Tratamiento de imágenes
1
Etapas
• Exploración de imágenes
• Clasificación
Teledetección y agua
• Hidrología; Inundación, humedad de los suelos, red
hidrográfica, estimación de las precipitaciones
• Agricultura: tipos de cultivo
• Forestales: especies, zonas de incendios
• Geología: forma del terreno
• Detección de la ocupación del suelo: cambios
rural/urbano, biomasa
• Tecnologías : Visible, infrarrojo térmico, radar
Teoría
La teledetección es la técnica que por la
adquisición de imágenes permite
obtener información sobre la superficie
de la tierra sin contacto directo con
ella. La teledetección engloba todos
los procesos que consisten en captar
y registrar la energía de un rayo
electromagnético emitido o reflejado y
tratarla para analizar la información y
aplicarla
A.
B.
C.
D.
E.
Fuente de energía
Incidencia de radiación natural o artificial
Interacción con la tierra
Registro de la energía emitida por el captor
Transmisión, recepción y tratamiento de la energía captada hacia medios
electrónicos para transformara en imágenes
F. Interpretación y análisis de la información captada
G. Aplicación
Espectro electromagnético
Visible
Longitud de onda
Funciones Idrisi
Compuesto de color
(bandas 452)
Imagen LANDSAT 7 ETM+
027047 zona UTM 14,
Pancromática, Multiespectral, Infrarroja
del 24 de enero del 2000
Canal
1
Azul
Resolución
espectral (µm)
0.45 a 0.515
Resolución
espacial (m)
30
2
Verde
0.525 a 0.605
30
3
Rojo
0.63 a 0.69
30
4
Infrarrojo cercano
0.75 a 2.35
30
5
Infrarrojo cercano
1.55 a 1.75
30
6
Infrarrojo cercano
2.09 a 2.35
30
i1
Infrarrojo térmico
10.40 a 12.35
60
i2
Infrarrojo térmico
10.40 a 12.35
60
p
Pancromático
0.52 a 0.90
15
2746
2646
2747
2647
EJERCICIO 4-5
CLASIFICACIÓN NO SUPERVISADA
La clasificación no supervisada es otra técnica para la clasificación de
imágenes. En la aproximación no clasificada, En Idrisi, la clasificación no
supervisada es ofrecida por medio de los módulos CLUSTER e ISOCLUST. En
este ejercicio se aplica CLUSTER la cuál es una técnica de selección de un
pico de histograma. Esto es equivalente a buscar el pico de un histograma
unidimensional, donde un pico es definido como un valor con la frecuencia
más grande de entre todos los valores vecinos.
CLUSTER evalúa un histograma multidimensional basándose en el número de
bandas de entrada.
Para este ejercicio es necesario crear un
grupo de archivos raster para seis de las
siete bandas de H87TM (no incluir la banda
seis, H87TM6). El nuevo grupo debe tener
el nombre HOWEHILL.
correr CLUSTER del menú IMAGE PROCESSING/HARD CLASSIFIERS, insertar el
grupo creado HOWEHILL y llamar a la imagen de salida como BROAD. escoger el
nivel de generalización como general (broad) y dejar el grupo menos significante
con 10%. Dejar la opción de niveles de gris en 6. Desplegar el resultado con la
paleta cuantitativa
El resultado de CLUSTER es una imagen con un amplio número de clases espectrales.
Usar nuevamente CLUSTER, con las mismas seis imágenes y llamar a la
imagen de salida FINE. Esta vez hay que usar el nivel de generalización fino,
y nuevamente, elegir dejar el 10% de los grupos menos significantes. Se
puede observar que la generalización fina produce muchos más grupos.
6 son las clases más
representativas que llevan
prácticamente
todos
los
píxeles
En la imagen resultado el grupo 1 es siempre aquel que lleva la frecuencia más
alta de píxeles, posteriormente Correr HISTO (del menú DISPLAY) para crear un
histograma de FINE.
Notar que muchos de los grupos más altos enumerados tienen relativamente
pocos píxeles. Una aproximación que frecuentemente es empleada es echar un
vistazo al rompimiento natural del histograma de grupos finos para estimar el
número de tipos de cobertura en el área de estudio (en este caso es 6). Una vez
determinado esto, se puede correr CLUSTER nuevamente y esta vez especificar
el número de grupos a identificar en 6. Todos los píxeles sobrantes son
asignados al grupo al que es más parecido.
Corres cluster nuevamente, fijar el grupo
máximo de cluster a 6 y llamar a la
imagen de salida Fine10
En resumen, frecuentemente se encontrará que se necesita unir ciertos grupos
para producir el mapa final.
La clasificación no supervisada de grupos es una manera rápida de mejorar el
conocimiento en el área de estudio. La clasificación es más frecuentemente un
proceso iterativo donde cada paso arroja nueva información que el analista
puede usar para llegar a la clasificación. Otras veces, las clasificaciones
supervisada y no supervisada tienen que mezclarse para lograr una
clasificación satisfactoria.
Descargar

Diapositiva 1