INSTITUTO CIENTÍFICO DEL PACÍFICO

Teledetección
Visítenos en: www.icip.edu.pe
 INSTITUTO CIENTÍFICO DEL PACÍFICO TELEDETECCIÓN

TELEDETECCIÓN

SESION 1: INTEGRACIÓN DE ENVI Y ARCGIS

1. Ejemplos con ENVI Tools

1.1. Conversión formatos raster

Nosotros podemos transformar formatos raster mediante los software ArcGIS y ENVI,
podemos convertir los datos raster a un formato TIFF/GeoTIFF o formato ENVI, para que
pueda ser utilizada en el software ENVI. Las herramientas de ENVI sólo admiten
formatos raster de entrada que reciben soporte de software ArcGIS y ENVI. A
continuación se detalla los formatos de entrada compatibles.

FORMATOS
DPPDB (.ntf) JPEG2000 (.jp2, .j2k)
DTED (.dt0, .dt1, .dt2) Landsat MSS, TM, ETM+ (.tif)
ENVI Standard Raster LAS LiDAR (.las)
ENVI Classification MrSID (.sid)
ERDAS IMAGINE (.img) NITF 1.1, 2.0, 2.1 (.ntf)
ESRI Geodatabase Raster Dataset: NSIF 1.0 (.nsf)
Personal (<mdb>) OrbView-3 (.tif, .ntf)
File (<gdb>) QuickBird (.tif, .ntf, .til)
GeoEye-1 (.tif, .ntf) JPEG2000 (.jp2, .j2k)
GeoJP2 / GeoJ2K (.jp2, .j2k) Landsat MSS, TM, ETM+ (.tif)
GeoTIFF (.tif) LAS LiDAR (.las)
IKONOS (.tif, .ntf) TIFF (.tif)
JPEG (.jpg) Spot DIMAP (<dir> in 10.0+)
RapidEye (.tif, .ntf) WorldView-1 (.tif, .ntf, .til)
TFRD (.tfd) WorldView-2 (.tif, .ntf, .til)

1.2. Filtros con Convolución

Filtrar con Convolución reemplaza el valor de cada píxel en un tramo mediante una
suma de los píxeles circundantes. La contribución de cada pixel a la suma está definida
por un núcleo del filtro cuadrado. El filtro kernel puede ser diseñado para retener
componentes de alta frecuencia para su uso en la mejora de bordes o aplicaciones,
nitidez en la imagen, o para retener componentes de baja frecuencia para su uso en
desenfoque de la imagen y las aplicaciones de reducción de ruido. (Ver Figura 1)

INSTITUTO CIENTÍFICO DEL PACÍFICO TELEDETECCIÓN

 INSTITUTO CIENTÍFICO DEL PACÍFICO TELEDETECCIÓN

Figura 1. Filtro por convolución

1.3. Lidar a raster

Lidar a Raster lee un archivo de Lidar de formato LAS y la convierte en una formato de
ENVI de raster de elevación o intensidad. El raster de salida tendrá la misma proyección
que el archivo de LAS de entrada. El tipo de imagen de salida es por defecto la elevación.
Pero también se puede obtener la imagen correspondiente a la intensidad.

Tipos de Lidar: Hay dos tipos básicos de LIDAR aerotransportados y terrestres.

 Aerotransportada (Con LIDAR aerotransportado, el sistema se instala en un

helicóptero o en un avión. La luz de láser infrarrojo se emite hacia el suelo y es
devuelta al sensor LIDAR aerotransportado en movimiento. Hay dos tipos de
sensores aerotransportados: topográficos y batimétricos).
 Lidar topográfica (El LIDAR topográfico se puede utilizar para derivar modelos
de superficie para usar en varias aplicaciones como silvicultura, hidrología,
geomorfología, planificación urbana, ecología del paisaje, ingeniería costera,
evaluaciones de relevamiento topográfico y cálculos volumétricos).
 Lidar batimétrico (El LIDAR batimétrico es un tipo de adquisición
aerotransportada que penetra en el agua. La mayoría de sistemas LIDAR
batimétricos recopilan simultáneamente la profundidad del agua y la elevación,
que proporciona un relevamiento topográfico LIDAR aerotransportado de la
interfaz tierra-agua. Con un relevamiento topográfico LIDAR batimétrico, la luz
infrarroja (sistema láser tradicional) se refleja de vuelta al avión desde la
superficie del agua y de la tierra, mientras que el láser verde adicional viaja a
través de la columna de agua. Se utilizan análisis de los dos pulsos distintos para
establecer las profundidades del agua y las elevaciones de la costa. La

INSTITUTO CIENTÍFICO DEL PACÍFICO TELEDETECCIÓN

 INSTITUTO CIENTÍFICO DEL PACÍFICO TELEDETECCIÓN

información batimétrica es muy importante cerca de las líneas costeras, en

puertos y cerca de playas y riberas. La información batimétrica también se utiliza
para ubicar objetos en el suelo oceánico).
 Lidar terrestre (Hay dos tipos principales de LIDAR terrestre: móvil y estático. En
el caso de la adquisición móvil, el sistema LIDAR se monta en un vehículo en
movimiento. En el caso de la adquisición estática, el sistema LIDAR normalmente
se monta en un trípode o dispositivo estacionario. Ambos sensores LIDAR
consisten de láser seguros para los ojos. El Lidar terrestre recopila puntos muy
densos y altamente exactos, que permiten la identificación precisa de los
objetos. Estas nubes de punto densas se pueden utilizar para administrar
instalaciones, realizar relevamientos topográficos de carreteras y vías férreas, e
incluso crear modelos de ciudades en 3D para espacios en el exterior y en el
interior, para mencionar algunos ejemplos.
 Móvil (LIDAR móvil es el conjunto de nubes de punto LIDAR desde una
plataforma en movimiento. Los sistemas LIDAR móviles pueden incluir cualquier
número de sensores LIDAR montados en un vehículo en movimiento. Estos
sistemas se pueden montar en vehículos, trenes e incluso en barcos. Los
sistemas móviles normalmente consisten de sensor LIDAR, cámaras, GPS
(Sistema de posicionamiento global) y un INS (sistema de navegación inerte), al
igual que con los sistemas LIDAR aerotransportados. Los datos LIDAR móviles se
pueden utilizar para analizar infraestructura de carreteras y ubicar alambres
aerotransportados que se superpongan, postes de luz y rótulos de carretera
cerca de carreteras o vías férreas).
 Estático (LIDAR estático es el conjunto de nubes de punto LIDAR desde una
ubicación estática. Normalmente el sensor LIDAR está montado en un trípode y
es totalmente portátil, con un rango basado en un láser y sistema de imágenes.
Estos sistemas pueden recopilar nubes de punto LIDAR dentro de edificios así
como en el exterior. Las aplicaciones comunes para este tipo de LIDAR son la
ingeniería, minería, topografía y la arqueología).

Topográfico Batimétrico Móvil

Figura 2. Diferentes tipos de recepción de datos Lidar

INSTITUTO CIENTÍFICO DEL PACÍFICO TELEDETECCIÓN

 INSTITUTO CIENTÍFICO DEL PACÍFICO TELEDETECCIÓN

 Devolución láser de Lidar (Los pulsos láser emitidos desde un sistema lidar se
reflejan desde objetos sobre y por encima de la superficie del suelo: vegetación,
edificios, puentes y así sucesivamente. Un pulso láser emitido puede regresar al
sensor lidar como uno o muchas devoluciones. Cualquier pulso láser emitido que
encuentre varias superficies de reflejo a medida que viaja hacia el suelo se divide en
tantas devoluciones como superficies reflectoras existen).

 First Return (El primer pulso láser devuelto es el más importante y se

asociará con la entidad más grande en el panorama como una copa de árbol
o la parte superior de un edificio. La primera devolución también puede
representar el suelo, en cuyo caso el sistema lidar solo detectará un regreso).
 Last Return (La última devolución no siempre será de una devolución del
suelo. Por ejemplo, considere un caso en donde un pulso golpee una rama
gruesa en su camino hacia el suelo y el pulso no llega en realidad al suelo. En
este caso, la última devolución no es desde el suelo pero sino desde la rama
que reflejó el pulso láser completo).
 Full Feature (Varias devoluciones pueden detectar las elevaciones de varios
objetos dentro de la huella láser de un pulso láser saliente. Las devoluciones
intermedias, en general, se utilizan para la estructura de la vegetación, y la
última devolución para los modelos de terreno de suelo desnudo).

2. Extracción de características

2.1. Extracción de características con Ruleset

Para la extracción de características con Ruleset, se utiliza un enfoque basado en objetos

para clasificar las imágenes, donde un objeto es una región de interés con espacial,
espectral (brillo y color), y / o características de textura que definen la región. En la
extracción de características con Ruleset, primero segmenta la imagen de entrada en
regiones por grupos cercanos de pixeles con valores similares. Se utiliza un algoritmo de
segmentación basado en borde, seguido por una etapa de fusión opcional para calcular
el espacial, espectral, y los atributos de textura para cada segmento. Esto asigna
segmentos a clases, donde una clase contiene una o más reglas que se puede construir
en base a su conocimiento de ciertas características. Por ejemplo, sabemos que los
caminos son alargados, algunos edificios se aproximan a una forma rectangular, y los
árboles son de textura muy gruesa en comparación con la hierba. En la figura 3 se
muestra el proceso de extracción de característica sobre una imagen.

INSTITUTO CIENTÍFICO DEL PACÍFICO TELEDETECCIÓN

 INSTITUTO CIENTÍFICO DEL PACÍFICO TELEDETECCIÓN

Figura 3. Extracción de carteristas con Ruleset

3. Procesamiento de imágenes

3.1. Auto-Threshold Difference Raster

La diferencia Auto-Umbral Raster proporciona cuatro métodos de auto-umbral de

diferencia de imágenes los cuales son Otsu's, Tsai's, Kapur's, y Kittler's.

 Otsu's: Un método basado en la forma del histograma. Se basa en el análisis

discriminante y utiliza los momentos acumulados de orden cero y primer orden del
histograma para calcular el valor del nivel de umbral.
 Tsai's: Un método basado en momentos. Se determina el umbral de modo que los
tres primeros momentos de la imagen de entrada se conservan en la imagen de
salida.
 Kapur's: Un método basado en la entropía. Se considera la imagen de umbral como
dos clases de eventos, con cada clase caracterizado por una función de densidad de
probabilidad. El método, maximiza la suma de la entropía de las dos funciones de
densidad de probabilidad, para obtener un umbral óptimo.
 Kittler's: Un método basado en la firma del histograma. Se aproxima el histograma
como una distribución de Gauss bimodal y encuentra un punto de corte. La función
de coste se basa en la regla de clasificación de Bayes.

Figura 4. Diferencia Auto-Umbral Raster

INSTITUTO CIENTÍFICO DEL PACÍFICO TELEDETECCIÓN

 INSTITUTO CIENTÍFICO DEL PACÍFICO TELEDETECCIÓN

3.2. Calculate Image Difference

Para calcular la Imagen de diferencia, se compara dos imágenes de la misma

extensión geográfica e identifica diferencias entre ellos. La diferencia se puede
calcular en una banda de entrada especificado, en un índice de función o utilizando
el ángulo espectral.

A continuación se detalla los métodos de diferencia de imágenes:

 Diferencia de bandas: Para realizar el análisis de la diferencia en una banda

específica en la imagen, se especifica la banda para su uso en las opciones
avanzadas. Usted puede optar por realizar radiométrica normalización entre
dos bandas de entrada.
 Función de índice de diferencia: método sólo está disponible cuando los
raster de entrada son multiespectrales o hiperespectrales. Para emplear el
índice se debe de especificar dos bandas espectrales. El índice se calcula
como función (Band2 - Band1) / (Band2 + Band1).
 Diferencia de Angulo espectral: este método consiste en determinar
espectros similares entre dos imágenes raster por el cálculo del ángulo entre
los espectros y tratarlos como vectores en un espacio con dimensionalidad igual al
número de bandas.

Figura 5. Imagen obtenida de una diferencia

3.3. Calculate Thematic Change

Para calcular cambio temático se toma dos imágenes de la clasificación de la misma escena
tomadas en diferentes momentos e identifica diferencias entre ellos. La imagen de la
clasificación resultante muestra las transiciones de las clases, por ejemplo, de clases 1 a 2.
Ambas imágenes deben contener el mismo número de clases y las mismas definiciones de
clases. En la Figura 6 se muestra un ejemplo de cambio temático.

INSTITUTO CIENTÍFICO DEL PACÍFICO TELEDETECCIÓN

 INSTITUTO CIENTÍFICO DEL PACÍFICO TELEDETECCIÓN

Figura 6. Detección de cambios temático

3.4. Classification Raster to Vector

La clasificación de Raster a vector consiste en transformar los pixeles de la imagen

clasificada en archivos vectoriales de tipo shp. En la Figura 7 se muestra el resultado
de la trasformación de una imagen clasificada a vector.

Figura 7. Transformación de Raster a vector

3.5. Classify With Training

Para esta clasificación se emplea zonas de entrenamiento, las zonas de

entrenamiento es suministrado por polígonos o puntos (shp), entre los métodos de
clasificación tenemos:

 Maximum Likelihood: Este método considera que los ND de cada categoría se

ajustan a una distribución normal. Esto nos permite describir esa categoría por
una función de probabilidad, a partir de su vector de medias y matriz de
varianza-covarianza. Así podemos calcular la probabilidad de que un
determinado píxel pertenezca a una categoría; el cálculo se realiza para todas
las categorías definidas y el píxel se clasifica en clase a la cual tenga más
probabilidad de pertenecer.

INSTITUTO CIENTÍFICO DEL PACÍFICO TELEDETECCIÓN

 INSTITUTO CIENTÍFICO DEL PACÍFICO TELEDETECCIÓN

 Minimum Distance: El criterio más sencillo para clasificar un píxel en una

categoría es incluirlo en la más cercana a él, es decir, en aquella que minimice la
distancia entre ese píxel y el centroide de clase. Esta distancia no es una distancia
geográfica sino espectral consecuencia de comparar los ND de cada píxel con los
del centro de las distintas categorías, para todas las bandas que intervienen en
el análisis.
 Spectral Angle Mapper: El ángulo espectral Mapper (SAM) es una clasificación
espectral basada en la física que utiliza un ángulo de n-dimensional para que
coincida con píxeles de espectros de referencia. El algoritmo determina la
similitud espectral entre dos espectros, calculando el ángulo entre los espectros,
tratándolos como vectores en un espacio con dimensionalidad igual al número
de bandas. SAM compara el ángulo entre el vector del espectro endmember y
cada píxel en el espacio vectorial n-dimensional. Pequeños ángulos representan
más coincidencias con el espectro de referencia. Los píxeles más lejos que el
umbral máximo ángulo especificado en radianes no están clasificados.
 Mahalanobis Distance: Asume previamente que los histogramas de las clases
tienen distribuciones normales. Por otra parte considera que la forma
geométrica de la nube de puntos que representa al conjunto de píxeles
pertenecientes a una clase puede ser descrita por un elipsoide. Dicha forma de
elipsoide depende directamente de la covarianza entre las distintas variables. En
la Figura 8 se presenta un método de clasificación por entrenamiento

Figura 8. Clasificación por entrenamiento

3.6. Classify Without Training

Para la clasificación sin tener en cuenta zonas de entrenamiento se emplea el

algoritmo ISODATA la cual agrupa píxeles en un conjunto de datos basado en
estadísticas, sin ninguna clase de formación definidos por el usuario.

INSTITUTO CIENTÍFICO DEL PACÍFICO TELEDETECCIÓN

 INSTITUTO CIENTÍFICO DEL PACÍFICO TELEDETECCIÓN

Figura 9. Clasificación por ISODATA

3.7. Cleanup Classification Raster

Con este método se puede hacer limpieza del resultado de la clasificación, refina el
resultado de la clasificación. Suaviza y elimina los ruidos (pixeles) de la clasificación
y los pixeles agregados por pequeñas regiones. En la Figura 10 se muestra el
afinamiento de una clasificación.

Figura 10. Refinamiento de una imagen clasificada

3.8. Detect Anomalies

Para la detección de anomalías se utiliza el algoritmo de Reed-Xiaoli detector para

detectar las diferencias espectrales y de color entre una región y para poner a
prueba sus píxeles vecinos o el conjunto de datos. Este algoritmo extractos de los
objetivos que se espectralmente distinta de la imagen de fondo. Los resultados de
los análisis RXD son inequívocas y han demostrado ser muy eficaces para detectar
sutiles características espectrales. Existe otro método como el UTD que define las
anomalías utilizando (1 - μ) como la firma emparejado, en lugar de (r - μ). UTD y RXD
funcionan de manera idéntica, pero en lugar de utilizar un vector de muestra a partir
de los datos (como con RXD), UTD utiliza el vector unitario. UTD extrae firmas fondo
como anomalías y proporciona una buena estimación del fondo de la imagen.

INSTITUTO CIENTÍFICO DEL PACÍFICO TELEDETECCIÓN

 INSTITUTO CIENTÍFICO DEL PACÍFICO TELEDETECCIÓN

Finalmente se tiene el modelo RXD-UTD que es un híbrido de los métodos RXD y

UTD, en el que (r - 1) se utiliza como la firma coincidente. Esta es una variante del
enfoque de UTD. Restando UTD de RXD suprime el fondo y mejora las anomalías de
interés. Para el método de cálculo de la media. El valor predeterminado es global.
Global deriva el espectro medio del conjunto de datos completo. Local deriva el
espectro medio de un núcleo localizado alrededor del píxel. En la Figura 11 se
muestra una imagen de anomalías.

Figura 11. Detección de anomalías

3.9. Intersect Rasters

Para la intersección de dos raster se toma dos rásteres como dato de entrada y dato
de salidas de dos rásteres que cubren sólo el área de superposición de dos entradas.
Si los rásteres de entrada tienen diferentes proyecciones o tamaños de pixel, uno de
los raster de salida se reproyecta o se remuestrea de modo que los dos raster de
salida tengan el mismo número de filas y columnas. En el método de interpolación
se puede usar. Vecino más cercano, bilineal y Convolución Cúbica. En la Figura 12 se
muestra la intersección de dos archivos rastre.

Figura 11. Intersección de dos datos raster

INSTITUTO CIENTÍFICO DEL PACÍFICO TELEDETECCIÓN

 INSTITUTO CIENTÍFICO DEL PACÍFICO TELEDETECCIÓN

3.10. Threshold By Percentage

Umbral por porcentajes segmenta la imagen en regiones anómalas y no anómalas. El umbral
debe ser lo suficientemente baja para minimizar los falsos positivos sin omitir anomalías
reales. En la Figura 12 se muestra la segmentación de una imagen.

Figura 12. Segmentación de una imagen por umbral de porcentajes

4. Flujo de trabajo en imágenes

4.1. Detect Anomalies With Thresholding

Para detectar anomalías con umbrales se utiliza el método de Reed-Xiaoli Detector

(RXD) para detectar las diferencias espectrales y de color entre una región y para
poner a prueba sus píxeles vecinos o el conjunto de datos. Extrae los objetivos que
están espectralmente distinto del fondo de la imagen. RXD es eficaz cuando los
objetivos anómalos son suficientemente pequeñas, en relación con el fondo.
Thresholding segmentos de la imagen en regiones anómalas y no anómalos. El
umbral debe ser lo suficientemente baja para minimizar los falsos positivos sin
omitir anomalías reales.

4.2. Detect Image Difference with Thresholding and Cleanup

Para detectar diferencia de imágenes con umbrales y afinamiento, primero se deben

de intersectar los archivos raster y a continuación, comparar los dos imágenes de la
misma extensión geográfica e identifica diferencias entre ellos. La diferencia se
puede calcular en una banda de entrada especificado, en un índice de función, o
utilizando el ángulo espectral. El umbral proporciona cuatro métodos de auto-
umbral (Otsu's, Tsai's, Kapur's, y Kittler's), mientras que la limpieza refina el
resultado de la clasificación con un suavizado (elimina los ruidos) y/o agregación
(elimina pequeñas regiones).

INSTITUTO CIENTÍFICO DEL PACÍFICO TELEDETECCIÓN

 INSTITUTO CIENTÍFICO DEL PACÍFICO TELEDETECCIÓN

4.3. Detect Thematic Change With Cleanup

Para detectar cambios temáticos con la limpieza primero se debe de realizar una
intersección de datos raster y a continuación, se comparan los dos rásteres de
clasificación de la misma extensión geográfica e identifica diferencias entre ellos. La
imagen de la clasificación resultante muestra las transiciones de las clases, por
ejemplo, de clases 1 a 2. Ambas imágenes deben contener el mismo número de
clases y las mismas definiciones de clases. La limpieza refina el resultado de la
clasificación con un suavizado (elimina los ruidos) y/o agregación (elimina pequeñas
regiones).

4.4. Supervised Classification With Cleanup

Clasificación supervisada mediante zonas de entrenamiento y limpieza de los píxeles en un
conjunto de datos en clases se basa en los datos de formación definidos por el usuario. La
formación de datos se suministra como polígonos o puntos de shapefiles existentes. La
limpieza refina el resultado de la clasificación. Suaviza y elimina los ruidos, y/o agregación
(elimina pequeñas regiones).

4.5. Unsupervised Classification With Cleanup

En la clasificación no supervisada con la limpieza utiliza la técnica ISODATA ya que

agrupa los píxeles en un conjunto de datos basado en estadísticas, sin ninguna clase
de formación definidos por el usuario. La limpieza refina el resultado de la
clasificación con un suavizado (elimina los ruidos) y/o agregación (elimina pequeñas
regiones).

INSTITUTO CIENTÍFICO DEL PACÍFICO TELEDETECCIÓN