FUNDAMENTOS DEL PROCESAMIENTO DE IMGENES Y GIS PARA LA TELETECCIN Jian Gou Liu, Philippa J.

Mason Una imagen digital es un vector de dos dimensiones que contiene nmeros. Cada celda de una imagen digital se llama pixel y el nmero que contiene representa la intensidad de brillo ya este valor se le llama nivel digital. Como toda matriz, una imagen digital esta compuesta de de datos en lneas y columnas. un pixel se determina por su ubicacin que esta establecida por una fila y una columna y por su nivel digital. Este tipo de ubicacin regular de datos, donde no existen las coordinas x,y se le denomina datos en raster. Las imgenes digitales no son nada ms que vectores de datos, operaciones matemticas se pueden realizar sobre los niveles digitales de las imgenes, a esto se le denomina procesamiento de imgenes. Las imgenes digitales pueden tener una tercera dimensin: las capas. Capas son imgenes del mismo escenario pero que contiene informacin diferente. En imgenes multiespectrales, las capas son imgenes en diferentes rangos espectrales llamados bandas o canales. Las imgenes satelitales son adquiridas por un sistema sensor que se encuentra en un satlite. El sistema sensor se puede categorizar en sensores activos y sensores pasivos. Los sistemas pticos multiespectrales son sensores pasivos que utilizan la radiacin solar como principal fuente de iluminacin para la toma de imgenes. Vivimos en un mundo a color. El color de los objetos son resultado de la absorcin y refleccin de la radiacin electromagntica que provienen de una fuente de iluminacin. La percepcin del ojo humano esta limitada al rango espectral de 0.30.0.75 m. La tecnologa de los sensores remotos puede almacenar rangos espectrales de mayor magnitud que esta. Y las imgenes visuales resultantes se pueden desplegar en blanco y negro o en colores utilizando dispositivos elctricos como monitores. La mayora de los sistemas de procesamiento de imgenes soportan un despliegue grfico de 8 bits, que corresponde a 256 niveles de gris, y despliegan niveles digitales desde 0 (negro) a 256 (blanco). Este rango es suficiente para la capacidad del ojo y tambin es la utilizada en muchos sensores. Sin embargo hay otros sensores con niveles digitales mayores a 8 bits, por ejemplo de 11 bits. Para este caso las imgenes igual se pueden desplegar en 8 bits. Cualquier imagen esta compuesta de niveles digitales, el significado fsico del nivel digital depen.de de la fuente de la imagen. Un despliegue monocromtico visualiza el nivel digital como tonos de grises e ignora la relevancia fsica. La percepcin humana del color se puede explicar por la teora del color Tri estmulo. La retina humana tiene tres tipos de conos y la respuesta por cada tipo de cono esta en funcin de la longitud de onda incidente de la luz, alcanza su mximo a los 440 nm (azul), 545 nm (verde) y 860 nm (rojo). En otras palabras cada tipo de cono es sensible a un de los colores primarios. El rojo el verde y el azul son los colores primarios, la mezcla de la luz de estos tres colores pueden producir cualquier color. El despliegue de las imgenes digitales esta basado en la teora que acabamos de explicar. Un monitor a color (as como la TV) esta compuesta de tres pistolas de colores, una por cada color primario. En la pistola roja, los pixeles de la imagen son desplegados en diferentes intensidades de rojo, dependiendo de su nivel digital. Lo mismo se cumple para el resto de las pistolas. Por lo tanto si las bandas roja, azul y verde de una imagen multiespectral se despliegan simultneamente, se genera una imagen a color, en la cual el color del pixel se define por los niveles digitales registrados en cada banda. Este mtodo es llamado despliegue RGB. Si desplegamos la imagen en las tres bandas pertenecientes a los rangos rojo, verde y azul del espectro (llamado tambin espectro visible) en RGB, se forma una composicin en color verdadero (TCC) de la imagen. De lo contrario, si las bandas de la foto que aparece en rojo, verde y azul no coinciden con los espectros de estos tres colores primarios, una composicin en color falso (FCC) de la imagen se produce. Un ejemplo tpico es el llamado falso color compuesto estndar (SFCC) en el que se muestra a la banda del infrarrojo cercano en rojo, la banda roja en verde y la banda verde en azul. El SFCC resalta toda la vegetacin en rojo.

El ojo humano puede reconocer colores mucho ms de lo que puede niveles de gris, por lo que el color puede ser utilizado con mucha eficacia para mejorar las pequeas diferencias de nivel de gris en una imagen en blanco y negro. La tcnica para mostrar una imagen monocromtica como una imagen en color se llama pseudo color. Una imagen en pseudo color se genera asignando a cada nivel de gris a un color nico. La ventaja de pseudo color es tambin su desventaja. Cuando una imagen digital se muestra en escala de grises, utilizando su nivel digital en una pantalla monocroma, la relacin numrica entre secuencias de niveles digitales se presenta de forma eficaz. Esta informacin clave se pierde en un pseudo color porque los colores asignados a diferentes niveles de gris estn cuantitativamente relacionados en una secuencia numrica. De hecho, la imagen desplegada pseudo color es una imagen de smbolos, ya no es una imagen digital!

El mejoramiento de contraste, a veces llamado mejoramiento radiomtrico es la tcnica ms eficaz para optimizar el contraste y el brillo de la imagen para su visualizacin o para resaltar la informacin de los rangos de los niveles digitales. Considere que X representa una imagen digital y xij es el nivel digital de cualquier pixel en la imagen que pertenece a la lnea i y la columna j. Y representa la imagen derivada de X por una funcin f e yij es el valor de salida correspondiente a xij. Un aumento del contraste puede expresarse de forma general como

f (x)

Este proceso transforma una sola imagen de entrada X a una sola imagen de salida Y, a travs de una funcin f, de tal forma que el nivel digital de de un pxel de salida yij depende slo de el nivel digital xij del pxel de entrada correspondiente. Este tipo de procesamiento se denomina operacin de punto. La mejora de contraste es una operacin de punto que modifica el brillo y el contraste de la imagen, pero no altera el tamao de la imagen. Si x representa el valor de nivel digital de una imagen X, entonces el nmero de pxeles de cada valor del nivel digital hi(x) se llama el histograma de la imagen X. El hi(x) tambin puede expresarse como un porcentaje del nmero de pxeles de un valor del nivel digital x con el nmero total de pxeles de la imagen X. Una operacin de punto es una modificacin al histograma, la operacin slo altera el histograma de una imagen pero no la relacin espacial de los pxeles de la imagen. La operacin de punto, se puede realizar de manera ms eficiente utilizando una tabla de bsqueda (LUT). Una LUT se compone de los valores de niveles digitales de una imagen de entrada X y sus valores de niveles digitales correspondiente en la imagen de salida, Y.

Como la mayora de los sistemas de visualizacin slo puede mostrar enteros de 8 bits en 0-255 niveles de gris, es importante para configurar una funcin de operaciones de punto de tal manera que el rango de valor de una imagen de salida Y est dentro de 0-255. Para las imgenes multiespectral o, en general imgenes de varias capas, las operaciones algebraicas, como las cuatro operaciones aritmticas bsicas (+, -, x, /), logaritmos, exponenciales y funciones trigonomtricas se pueden aplicar a los niveles digitales de diferentes bandas para cada pxel para producir una nueva imagen. Este tratamiento se llama operacin algebraica de la imagen. Las operaciones algebraicas se realizan pxel a pxel entre DN de bandas espectrales (o capas) para cada pxel sin la participacin de los pxeles vecinos. Las operaciones algebraicas de la imagen son estrictamente local, es decir, esta basada de pxel a pxel.

Una importante aplicacin de la adicin de la imagen es para reducir el ruido y aumentar la relacin sealruido

La sustraccin de la imagen produce una imagen de diferencia a partir de dos imgenes de entrada. La resta es una de las tcnicas ms sencillas y eficaces para el mejoramiento espectral selectivo y tambin es til para la deteccin de cambio. Sin embargo, en general, la resta reduce la informacin de la imagen, ya que elimina las caractersticas comunes, manteniendo el ruido aleatorio en las dos imgenes. Una imagen que es producto de la multiplicacin, el nivel digital resultante es mucho mayor que el rango dinmico de los dispositivos de pantalla y por lo tanto deben ser redimensionados antes de mostrar. La mayora de los paquetes de software de procesamiento de imagen puede mostrar cualquier imagen en funcin de su rango de valores reales que luego se ajustan a un rango de 0-255. La multiplicacin se usa para enmascarar y modular una imagen.

La divisin de la imagen es una tcnica muy popular, tambin conocido como un ratio de imagen. La operacin se define como: Y

Xi Xj

Los ratios se disean generalmente para resaltar las caractersticas del objetivo segn la alta proporcin de niveles digitales, cuando se disea un ratio, hay que asegurarse de que la informacin objetivo se destaca por los altos valores en la imagen de ratio, por lo tanto, es una tcnica efectiva para mejorar las caractersticas espectrales de forma selectiva. La vegetacin sana tiene un pico de alto de reflexin en el infrarrojo cercano y de absorcin en el rojo. Si pudiramos ver el infrarrojo, la vegetacin sera en infrarrojo en lugar de verde. a esto se le denomina el borde rojo: es una caracterstica espectral nica que hace que la vegetacin sea diferente de todos los objetos de tierra. Obviamente, esta funcin de diagnstico espectral de la vegetacin puede ser muy mejorada utilizando operaciones de divisin. Casi todos los ndices de vegetacin han sido diseados para resaltar el borde rojo de una forma u otra. El NDVI es uno de los ndices de vegetacin ms populares:

NDVI ij

NDi , j , IR NDi , j , IR

NDi , j , R NDi , j , R

Este ndice es esencialmente una diferencia entre el infrarrojo cercano y el rojo de bandas de imgenes espectrales. La suma del infrarrojo cercano y el rojo en el denominador es un factor para normalizar el NDVI a un rango de valores [-1,1].

La vegetacin tambin se puede mejorar utilizando un ndice de relacin NDi , j , IR min( ND IR ) Yij NDi , j , R min( ND R ) 1
El efecto de la sustraccin de los mnimos de las bandae es solo para eliminar el efecto de dispersin atmosfrica a fin de mejorar la supresin de la topografa por medio del ndice. El valor aadido de 1 al denominador es evitar un valor de cero. El Filtrado es un campo de investigacin muy importante en el procesamiento digital de imgenes. Todos los algoritmos de filtrado suponen el procesamientos de barrios, llamado as porque se basan en la relacin entre los pxeles vecinos, en lugar de un solo pxel en operaciones de punto. El filtrado digital es til para mejorar lineamientos que pueden representar importantes estructuras geolgicas. Tambin puede mejorar la textura de la imagen para la discriminacin de litologas y los patrones de drenaje. Para los estudios de uso de la tierra, el filtrado puede resaltar las texturas de la urbanizacin, los sistemas de carreteras y las zonas agrcolas y, para la visualizacin en general, el filtrado es ampliamente utilizado para afilar las imgenes. Sin embargo, se debe tener cuidado porque el filtrado no es tan "honesto" en la retencin de la informacin de la imagen original.

El anlisis de componentes principales (PCA) es un mtodo general de anlisis de correlacin de variables mltiples de conjuntos de datos. Las Imgenes de teledeteccin multiespectral son tpicas de tales conjuntos de datos para los que PCA es una tcnica eficaz del realce espectral y manipulacin de la informacin. PCA puede concentrar efectivamente el mximo de informacin de las muchas bandas correlacionadas de la imagen espectral en unas pocas de componentes principales no correlacionadas y por lo tanto puede reducir el tamao del conjunto de datos y permitir una imagen RGB efectiva para el despliegue de su informacin.. Esto nos lleva a los mtodos estadsticos para la seleccin de banda que tienen por objeto la seleccin de tripletas de bandas optimas, con correlacin mnima entre bandas y contenido mximo de informacin. Las seis bandas espectrales reflectantes de una imagen TM estn altamente correlacionadas. Por ejemplo, la correlacin entre la banda 5 y la banda 7 es 0,993. Esto significa que hay una redundancia de informacin del 99,3% entre estos dos grupos y slo el 0,7% de la informacin nica! Este es el caso general de la observacin de los datos de la imagen multi-espectral de la Tierra debido a que la topografa representa la imagen de caractersticas comunes a todas las bandas. PCA es una transformacin lineal que convierte m dimensiones correlacionadas en n (n m) dimensiones independientes (no correlacionados). Esto es equivalente a una rotacin de coordenadas que hace girar los m ejes originales oblicuos al cluster de datos elipsoidal para que coincida con la orientacin de los ejes de la elipse en n dimensiones independientes, y por lo tanto los datos de la imagen representada por cada dimensin son ortogonales (independientes de ) todas las otras dimensiones. Para el procesamiento de la imagen, PCA genera componentes principales no correlacionados de las bandas correlacionadas de la imagen original. Ver figura XXXX

Si X representa a la imagen multi-espectral de m bandas, entonces su matriz de co varianza varianza x es una representacin completa de la agrupacin elipsoide m-dimensional de los datos de la imagen. La matriz de covarianza es una matriz no negativa y es simtrica a lo largo de su diagonal principal. Esta matriz se puede convertir en una matriz diagonal a travs de operaciones bsicas de la matriz. Los elementos en la diagonal principal de la matriz de covarianza son la varianza de cada banda de imagen, mientras que los elementos simtricos de las diagonales son la covarianza entre dos bandas diferentes. El procedimiento PCA es simplemente encontrar una transformacin G que diagonalize la matriz co varianza x de la imagen de m bandas X para producir una imagen Y de n componentes principales con una matriz diagonal de co varianza x. El rango de x es n y n = m si las bandas de m son independiente, y entonces, x es un rango completo de la matriz, de lo contrario, n<m y se obtiene una matriz de dimensin reducida.

Uno de los ejemplos ms exitosos de la transformacin de coordenada orientada a la proiedad fsica es: tasselled cap transformation. El objetivo de la transformacin tasselled cap es transformar las seis bandas reflectantes espectral (1-5 y 7) de TM , en tres componentes orientados ortogonales como las tres propiedades clave de la superficie terrestre: el brillo, el verdor ( el vigor de la vegetacin verde) y la humedad. Los ejes de brillo y verdor definen el plano de la vegetacin presentando la dispersin en 2D de la vegetacin de diferentes verdor, asi

como el brillo de los diferentes suelos de cultivados, mientras que los ejes de la humedad y el brillo definen el plano del suelo presentando la dispersin en 2D de brillo del suelo en relacin con de humedad del suelo. Esto se puede ver en la figura XXX

Es interesante observar que, a pesar de que PCA se basa en operaciones complejas de la matriz de co varianza, al final una imagen de componentes principales es simplemente una combinacin lineal de las bandas de la imagen original. La clasificacin de imgenes pertenece a un campo muy activo en la investigacin de la computacin, la de reconocimiento de patrones. Los pxeles de la imagen se puede clasificar ya sea por sus propiedades estadsticas multivariable, como el caso de clasificacin multi-espectral (agrupacin), o por la segmentacin basada en las estadsticas y las relaciones espaciales con los pxeles circundantes. En general, la clasificacin estadstica se puede catalogar en dos ramas principales: las clasificaciones no supervisadas y supervisadas. La clasificacin no supervisada se basa totalmente en las estadsticas de la distribucin de datos de imagen, a la que se le llama clustering. El proceso se optimiza automticamente segn las estadsticas de cluster sin el uso de ningn tipo de control basado en el conocimiento (es decir, verdad de suelo). El mtodo es objetivo y por lo tanto basado enteramente en datos. Es especialmente adecuado para las imgenes de objetivos o reas donde no se conoce la verdad de suelo o, cuando dicha informacin no est disponible. Incluso para un rea bien conocida, la clasificacin no supervisada puede poner en manifiesto algunas de las caractersticas espectrales que no eran evidentes antes. El resultado de una clasificacin no supervisada es una imagen de clusters estadsticos, donde los contenidos temticos de los grupos no se conocen. En ltima instancia, tales tipos de clasificacin de imgenes an necesita interpretacin basada en un cierto conocimiento de la verdad terreno. La clasificacin supervisada se basa en las estadsticas de las reas de formacin que representan objetos de tierra diferentes seleccionados subjetivamente por los usuarios en base a sus propios conocimientos o experiencia. La clasificacin est controlada por el conocimiento de los usuarios pero, por otra parte, es limitada e incluso puede estar sesgada por una visin subjetiva. La clasificacin por consiguiente, pueden ser confunda por la informacin de una zona inadecuada o inexacta y/o conocimiento del usuario incompletos. Como ambos mtodos de clasificacin tienen limitaciones, un enfoque hbrido de clasificacin se ha introducido. En la clasificacin hbrida de la imagen multi-espectral, en primer lugar, se realiza una clasificacin no supervisada, entonces el resultado se interpreta utilizando el conocimiento de la verdad terreno y, por ltimo, la imagen original se reclasifica utilizando una clasificacin supervisada con la ayuda de las estadsticas de la clasificacin no supervisada como base de entrenamiento. Este mtodo

utiliza clasificacin no supervisada en combinacin con el conocimiento de tierra la verdad como un procedimiento de formacin integral y por lo tanto proporciona resultados ms objetivos y confiables Una imagen clasificada contiene a menudo el ruido causado por los pxeles aislados de algunas clases, dentro de otra clase dominante, que puede formar placas de tamao considerable. Es razonable suponer que estos pxeles aislados tienen ms probabilidades de pertenecer a esta clase dominante y no a las clases que se asigna inicialmente a, los cuales probablemente se derivan de los errores de clasificacin. Un adecuado proceso de suavizacin se aplica a una imagen clasificada no slo para "limpiar" la imagen, por lo que es visualmente es menos ruidosa, sino que tambin mejoran la precisin de la clasificacin. En ltima instancia no existe un mtodo satisfactorio para evaluar la precisin absoluta de clasificacin de imgenes de teledeteccin en aplicaciones observacin de la Tierra. Incluso una evaluacin o estimacin de una precisin relativa de la clasificacin proporciona conocimientos valiosos para aceptar o rechazar un resultado de clasificacin en un determinado nivel de confianza. Hay dos mtodos generalmente aceptados para esto: 1. 2. El uso de datos recogidos sobre el terreno de las clases tpicas, como muestras de la verdad terreno. Otro enfoque se basa en la formacin de la imagen. Este utiliza firmas espectrales tpicas y experiencia de campo limitada, donde un usuario puede especificar manualmente reas de formacin de diferentes categoras con una imagen multiespectral. Los pxeles en estas reas de entrenamiento se dividen en dos grupos: uno se utiliza para generar las estadsticas de clase para clasificacin supervisada y el otro para evaluar a posteriori la precisin de clasificacin. Para un rea de formacin dada, se podra tomar una seleccin de pxeles muestreados de una matriz de 2x2 como el conjunto de entrenamiento, mientras que los pxeles restantes se utilizarn para la verificacin de ajuste (verdad terreno de los datos referenciados). Los pxeles en el conjunto de verificacin se supone que pertenecen a la misma clase que su grupo de entrenamiento correspondiente. De otra manera, tambin podemos seleccionar varias reas de formacin para la misma clase y usar algunos de ellos para la formacin y el resto para la verificacin.

En la prctica estos dos enfoques se utilizan a menudo en combinacin. Supongamos que tenemos algn tipo de datos de referencia del suelo la verdad, a continuacin, un mtodo ampliamente utilizado para describir la precisin relativa de la clasificacin es la matriz de confusin:

c1,1 C c 2,1 ... c m ,1

c1, 2 c 2, 2 ... cm,2

... c1,m ... c 2,m .. ... ... c m ,m

Aqu, cada uno de los elementos, Cij, en la diagonal principal representa el nmero de pxeles que estn clasificados correctamente para la clase i. Cualquier elemento fuera de la diagonal principal, Ci,j, representa el nmero de pxeles que debe estar en la clase i, pero que estn mal clasificados en la clase j. Obviamente, si todos los pxeles de la imagen estn clasificados correctamente, entonces debera haber una confusin matriz diagonal donde todos los elementos no diagonales son iguales a cero. La suma de todos los elementos de la matriz de confusin es el nmero total de pxeles de una imagen de clasificacin:
m m

N
i 1 j 1

ci , j

La relacin entre la suma de los elementos de la diagonal principal y el nmero total de pxeles representa el porcentaje de la clasificacin correcta o la exactitud global: Tasa correctitud %
m

1 N

ci , j
i 1

La suma de cualquier fila i de la matriz de confusin da el nmero total de pxeles que, de acuerdo con la referencia de tierra la verdad, debe estar en la clase i, Nri
j 1

ci , j

Entonces la relacin Ci,j/Nri es el porcentaje de clasificacin correcta de la clase i, segn las referencias de verdad terreno y se llama a menudo exactitud del usuario.

La suma de cualquier columna j de la matriz de confusin da el nmero total de pxeles que se han
m

clasificado como Clase j,

Nc j
i 1

ci , j

Entonces la relacin Ci,j/Nci es el porcentaje de clasificacin correcta de la clase j, basado en el resultado de clasificacin, ya menudo se llama precisin del productor. Una imagen tomada de cualquier sistema de sensores es una distorsin de la escena real. La geometra de la imagen est controlada fundamentalmente por tres tipos de parmetros: El vuelo de la plataforma de acuerdo al sistema de coordenadas (x, y, z), donde x es la direccin de vuelo, z es ortogonal a x en el plano que pasa por el eje x y perpendicular a la superficie de la Tierra, e y es ortogonal a ambos x y z. El estado del sensor 3D que esta definifo por la orientacin de los ngulos v, f, k en relacin con el vuelo plataforma de sistema de coordenadas (x, y, z). Las coordenadas (X, Y, Z) de la posicin de imagen en el suelo por lo general se ajustan a un patrn de coordenadas del sistema (definida por la proyeccin cartogrfica y datos). Para la observacin de la Tierra mediante teledeteccin espacial, se tiene un sistema de sensor de toma de imgenes a bordo del satlite, el cual toma imagenes de una superficie 3D de la tierra esfrica con relieve topogrfico en una imagen plana en 2D. la distorsin geomtrica y las inexactitudes en la posicin son inevitables. Afortunadamente, desde hace siglos, la Ingeniera fotogramtrica (o geomtica) ha desarrollado muchos modelos eficaces de proyeccin cartogrfica para lograr la traduccin optimizada de superficie esfrica de la Tierra a una superficie plana de mapas e imgenes. Teniendo en cuenta una proyeccin cartogrfica de referencia o una imagen de referencia que son geomtricamente correctas o consideradas como base geomtrica de un conjunto de imgenes, la tarea principal de las operaciones geomtricas es establecer un modelo de deformacin entre la imagen de entrada y la referencia y luego rectificar la imagen de entrada a la referencia para generar una imagen de salida. De esta manera, la distorsin geomtrica de la imagen de entrada es corregida para su posterior anlisis. Esta correccin esta basada en un modelo de deformacin de polinomios,que es el ms importante y de uso general para la transformacin geomtrica datos obtenidos por teledeteccin de la imagen.. La transformacin geomtrica incluye dos pasos principales: 1. Establecer el modelo de deformacin DE polinomio. Esto suele hacerse mediante puntos de control (GCP). 2. Remuestreo de la imagen basado en el modelo de deformacin. Esto incluye remuestreo de las posiciones de los pixeles de la imagen (coordenadas) y niveles digitales. Un modelo de deformacin puede ser obtenido por el ajuste de una funcin polinmica a puntos de control de ubicaciones terrestres. Esto se realiza mediante la seleccin de GCPs, que representan selecciones de muchas posiciones que del mismo lugar, tanto en la imagen de entrada como en la referencia (una imagen o un mapa) para establecer un modelo de deformacin, y luego transformar la imagen de entrada a la imagen de salida. En trminos simples, esto significa la transformacin de cada pxel de la imagen de entrada para la imagen de salida esta basado en el modelo de deformacin, pero una posicin de pxel de una imagen se da en nmeros enteros, que pertenecen a una lnea (fila) y columna, mientras que la transformacin entre la entrada y salida de las imgenes no siempre corresponden exactamente a un entero de posiciones para cada pxel. Muchos pxeles en la imagen de entrada puede tomar posiciones decimales, se superponen o se apartan, lo que resulta en "agujeros negros" en la imagen de salida. El mapeo de entrada a salida por tanto, puede generar una imagen de salida no adecuada, es decir, no es una imagen regular en raster. Para resolver el problema, el enfoque utilizado es el mapeo de salida a entrada.

Suponga que M es una transformacin, es un mapeo de salida a entrada que asigna un pxel de salida en la posicin (i, j) de nuevo a la imagen de entrada en la posicin (k, l), luego la imagen de salida se puede generar. Para cada posicin de pxel de salida (i, j), es calculada de M (i, j), que da la posicin correspondiente (k, l) en la imagen de entrada y, a continuacin, en esta posicin, un pxel de valor Pi (k, l) es recogido y asignado al pxel de salida Po (i, j). La imagen de salida se completa cuando todos los pxeles han sido asignados. Para derivar un modelo de deformacin, o la transformacin M. Tenemos (k,l) que representa la posicin en la imagen de entrada correspondiente a la posicin de salida (i,j), la forma general de la aproximacin

polinmica para k y L es: M :

k l

q0 r0

k Q(i, j ) q1i q 2 j q3 i 2 q 4 ij l r1i r2 j R(i, j ) r3i 2 r4 ij

q5 i 2 r5 i 2

... ...

, define la

transformacin M que calcula la aproximacin de la posicin de entrada (k, l) desde una posicin de salida dada (i, j), si los coeficientes Q

(q 0 , q1 , q 2 ,...) T y R

(r0 , r1 , r2 ,...) T son conocidas. Para n pares

de GCPs, ya se conoce tanto (k, l) e (i, j) por cada GPC, por lo que el por lo menos soluciones cuadradas para Q y R pueden ser derivadas. Dados n GCPs, podemos establecer n pares de polinomios basados en la formula anterior y escrito en forma de matriz como: K MQ y L MR donde:

k1 k2 K . . . km
, L

l1 l2 . . . lm
, Q

q1 q2 . . . qm
, R

r1 r2 . . . rm
, M

1 i1 1 i2 . . . . . .

j1 j2 . . . jn

i12 i
2 2

j12 j
2 2

. . . . . . . . . . . . . . . . . .

. . . i
2 n

. . . j
2 n

1 in

La solucin por mnimos cuadrados para Q es: Q

MTM

M T K y de forma similar para R es:

MTM

MTL

Una vez que los coeficientes de Q

(q 0 , q1 , q 2 ,...) T y R

(r0 , r1 , r2 ,...) T se derivan de la GCPs, la

relacin de posicin de un pxel entre las imgenes de entrada y de salida est completamente establecida a travs de la transformacin M. En teora, cuanto mayor sea el orden de los polinomios, mayor ser la precisin de deformacin que se puede lograr, pero mayor es el nmero de puntos de control necesarios. Un ajuste lineal necesita por lo menos tres GCPs, uno cuadrtico seis y uno cbico diez.

Figura: Procedimiento de Remuestreo En la mayora de los casos, (k, l) no es una posicin entera y no hay ningn valor de nivel digital listo para este punto. El Remuestreo es un proceso de interpolacin utilizado para determinar la posicin del nivel digital para el Pixel (k, l) en la imagen de entrada a fin de asignarlo al pxel Po (i, j) en la imagen de salida (Figura XX). La funcin ms simple es el mtodo el remuestreo del vecino ms cercano (Figura XXX), en la que al pxel Po (i, j) se le asigna el nivel digital del pxel de la imagen de entrada ms cercana a la posicin (k, l).

Un mtodo ms preciso y ampliamente utilizado es el de interpolacin bilineal, tal como se define a continuacin (Figura XXX):

t1 t2

Pi ( K , L)(1 c) Pi ( K 1, L)c Pi ( K , L 1)(1 c) Pi ( K 1, L 1)c t1 (1 d ) t 2 d

Po (i, j )
donde,

Pi ( K , L) es un pxel de entrada en una posicin entera (K, L) en la imagen de entrada Po (i, j ) es el pxel de salida en una posicin entera (i, j) en la imagen de salida, que corresponde a Pi Pi ( K , L) donde k y l son decimales en la imagen de entrada.
K es la parte entera de k L es la parte entera de l
Pi (K,L+1)

Po(i,j)=Pi (k,l) Pi (K,L) t1 Pi (K+1,L) d c (k,l)

t2

Pi (K+1,L+1)

Denise Trevisan Troche FUNDAMENTOS DEL PROCESAMIENTO DE IMGENES Y GIS PARA LA TELETECCIN

Existen tambin mtodos de polinomios Cuadrticos y cbicos para funciones de interpolacin para remuestreo, las cuales tienen mayor complejidad pero mejoran la precisin. Los GCPs se pueden seleccionar de forma manual, semiautomtica o automtica. Para el mtodo manual, la exactitud de los GCPs depende totalmente de las manos temblorosas del usuario. A menudo no es fcil de localizar con precisin los puntos correspondientes de la entrada y las imgenes de referencia. El mtodo semi-automtico permite a los usuarios identificar los GCPs correspondientes (de entrada y de referencia) de las imgenes y luego optimiza automticamente las posiciones de los puntos de una imagen a la otra utilizando correlacin local. La seleccin automtica de GCPs es un tema constante de investigacin. Pertenece a un campo de investigacin muy activo en la visin por ordenador: la funcin de seguimiento. La seleccin automtica de GCPs permite la automatizacin en el registro deimagen a imagen. Un mtodo prctico de seleccin automtica de GCPs debe ser capaz de seleccionar con precisin GCPs de alta calidad que se distribuye uniformemente en toda la imagen a ser co-registrados. En general, consta de dos pasos: 1. La seleccin automtica de los puntos de esquina de una de las dos imgenes correspondientes (ya sea la imagen de entrada o la imagen de referencia) como GCPs candidatos. 2. Localizacin automtica de los puntos correspondientes de la otra imagen a travs de correlacin local. Los GCPs de alta calidad son finalmente seleccionados por su nivel de correlacin y distribucin espacial. El primer paso es la clave para la automatizacin de la seleccin de GCPs. Cuando se seleccionan GCPs manualmente, por lo general se buscan puntos en las esquinas, tales como esquinas de edificios, cruces, curvas cerradas ro y rasgos topogrficos afilados. Estos puntos son en imgenes de alto contraste y se pueden caracterizar en cinco tipos: L-esquina, uniones en Y, T-uniones, intersecciones y cruces de flecha-X, como se presenta en la Figura XXXX.

Los Sistemas de Informacin Geogrfica (GIS), son sistemas computarizados diseados para permitir a los usuarios colectar, manejar y analizar grandes volmenes de datos de atributo asociados y espacialmente referidos. El Sistema de Informacin Geogrfica (GIS) se utiliza para resolver investigaciones complejas, para los problemas de manejo, y para la planeacin. Los componentes principales del GIS son: una interfase del usuario, la capacidad para el manejo de la base de datos/del sistema, la creacin de base de datos/la capacidad para la captura de datos, el paquete de la manipulacin y el anlisis de datos espaciales y la demostracin de la funcin de generacin. Rasters o imgenes en grilla, consisten en un arreglo regular de los niveles digitales, que representan elementos de imagen o pxeles, que suelen ser cuadradas (matrices cuadradas de datos). La unidad bsica de estos datos es el pixel, o celda de la cuadrcula, de esta manera los puntos, lneas y reas se representan en forma de raster, como grupos de pxeles. Los datos Vector o datos discretos almacenan la forma geomtrica y la ubicacin de una caracterstica particular, junto con la informacin de atributos que describen lo que representa la funcin. Los datos vectoriales generalmente se asemejan a los datos cartogrficos. Los puntos y pxeles representan caractersticas geogrficas discretas de la zona limitada o nula, o que son demasiado pequeos para ser representados por cualquier otro medio, as como lugares, los puntos de muestreo geoqumico, pueblos o las alturas topogrficas in situ. Las lneas son elementos lineales que consiste en posiciones conectadas que no representan por s mismos el rea, como carreteras, ros,

11

Denise Trevisan Troche FUNDAMENTOS DEL PROCESAMIENTO DE IMGENES Y GIS PARA LA TELETECCIN

ferrocarriles o contornos de elevacin. Las reas cerradas son caractersticas que representan la forma, la superficie y la ubicacin de caractersticas homogneas, como los pases, parcelas, edificios, tipos de roca o categoras de uso del suelo. Una superficie describe una variable que tiene un valor para cada posicin dentro de la extensin del conjunto de datos, tales como la elevacin o intensidad de la lluvia, e implica un proceso continuo de datos de "la naturaleza. Las superficies son normalmente representados en mapas convencionales cartogrficos como una serie de isolneas o curvas de nivel; en los SIGs hay otras posibilidades. Decidir cmo estas caractersticas deben ser almacenados en la base de datos, y representada en el mapa, depende de la naturaleza de esta informacin y el trabajo que tendr que hacer. Los dos componentes ms bsicos de los SIG, son por lo tanto el pxel y el punto. Todos las dems estructuras ms complejas, se debe a, y depende de una u otra de estas dos estructuras bsicas. Las Operaciones de SIGs y el anlisis espacial se puede realizar en cualquier tipo de datos, sino que el anlisis se llevar a cabo de forma ligeramente diferente como resultado de su diferencia. Para hacer funcioanr un SIG, tenemos que ser capaces de asignar coordenadas del momento y del lugar de una manera que se entienda en general. La informacin temporal (fecha y condiciones climatolgicas) puede ser incluida posteriormente como atributos o en los metadatos. La ubicacin es por lo tanto la referencia ms importante para los datos de SIG. Varios trminos se utilizan normalmente para referirse a la localizacin de objetos: georeferencia, geolocalizacin, georegistracin y geocodificacin. El requisito principal para una georeferencia es que sea nico, para evitar cualquier confusin, ademas debe ser persistente. Cada georeferencia tiene una resolucin implicita, puede ser un edificio especfico, o una coleccin de edificios o de una regin. Muchos sistemas de georeferenciacin son nicos dentro de un rea limitada o de dominio, por ejemplo, dentro de una ciudad o condado. Puede haber varias ciudades llamadas Boston, pero slo uno se encuentra en Lincolnshire. Algunas georeferencias se basan nombres y otros, en las mediciones. Este ltimo es conocidi como 'mtrica' de georeferencia e incluyen la latitud y longitud y otros tipos de sistemas de coordenadas regulares, tales coordenadas mtricas son ms tiles. Algunos sistemas de coordenadas incluyen combinaciones de medidas mtricas e informacin textual. Se reciben datos geoespaciales adquirido por un sensor o mapas/imagenes de referencia, y que a menudo tienen que superponer los conjuntos de datos que estn en diferente o no especificado sistemas de coordenadas. El establecimiento de la proyeccin y el dato se vuelve de vital importancia antes de comenzar cualquier trabajo, y el uso y el mantenimiento de los metadatos es vital. Los metadatos siempre debe contener informacin sobre el datum y proyeccin de un conjunto de datos geoespaciales, adems de otra informacin necesaria para documentar su procedencia. Tal informacin se encuentra en el archivo de encabezado (o metadatos) en el caso de imgenes rasters , el conjunto de datos puede tener que ser visualmente comparables con otro conjunto de datos de referencia conocido.

Al crear un nuevo conjunto de datos, o la definicin de un nuevo proyecto, la seleccin de la proyeccin cartogrfica ms adecuada en cada entrada de datos es muy importante. Consideraciones en la seleccin incluyen el tamao relativo de la zona del proyecto (por ejemplo, el mundo, un continente o una pequea regin), su ubicacin (el polo, en latitudes medias o ecuatoriales) y su extensin predominante (por ejemplo, circular, el eje Este-Oeste, Norte- eje sur o eje oblicuo). Si hay una capa de base ya existente, como un mapa a escala de la imagen o georrectificados, esto puede constituir el marco de todos los dems datos que se agregan o creados dentro del proyecto. La proyeccin UTM es correcta en todos los aspectos, para las zonas del proyecto relativamente pequeas, y es una opcin muy comn.

11

This document was created with Win2PDF available at http://www.daneprairie.com. The unregistered version of Win2PDF is for evaluation or non-commercial use only.