en ligar la variable de entrada con las hiptesis de salida en
funcin de unas reglas. Seleccionando la herramienta Create rule desplazamos el
cursor hasta la hiptesis que hemos denominado nubes y hacemos clic. Aparecer un
nuevo recuadro enlazado con el anterior; pulsando dos veces en l podremos empezar
a especificar las condiciones que compondrn la regla:
Las condiciones para asignar un pxel a la clase nubes ser que su valor de NDVI se
encuentre entre -0,07 y 0,01, como puedes ver en la imagen. Las condiciones que
establecemos dentro de una misma regla se unen mediante el operador lgico AND. Ya
que queremos que nuestra regla se cumpla en cualquier caso, le otorgamos el mayor
valor de confianza, 100.
Para la clase resto tendremos que especificar dos reglas distintas: una para los pxeles
con valor inferior a -0,07 y otra para los pxeles con valor superior a 0,01, puesto que si
estableciramos las dos condiciones sobre una misma regla quedaran unidas por el
operador AND y ningn pxel cumplira la regla:
182
Antes de pasar a realizar la clasificacin definitiva podemos revisar el funcionamiento
de nuestras reglas en conjunto o segn las vayamos creando mediante el botn Run
Test Classification , que nos permite comprobar todas las hiptesis o seleccionar
las que queramos, slo para visualizar el resultado en una ventana, sin generar an el
documento definitivo:
Cuando estemos conformes con la clasificacin, salvamos los cambios en el archivo

mascara.ckb y cerramos la ventana del Knowledge Engineer. Haremos la clasificacin
desde el men Raster Knowledge Classifier:
183
Seleccionamos el archivo que acabamos de salvar y pulsamos Next para definir qu
clases queremos crear y otra vez Next para especificar el archivo de salida, que vamos
guardar en la carpeta de resultados con el nombre de mascara.img:
Una vez terminado abre en ERDAS la imagen landsat original y la mscara para evaluar
el resultado. Aydate con la opcin Blend.
184
Prctica 8.4 extra: Knowledge Engineer
Hemos visto anteriormente cmo a travs del proceso de clasificacin supervisada

obtenamos un resultado problemtico, especialmente en el caso de la categora 1
zonas artificiales. Vamos a intentar solventarlo mediante el uso de otra herramienta de
ERDAS, a la que accedemos desde la pestaa Raster Knowledge Engineer:
El objetivo es reclasificar las zonas clasificadas originalmente como zonas artificiales

que se encuentren fuera de la delimitacin de zonas artificiales del CORINE a la
segunda clase ms probable de la clasificacin supervisada borrosa que realizamos en
la anterior prctica.
Esta herramienta nos permite realizar una clasificacin (reclasificacin en nuestro

caso) mediante la toma de decisiones en rbol. Se basa en el manejo de tres
elementos: hiptesis (hypothesis), reglas (rules) y variables (variables).
Las variables son las entradas del modelo, la informacin con la que contamos, en
nuestro caso:
Variable Explicacin
La clase ms probable para cada pxel asignada en el proceso de clasificacin
Clasificacion1
supervisada.
La segunda clase ms probable para cada pxel asignada en el proceso de
Clasificacion2
clasificacin supervisada.
El Corine2000 reclasificado segn las clases que hemos utilizado en la
Corine
clasificacin supervisada.
Lo primero que vamos a hacer es salvar el proyecto en la carpeta de resultados de esta

prctica con el nombre reclas.ckb (.ckb es la extensin propia de este mdulo). Por ser
la primera vez que guardamos el proyecto hay que hacerlo desde el men File Save
as, el resto de ocasiones podremos ir guardando los cambios desde .
Las hiptesis sern el resultado final de las decisiones que vayamos especificando a lo
largo del proceso, es decir, las clases del nuevo documento temtico que vamos a
crear, y tambin los pasos intermedios. En nuestro caso vamos a seguir las 7 clases del
185
documento original, aadiendo una ms, que ser intermedia, llamada indefinido, en
la que agruparemos todos los pxeles clasificados como zonas artificiales que se
encuentren fuera de las zonas definidas por el Corine.
Por ltimo, las reglas son el conjunto de condiciones que unen, en una secuencia
lgica, las variables de entrada con las hiptesis de salida.
Comenzaremos por introducir todas las variables. Desde la zona inferior izquierda
hacemos clic en la pestaa Variables y a continuacin en la opcin Add new item to
list . En la ventana que se abre tenemos que especificar el nombre que tendr la
variable (clasificacion1), el tipo de datos (raster), la imagen de origen (clas_sup.img) y
la banda a usar, que ser la 1. Al pulsar el botn de Apply vemos cmo ya se ha
aadido una variable nueva:
Realizamos la misma operacin para el resto de variables, recordando que

clasificacion2 ser la misma imagen clas_sup.img pero con la banda 2 en vez de la uno,
por lo que seleccionaremos Layer_2 y con el Corine, que es corine_reclasificado.img.
Una vez introducidas las variables creamos las hiptesis haciendo clic en y clic de
nuevo en el lienzo que ocupa la zona derecha de la ventana. Aparecer un rectngulo
con la nueva hiptesis, pinchando en el lienzo que ocupa la zona derecha de la
ventana. Haciendo doble clic en el rectngulo podemos darle un nombre a la hiptesis,
especificar si queremos que se convierta en clase de salida y proporcionarle un color:
186
De esta manera vamos a crear las siete hiptesis que se corresponden con las clases de
salida. Una vez terminado vamos a crear la hiptesis que nos permitir reasignar las
zonas artificiales mal clasificadas, con el nombre de Indeterminado y especificando que
no queremos crear una clase de salida, para lo que deseleccionamos la opcin Create
an Output Class. Al final tenemos las siete clases ms Indeterminado:
La ltima parte consiste en implementar las reglas lgicas necesarias para reasignar los
pxeles mal clasificados. Lo primero es especificar qu pxeles forman el conjunto de
indeterminados y luego ir desglosando, una a una cules forman el resto de clases.
Seleccionando la herramienta Create rule desplazamos el cursor hasta la hiptesis
que hemos denominado Indeterminado y hacemos clic. Aparecer un nuevo recuadro
enlazado con el anterior; pulsando dos veces en l podremos empezar a especificar las
condiciones que compondrn la regla:
187
En este cuadro de dilogo desglosamos las condiciones que se tienen que cumplir para
formar la clase de Indeterminado: en la variable clasificacion1 el valor ha de ser igual a
1 (zonas artificiales) y en el Corine distinto de 1 (zonas artificiales recuerda que el
Corine est reclasificado con la misma leyenda que hemos utilizado para la
clasificacin supervisada -). En el apartado Rule Confidence establecemos el mximo,
que es 100, ya que estamos creando reglas deterministas. Una vez apliquemos los
cambios y cerremos la ventana veremos como tanto la hiptesis como la regla han
cambiado de estar desactivadas a estar activadas, indicando las condiciones:
Del mismo modo vamos a especificar qu condiciones se tienen que cumplir para cada
hiptesis, que sern las siguientes (acordndonos siempre de establecer el nivel de
confianza en 100):
Hiptesis Regla
Clasificacion 1 = 1
1 Zonas artificiales
Corine = 1
Indeterminado = TRUE
2 Cultivos de secano
Clasificacion 2 = 2
3 Cultivos de regado Indeterminado = TRUE
188
Hiptesis Regla
Clasificacion 2 = 3
4 Vegetacion 1
Clasificacion 2 = 4
5 Vegetacion 2
Clasificacion 2 = 5
6 Vegetacion 3
Clasificacion 2 = 6
7 - Agua
Clasificacion 2 = 7
De esta forma estamos estableciendo para cada una de las zonas artificiales que no se
correspondan con el Corine la clase de salida correspondiente en la segunda ms
probable de la clasificacin borrosa.
Pero tambin tenemos que especificar que todos los pxeles correctamente
clasificados en la clase ms probable vayan a parar a sus clases respectivas, para lo que
estableceremos una segunda regla para cada hiptesis con una nica condicin: que
tengan se valor en la variable clasificacion 1, es decir 2 para los cultivos de secano, 3
para los de regado, etc. Al final tenemos que conseguir este resultado:
189
Antes de pasar a realizar la clasificacin definitiva podemos revisar el funcionamiento
de nuestras reglas en conjunto o segn las vayamos creando mediante el botn Run
Test Classification , que nos permite comprobar todas las hiptesis o seleccionar
las que queramos:
El resultado slo podremos visualizarlo, pero no se genera an el documento

definitivo.
Cuando estemos conformes con la clasificacin, salvamos los cambios en el archivo

reclas.ckb y cerramos la ventana del Knowledge Engineer. Haremos la clasificacin
desde el men Raster Knowledge Classifier:
Seleccionamos el archivo que acabamos de salvar y pulsamos Next para definir qu

clases queremos crear y otra vez Next para especificar el archivo de salida, que vamos
guardar en la carpeta de resultados con el nombre de clas_def.img:
190
Aceptamos pulsando OK y esperamos a que termine el proceso para examinar el
resultado sobre la primera clasificacin y ver cmo han cambiado los valores de los
pxeles mal clasificados:
191

Prctica9:Visualizacinen3D.
Prctica9.1
Elobjetivodeestaprcticaesrealizarunavisualizacinen3Dconlasherramientasde
ERDASIMAGINE.
DesdeelpanelprincipaldeERDASIMAGINE2010.
1. Creaunanuevavista3DmedianteNEW/3DVIEW.

2. VisualizalaimagenLandsatconlaquehasvenidotrabajandohastaahorayel
MDEobtenidodelosdatosASTER.Ambosestnenformatoimgenlacarpeta
Prctica9.
Despliega este cuadro de dilogo Scene Properties del men Scene en la
pestaa Scene modifica el factor de exageracin del relieve a 2.5 (activa la
funcin Exaggeration e incrementa su valor a 5), pulsa Apply y observa el
cambioproducido.

3. Clicando en la orden Create Linked Overview se muestra la herramienta Eye
andTargetenotrovisorsimultneoquenospermitecontrolarlaposicindel
observadoryelpuntoobservado.

Simodificasestasposicionesarrastrndolasconelratnmientraslomantienes
pulsado,observarscmocambialavisualizacin3D.
4. Los parmetros de visualizacin se modifican desde la pestaa Scene en el

menNavigationconlaordenPositionEditor.

5. Tambinvasacambiarelmododevisualizarelfondodelaimagen.EnScene
Properties cambia a la pestaa Background despliega la persiana y elige la
opcin Image, despus navega hasta la carpeta Practica9 y carga el archivo
sky.img.PulsaApplyparaqueelcambioseproduzca.

6.Cierraelcuadrode dilogo.
7.Con laherramientaPositionEditorsepuedenmodificarnuevosparmetrosque
controlenelefectodevisualizacin.BsicamentesonlascoordenadasXeYdel
puntodeobservacin,suelevacinsobreelterreno,suelevacinsobreelnivel
del mar, el FOV (controla el campo visual en la vertical, si es ms o menos
ancho;apareceenelperfildeayudacomodoslneasamarillas),elpitchesla
bisectriz del FOV y seala el ngulo de la lnea visual (un valor 0 seala la
posicinhorizontal,unvalorpositivoimplicaunaelevacindelaobservaciny
unvalornegativounacada;arrastraconllaposicindelFOV;enelperfilde
ayudasecorrespondeconlalnearoja),elnguloacimutaldeobservacinyel
roll que permite inclinar la observacin. Si clicas el auto apply se visualizaran
automticamente.
8.Puedesconfigurar lageometradeiluminacin.Paraelloutilizalaherramienta
SunPositiondelapestaaSceneyelmenView.
Elpuntonegrosobrelascircunferenciasconcntricasrepresentalaposicindelsol(el
centrodelascircunferenciasrepresentaraelcenit)
9. Se puedealmacenarcada posicin quedefinamosconsusparmetrosdesdeel

menScene/Navigation/PositionRecorder.

Apareceunatabla,losregistrosserancadaunadelasposicionesyencolumnas
aparecenlosparmetrosdevisualizacindecadauna.
ParaalmacenarnuestraposicinutilizalaherramientaAddPosition.
10. Cambia los parmetros de observacin para configurar dos posiciones ms y

adelosalatabladeposiciones.
11. Una vez que tengas distintas posiciones puedes pasar de una a otra
sucesivamenteconlaopcinGotoNext.
12.Salva tuficherodeposicinconlaopcinSavedesdeelPositionsEditor.

13.Se puedealmacenarcadaposicindevisualizacincomounafotografa.Para
ello se recurre al men Application Menu/Save As/View as Image
ysealmacenacomounaimagen.
14.Puedesabrir laimagenresultanteenunnuevoViewer.
Prctica9.2
Parafinalizarvamosaaprenderarealizarunasimulacindeunvueloen3D.
1. AbrimoselFlightPathEditorparadefinireltrazadodelvuelo.
2.Desde elmenUtilityseleccionamosFlyPathEditorparadefinireltrazadodel
vuelo.Sedefineenlavista2D.
3.Parafinalizar eltrazadopulsadosveceselbotnizquierdodelratn.Desdeel
FlightPathEditorpulsalaherramienta.ApplychangestoFlightpath .
4.Pulsa elbotnStartFlightyobservaelvisor.

RECURSOS DE TELEDETECCIN
MANUALES DE TELEDETECCIN:
Barret, E. C. y L. F. Curtis (1999): Introduction to Environmental Remote Sensing,

Cheltenham, Stanley Thornes Publishers Ltd.
Chuvieco, E. (2002): Teledeteccin Ambiental, Barcelona, Ariel.
Gibson, P. y C. H. Power (2000a): Introductory Remote Sensing: Principles and

Concepts, London, Routledge.
Gibson, P. y C. H. Power (2000b): Introductory Remote Sensing: Digital Image

Processing and Applications, London, Routledge.
Jensen, J. R. (2000): Remote Sensing of the Environment. An Earth Resource

Perspective, Upper Saddle River N.J., Prentice-Hall.
Lillesand, T. M. y R. W. Kiefer (2000): Remote Sensing and Image Interpretation, New

York, John Wiley and Sons.
Mather, P. M. (1998): Computer Processing of Remotely Sensed Images, Chichester,

John Wiley & Sons.
Pinilla, C. (1995): Elementos de Teledeteccin Espacial, Madrid, RA-MA.
Richards, J. A. y X. Xia (1999): Remote Sensing Digital Image Analysis. An Introduction,

Berlin, Springer-Verlag.
Short, N. M. (2001): The Remote Sensing Tutorial (An Online Handbook). Applied
Information Sciences Branch. NASA's Goddard Space Flight Center
(http://rst.gsfc.nasa.gov). (se baja gratuitamente de internet)
Sobrino, J. A. (Ed.) (2000): Teledeteccin, Valencia, Servicio de Publicaciones,

Universidad de Valencia.
REVISTAS ESPECIALIZADAS
Canadian Journal of Remote Sensing, Canadian Aeronautics and Space Institute (CASI),
130 Slater Street, Suite 818, Ottawa, Ontario K1P 6E2, Canada.
http://www.callisto.si.usherb.ca/~cartel/cjrs.
197
Cartography and Geographic Information Science (CaGIS). American Congress on
Surveying and Mapping, 6 Montgomery Village Avenue, Suite 403, Gaithersburg,MD.
http://leporello.ingentaselect.com/vl=8574760/cl=35/nw=1/rpsv/cw/acsm/1523040
6/contp1.htm
Earth Observation Magazine. EOM, Inc., 13741 E. Rice Place, Suite 200, Aurora, CO
80015 (USA). http://www.eomonline.com
Geocarto International, Geocarto International Centre, GPO Box 4122, Hong Kong.
http://www.geocarto.com/e-journal.html
Geofocus, revista electrnica del grupo de mtodos cuantitativos, SIG y Teledeteccin

de la Asociacin de Gegrafos Espaoles http://geofocus.rediris.es/principal.html
IEEE Transactions on Geoscience and Remote Sensing, IEEE Geoscience and Remote
Sensing Society, Institute of Electrical and Electronics Engineers Inc., 345 E. 47th Street,
New York, NY, 10017 USA.
http://ieeexplore.ieee.org/xpl/RecentIssue.jsp?puNumber=36
International Journal of Geographical Information Science, Taylor and Francis Ltd.,

Rankine Road, Basingstoke, Hampshire RG24 0PR, Reino Unido.
http://www.tandf.co.uk/journals/titles/13658816.asp
International Journal of Remote Sensing, Taylor and Francis Ltd., Rankine Road,
Basingstoke, Hampshire RG24 0PR, Reino Unido.
http://www.tandf.co.uk/journals/titles/01431161.asp
ITC Journal, International Institute for Aerospace Survey and Earth Sciences, P.O. Box
6, NL-7500 AA, Enschede, Pases Bajos. journal@itc.nl
Photogrammetric Engineering and Remote Sensing, American Society for

Photogrammetry and Remote Sensing, 5420 Grosvenor Lane, Suite 210, Bethesda
20814-2160, USA. http://www.asprs.org/asprs/publications/pe&rs/
Remote Sensing of Environment, Elsevier Science Publishing Company Inc., 52

Vanderbilt Avenue, New York, NY 10017, USA.
http://www.elsevier.com/wps/find/journaldescription.cws_home/505733/descripti
on#description
Revista Espaola de Teledeteccin, Laboratorio de Teledeteccin-LATUV, Facultad de

Ciencias, UVA. 47071 Valladolid. http://www.aet.org.es/
198
DIRECCIONES TILES EN INTERNET
Imgenes del satlite SPOT: SPOT-Image, 5 rue des Satelites, Toulousse, B.P. 4359, F-
31030, Francia. http://www.spotimage.com
Earthwatch, 1900 Pike Road, Longmont, Colorado 80501, USA.

http://www.digitalglobe.com
Imgenes del satlite IKONOS y otros de alta resolucin: http://www.geoeye.com/
Imgenes de varios satlites de imgenes sobre Europa (Quickbird, Landsat, Envisat,

ERS 1 y 2, IRS, Radarsat, ASTER). http://www.eurimage.com
Universidad de Dundee. (Archivos con datos AVHRR, MODIS, SeaWIFS).

http://www.sat.dundee.ac.uk/
Imgenes de la plataforma espacial europea Envisat: http://envisat.esa.int/
Imgenes del programa Landsat de la NASA: http://glovis.usgs.gov/
Imgenes MODIS: http://modis.gsfc.nasa.gov/
Imgenes RADAR de la NASA: http://www.jpl.nasa.gov/radar/sircxsar/
Imgenes de misiones tripuladas de la NASA: http://eol.jsc.nasa.gov/
199

Manual Curso ERDAS2011 PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Manual Curso ERDAS2011 PDF

Cargado por

Copyright:

Formatos disponibles

Introduccin a la teledeteccin con ERDAS

Unidad SIG. Centro de Ciencias Humanas y Sociales (CCHS)

Consejo Superior de Investigaciones Cientficas (CSIC)

Madrid, 6 al 10 de junio del 2011

Carlos Fernndez Freire

El objetivo de este curso es proporcionar un conocimiento bsico de las tcnicas de

1. Teora I: Fundamentos de teledeteccin y conceptos de resolucin 3

Prctica 1: Resoluciones y firmas espectrales 19

Teora II.a: Tipos de sensores 29

Teora II.b: Adquisicin e importacin de imgenes 38

Prctica 2: Adquisicin e importacin de datos 43

Teora III: Correcciones geomtricas 48

Prctica 3.1: Georreferenciacin 53

Prctica 3.2: Corregistro de imgenes 59

Teora IV: Correcciones radiomtricas 69

Prctica 4: Correcciones radiomtricas 76

Teora V: Realces y filtros 86

Prctica 5: Realces y filtros 94

Teora VI: Elaboracin de mosaicos 112

Prctica 6: Elaboracin de mosaicos 118

Teora VII: Obtencin de informacin de la imagen 130

Prctica 7: Combinaciones lineales entre bandas 138

Teora VIII: Clasificacin de imgenes 145

Prctica 8.1: Clasificacin no supervisada 155

Prctica 8.2: Clasificacin supervisada 165

Prctica 8.3: Matriz de confusin 175

Prctica 8.4: Knowledge Engineer 180

Prctica 8.4 extra: Knowledge Engineer 185

Prctica 9: Visualizacin en 3D 192

Recursos de teledeteccin 197

La teledeteccin es la tcnica de observacin remota de la superficie terrestre y de la atmsfera que

Mtodos pasivos: se basan en el registro de la radiacin electromagntica reflejada o

Anlisis digital Salidas grficas y digitales Usuario

Monitorizacin de la vegetacin Fuente de datos para los SIG

Deteccin incendios Patrimonio cultural

Estudios biodiversidad Estudios arqueolgicos

Gestin desastres naturales

Cobertura global de la superficie terrestre.

Observacin a distintas escalas.

Informacin en regiones del espectro no visible.

Nmero de incendios del

MSG-1 (1x1 Km.) Landsat TM (30x30 m.)

Ikonos-2 (1x1 m.)

La existencia de capturas con iguales caractersticas de observacin, y de diferentes

Composicin en color verdadero

Composicin en falso color

La radiacin captada por un

Ley del desplazamiento de Wien

Rayos X Ultravioleta Infrarrojo

Elementos que absorben (agua, pigmentos, minerales).

VISIBLE IR PRXIMO IR MEDIO

Factores de reflectividad de la hoja. Factores del dosel vegetal.

C C Estructura Agua Agua

Agua ocenica Agua ocenica

Suelo Pino 25% Pino 50% Pino 100%

Suelo Nieve Vegetacin

Tiempo que transcurre desde una toma del sensor y la siguiente de la

Existen sensores que pueden enfocarse desde rbitas prximas lo que

Sensibilidad del sensor a la hora de detectar variaciones en la radiancia

1. Seleccionamos abrir archivo.

2. En el men File encontramos la opcin Open Raster Layer. Navegamos hasta la

UNIDAD SIG-CCHS: Introduccin al tratamiento digital de imgenes con ERDAS Imagine 19

Resolucin espectral (n de bandas):