-
Extracción de Mapas Temáticos a partir de la Clasificación
en
Imágenes Satelitales
Por Teniente de Navío CG.
Juan Francisco Robles Camacho
Tesis sometida como requisito parcial para obtener el grado de
Maestro en Ciencias, en la especialidad de Ciencias
Computacionales en el Instituto Nacional de Astrofísica, Óptica
y Electrónica.
Supervisada por:
Dr. Jesús Antonio González Bernal Coordinación de Ciencias
Computacionales
Tonantzintla, Pue. Febrero 2007.
©INAOE 2007 Derechos Reservados
El Autor otorga al INAOE el permiso de reproducir y distribuir
copias de esta tesis
en su totalidad o en partes
-
A mis padres
A mi querida esposa he hijos
-
Abstract
A method for classifying multi-spectral satellite images based
on some knowledge,
called Multi-Model Classification Scheme (MMCS), is presented in
this work. The
MMCS is divided into two parts: Descriptive and Contextual. The
descriptive part
refers to the texture, geometrical shape and spectral features
of a region. The con-
textual part refers to the topological relationships among the
image regions. Data
mining techniques are used to discover both types of
knowledge.
The extracted knowledge from the regions of interest, coming
from their descrip-
tive features (texture, shape and spectral) and contextual
features (topological re-
lationships), is organized in a knowledge representation scheme
based on semantic
networks. The MMCS reclassifies the previously classified
regions by the parametric
algorithms (Minimum Mean Distance, Parallelepiped, Maximum
Similarity and Ma-
halanobis Distance) in order to improve the algorithm
classification results that only
take into account the spectral features of the satellite
image.
The Halcon Image-Analysis System (version. 7,1) was used to
process satellite
images. Matlab was used to preclassify a satellite image using
parametric algorithm.
C++ was used to classify the regions in the MMCS.
Experiments were done over 30 segments of multi-spectral
satellite images (SPOT-
5) from two areas in Mexico, specifically the coastal zones of
the Port of Veracruz and
Campeche. 20 segments were used during the training processes
and the remaining
10 at the classifiers testing processes. The quantitative
classification testing results
obtained by parametric algorithms went from 84 to 95 percent of
precision. At the
reclassification process, using the nominated MMCS, the
precision percentage reached
was between 95% and 98%. It was observed that the MMCS increases
the classifi-
cation percentages obtained by the parametric algorithms between
3-15% depending
[iii]
-
iv
on the complexity on the image, also the proposed algorithm
tends to normalize the
precision percentages over 95% at the parametric algorithms
classification. However,
the qualitative evaluation performed to the thematic images,
obtained from the cla-
ssification and reclassification, is low. This is mainly due to
the fact that the thematic
maps contain classified regions without a well defined
shape.
Coordinación de Ciencias Computacionales Instituto Nacional de
Astrof́ısica, Óptica y Electrónica
-
Resumen
En este trabajo se presenta un método de clasificación de
imágenes satelitales
multiespectrales basado en conocimiento, llamado, Esquema de
Clasificación Multi
Modelos o MMCS. El conocimiento del MMCS es dividido en dos
partes: Conocimien-
to Descriptivo y Conocimiento Contextual. El Conocimiento
Descriptivo se refiere a
las caracteŕısticas Espectrales, de Textura y de Forma
Geométrica de una región.
El conocimiento Contextual se refiere a las relaciones
topológicas entre las regiones
de la imagen. Técnicas de Mineŕıa de datos son usadas para el
descubrimiento del
conocimiento Descriptivo Contextual de las Regiones de
interés.
El conocimiento extráıdo de las regiones de interés, a partir
de sus caracteŕısticas
descriptivas (Espectrales, Textura y Forma) y su
caracteŕısticas contextuales (rela-
ciones Topológicas) se organizan en un Esquema de
representación de Conocimiento
basado en Redes Semánticas.
El MMCS realiza la reclasificación de las regiones previamente
clasificadas por
los algoritmos paramétricos (Distancia Mı́nima a la Media,
Paraleleṕıpedo, Máxima
Similaridad y Distancia Mahalanobis), con la finalidad de
mejorar los resultados de
clasificación de los algoritmos que sólo toman en cuenta las
caracteŕısticas espectrales
de la imagen satelital.
Para el tratamiento de las imágenes satelitales se usó el
sistema de análisis de
imágenes Halcón en su version 7.1. Para la preclasificación
de las imágenes satelitales
por los algoritmos paramétricos se utilizó Matlab. Y la
clasificación de las regiones
en el MMCS se realizó en C++.
Los experimentos se realizaron sobre 30 segmentos de Imágenes
Satelitales Mul-
tiespectrales SPOT-5 en dos áreas de estudio dentro de la
Republica Mexicana, que
comprenden zonas costeras del puerto de Veracruz y Campeche.
Para los procesos de
entrenamiento se utilizaron 20 segmentos y los 10 segmentos
restantes se utilizaron
para los procesos de pruebas de los clasificadores. Los
resultados de clasificación cuan-
[v]
-
vi
titativa, alcanzados durante las pruebas usando algoritmos
paramétricos obtuvieron
porcentajes de precisión que van del 84 % al 95 %. En el
proceso de reclasificación
usando el MMCS propuesto se alcanzaron porcentajes de precisión
entre el 95 % y el
98 %. Se observo que el MMCS aumenta los porcentajes de
clasificación obtenidos por
los algoritmos paramétricos 3 y 15 %, dependiendo de la
complejidad de los datos en
la imagen, aśı mismo, el algoritmo propuesto tiende a
normalizar los porcentajes de
precisión en la clasificación de los algoritmos paramétricos
por encima del 95 %. Sin
embargo, la evaluación cualitativa realizada sobre las
imágenes temáticas obtenidas a
partir de la clasificación y reclasificación es baja, esto se
debe principalmente a que los
mapas temáticos contienen regiones clasificadas que no tienen
una forma geométrica
bien definida.
Coordinación de Ciencias Computacionales Instituto Nacional de
Astrof́ısica, Óptica y Electrónica
-
Agradecimientos
A mi Esposa: Ivonne.... por ser apoyo incondicional en mi
proyecto de
vida.
Para mis Hijos: Itzel y Francisco Adair.... esperando que este
trabajo
sirva de inspiración a su continua superación personal y
profesional.
A mis Padres: Delfino Robles y Concepción Camacho .... por
haberme
enseñado que los sueños se pueden hacer realidad con esfuerzo
y dedi-
cación.
A mi Hermano: Julio Cesar Robles.... por alentarme siempre a la
su-
peración profesional.
A mis Profesores: Por todo el conocimiento y experiencia
compartido
en las aulas del INAOE.
Al Dr. Jesus A. Gonzalez Bernal: Por su paciencia y
dedicación
mostrados durante mi preparación en el INAOE y durante la
elaboración
del presente trabajo.
A mis Amigos: Ivan Olmos y Rodrigo Aceves.... agradezco todo
sus
consejos para la realización del presente trabajo.
Al CONACYT: Por su apoyo brindado al becario número 189941.
A la Armada de México: Por todo el apoyo prestado a uno de
sus
oficiales con grandes deseos de superación; esperando que este
trabajo
sirva de gúıa a futuros oficiales en preparación y
entrenamiento constante
para hacer de Mexico un lugar mejor.
[vii]
-
Índice General
Lista de Figuras XIII
Lista de Tablas XVII
1. Introducción 1
1.1. Problema a Resolver . . . . . . . . . . . . . . . . . . . .
. . . . . . . 2
1.2. Objetivo . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . 3
1.3. Trabajos Relacionados . . . . . . . . . . . . . . . . . . .
. . . . . . . 3
2. La Ciencia de la Percepción Remota 7
2.1. ¿Qué es la Percepción Remota? . . . . . . . . . . . . . .
. . . . . . . 7
2.1.1. Proceso de la Percepción Remota . . . . . . . . . . . .
. . . . 8
2.2. Radiación Electromagnética . . . . . . . . . . . . . . .
. . . . . . . . 10
2.2.1. Procesos de Interacción . . . . . . . . . . . . . . . .
. . . . . . 10
2.2.2. Espectro Electromagnético . . . . . . . . . . . . . . .
. . . . . 12
2.2.3. Curvas de Reflectancia Espectral . . . . . . . . . . . .
. . . . 13
2.2.4. Firma Espectral . . . . . . . . . . . . . . . . . . . . .
. . . . . 13
2.2.5. Efecto Atmosférico . . . . . . . . . . . . . . . . . . .
. . . . . 15
2.3. Imágenes Satelitales . . . . . . . . . . . . . . . . . . .
. . . . . . . . 15
2.3.1. Aplicaciones de las Imágenes Satelitales en Percepción
Remota 17
2.3.2. Sistemas de Percepción Remota . . . . . . . . . . . . .
. . . . 18
2.4. Mapas Temáticos . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . 20
3. Análisis de Imágenes Satelitales 23
3.1. Proceso de Análisis de Imágenes Satelitales . . . . . . .
. . . . . . . . 23
3.2. Adquisición de Imágenes . . . . . . . . . . . . . . . . .
. . . . . . . . 25
[ix]
-
x ÍNDICE GENERAL
3.3. Preprocesamiento . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . 28
3.3.1. Segmentación . . . . . . . . . . . . . . . . . . . . . .
. . . . . 30
3.3.2. Extracción de Caracteŕısticas . . . . . . . . . . . . .
. . . . . 31
3.4. Reconocimiento e Interpretación . . . . . . . . . . . . .
. . . . . . . . 32
3.4.1. Clasificación Supervisada . . . . . . . . . . . . . . .
. . . . . . 33
3.4.2. Clasificación No Supervisada . . . . . . . . . . . . . .
. . . . . 39
3.5. Métodos de Evaluación . . . . . . . . . . . . . . . . . .
. . . . . . . . 39
4. Método de Clasificación Propuesto 43
4.1. Introducción . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . 43
4.1.1. Imágenes Multiespectrales utilizadas . . . . . . . . . .
. . . . 44
4.1.2. Esquema de Clasificación . . . . . . . . . . . . . . . .
. . . . . 44
4.1.3. Imagen Multiespectral Sintética (IMS) . . . . . . . . .
. . . . 45
4.2. Conocimiento Descriptivo-Contextual . . . . . . . . . . . .
. . . . . . 46
4.2.1. Selección y Obtención de Regiones de Entrenamiento . .
. . . 47
4.2.2. Extracción de Caracteŕısticas Descriptivas . . . . . .
. . . . . 49
4.2.3. Extracción de Caracteŕısticas Contextuales . . . . . .
. . . . . 54
4.3. Representación del Conocimiento . . . . . . . . . . . . .
. . . . . . . 59
4.3.1. Conocimiento Declarativo . . . . . . . . . . . . . . . .
. . . . 63
4.3.2. Conocimiento Procedural y Esquema de Juicios . . . . . .
. . 67
4.4. Esquema de Clasificación Multi-Modelos (MMCS) . . . . . .
. . . . . 70
5. Resultados de Clasificación 73
5.1. Imágenes Multiespectrales Sintéticas (IMS) de Prueba . .
. . . . . . . 73
5.2. Datos Estad́ısticos de Entrenamiento . . . . . . . . . . .
. . . . . . . 74
5.3. Distancia Mı́nima a la Media vs MMCS . . . . . . . . . . .
. . . . . . 80
5.3.1. Preclasificación . . . . . . . . . . . . . . . . . . . .
. . . . . . 81
5.3.2. Reclasificación . . . . . . . . . . . . . . . . . . . .
. . . . . . . 84
5.4. Paraleleṕıpedo vs MMCS . . . . . . . . . . . . . . . . . .
. . . . . . . 87
5.4.1. Preclasificación . . . . . . . . . . . . . . . . . . . .
. . . . . . 87
5.4.2. Reclasificación . . . . . . . . . . . . . . . . . . . .
. . . . . . . 90
5.5. Máxima Similaridad vs MMCS . . . . . . . . . . . . . . . .
. . . . . 91
5.5.1. Preclasificación . . . . . . . . . . . . . . . . . . . .
. . . . . . 92
5.5.2. Reclasificación . . . . . . . . . . . . . . . . . . . .
. . . . . . . 95
5.6. Distancia Mahalanobis vs MMCS . . . . . . . . . . . . . . .
. . . . . 97
Coordinación de Ciencias Computacionales Instituto Nacional de
Astrof́ısica, Óptica y Electrónica
-
ÍNDICE GENERAL xi
5.6.1. Preclasificación . . . . . . . . . . . . . . . . . . . .
. . . . . . 97
5.6.2. Reclasificación . . . . . . . . . . . . . . . . . . . .
. . . . . . . 99
5.7. Análisis de Resultados . . . . . . . . . . . . . . . . . .
. . . . . . . . 101
6. Conclusiones y Trabajos Futuros 105
Bibliograf́ıa 107
Índice Alfabético 113
Extracción de Mapas Temáticos a partir de la Clasificación en
Imagenes Satelitales
-
xii ÍNDICE GENERAL
Coordinación de Ciencias Computacionales Instituto Nacional de
Astrof́ısica, Óptica y Electrónica
-
Lista de Figuras
2.1. El proceso de la Percepción Remota . . . . . . . . . . . .
. . . . . . . 9
2.2. Espectro Electromagnético . . . . . . . . . . . . . . . .
. . . . . . . 12
2.3. Curvas de Reflectancia Espectral . . . . . . . . . . . . .
. . . . . . . 14
2.4. Imagen Multiespectral y el Espectro Electromagnético . . .
. . . . . . 17
3.1. Proceso del Análisis de Imágenes Satelitales . . . . . .
. . . . . . . . 24
3.2. Componentes de la Imagen Satelital . . . . . . . . . . . .
. . . . . . . 27
3.3. Proceso General de Clasificación . . . . . . . . . . . . .
. . . . . . . . 33
3.4. Ejemplo de una Matriz de Confusión . . . . . . . . . . . .
. . . . . . 40
4.1. Ṕıxel Espectral Multiple . . . . . . . . . . . . . . . . .
. . . . . . . . 48
4.2. Proceso de Extracción y Selección de Caracteŕısticas
Descriptivas de
las Clases de Interés . . . . . . . . . . . . . . . . . . . . .
. . . . . . 55
4.3. Proceso de Descubrimiento de Conocimiento (KDD) en Datos
Espaciales 57
4.4. Relaciones de Adyacencia entre Regiones y su
representación en Grafos 57
4.5. Proceso para la obtención de las Caracteŕısticas
Contextuales de las
Regiones de Interés . . . . . . . . . . . . . . . . . . . . . .
. . . . . . 58
4.6. Representación Gráfica de los Patrones Contextuales de
las Regiones
de Interés . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . 61
4.7. Representación Gráfica de la Red Semántica con los tipos
de Nodos y
sus enlaces. . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . 64
4.8. Red Semántica del Esquema de Clasificación Multi Modelos
propuesto 66
4.9. Uso del Conocimiento Procedural y Esquema de Juicios . . .
. . . . . 69
4.10. Proceso de Clasificación mediante el Esquema de
Clasificación Multi
Modelos Propuesto . . . . . . . . . . . . . . . . . . . . . . .
. . . . . 71
[xiii]
-
xiv LISTA DE FIGURAS
5.1. Esquema de Clasificación y su Código de Colores . . . . .
. . . . . . 74
5.2. Imagen Multiespectral Sintética del tipo 1 (IMS-1) . . . .
. . . . . . 75
5.3. Imagen Multiespectral Sintética del tipo 2 (IMS-2) . . . .
. . . . . . 76
5.4. Relación de las Medias Espectrales de las Clases por Banda
Espectral 78
5.5. Relación de las Desviaciones Estándar Espectrales de las
Clases por
Banda Espectral . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . 79
5.6. Relación de las Covarianzas Espectrales entre las Clases
por Banda
Espectral . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . 80
5.7. Imagen de Referencia y Imagen Temática resultado de la
Clasificación
del DMM sobre la IMS-1 . . . . . . . . . . . . . . . . . . . . .
. . . . 82
5.8. Imagen de Referencia y Imagen Temática resultado de la
Clasificación
del DMM sobre la IMS-2 . . . . . . . . . . . . . . . . . . . . .
. . . . 83
5.9. Resultados de Clasificación del MMCS a partir de las
regiones del
DMM sobre la IMS-1 . . . . . . . . . . . . . . . . . . . . . . .
. . . . 85
5.10. Resultados de Clasificación del MMCS a partir de las
regiones del
DMM sobre la IMS-2 . . . . . . . . . . . . . . . . . . . . . . .
. . . . 86
5.11. Imagen de Referencia y Imagen Temática resultado de la
Clasificación
del PL sobre la IMS-2 . . . . . . . . . . . . . . . . . . . . .
. . . . . 89
5.12. Resultados de Clasificación del MMCS a partir de las
regiones del PL
sobre la IMS-2 . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . 90
5.13. Histograma de frecuencia de valores espectrales en las 4
bandas de la
IMS-1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . 93
5.14. Imagen de Referencia y Imagen Temática resultado de la
Clasificación
del ML sobre la IMS-1 . . . . . . . . . . . . . . . . . . . . .
. . . . . 94
5.15. Resultados de Clasificación del MMCS a partir de las
regiones del ML
sobre la IMS-1 . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . 96
5.16. Histograma de frecuencia de valores espectrales en las 4
bandas de la
IMS-2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . 98
5.17. Imagen de Referencia y Imagen Temática resultado de la
Clasificación
del DMH sobre la IMS-2 . . . . . . . . . . . . . . . . . . . . .
. . . . 99
5.18. Resultados de Clasificación del MMCS a partir de las
regiones del DMH
sobre la IMS-2 . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . 100
5.19. Resumen de Resultados de Clasificación de los Algoritmos
Paramétri-
cos y el MMCS sobre la IMS-1 . . . . . . . . . . . . . . . . . .
. . . . 102
Coordinación de Ciencias Computacionales Instituto Nacional de
Astrof́ısica, Óptica y Electrónica
-
LISTA DE FIGURAS xv
5.20. Resumen de Resultados de Clasificación de los Algoritmos
Paramétri-
cos y el MMCS sobre la IMS-2 . . . . . . . . . . . . . . . . . .
. . . . 103
Extracción de Mapas Temáticos a partir de la Clasificación en
Imagenes Satelitales
-
xvi LISTA DE FIGURAS
Coordinación de Ciencias Computacionales Instituto Nacional de
Astrof́ısica, Óptica y Electrónica
-
Lista de Tablas
2.1. Sistema de Percepción Remota . . . . . . . . . . . . . . .
. . . . . . . 19
4.1. Cantidad de Regiones de Entrenamiento por Clase y sus
Caracteŕısticas. 47
4.2. Atributos de las Regiones de Entrenamiento. . . . . . . . .
. . . . . . 51
4.3. Resultados de Clasificación de los MCAD . . . . . . . . .
. . . . . . . 56
4.4. Patrones Contextuales Descubiertos. . . . . . . . . . . . .
. . . . . . 60
5.1. Vectores de Medias Espectrales utilizados en la
preclasificación por los
algoritmos Paramétricos. . . . . . . . . . . . . . . . . . . .
. . . . . . 77
5.2. Desviación Estándar Espectrales para cada clase utilizada
en el PL. . 78
5.3. Matriz de Covarianza Espectral utilizada en los algoritmos
ML y DMH. 79
5.4. Datos de las Imágenes Multiespectrales Sintéticas para
DMM . . . . 81
5.5. Matriz de Confusión de la preclasificación de la IMS-1
por DMM . . . 83
5.6. Matriz de Confusión de la preclasificación de la IMS-2
por DMM . . . 84
5.7. Matriz de Confusión de la reclasificación de los
resultados del DMM
por el MMCS en la IMS-1 . . . . . . . . . . . . . . . . . . . .
. . . . 85
5.8. Matriz de Confusión de la reclasificación de los
resultados del DMM
por el MMCS en la IMS-2 . . . . . . . . . . . . . . . . . . . .
. . . . 87
5.9. Datos de las Imágenes Multiespectrales Sintéticas para PL
. . . . . . 88
5.10. Matriz de Confusión de la preclasificación por PL . . .
. . . . . . . . 89
5.11. Matriz de Confusión de la reclasificación de los
resultados del PL por
el MMCS . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . 91
5.12. Datos de las Imagen Multiespectral Sintética (IMS-1) para
ML . . . . 92
5.13. Matriz de Confusión de los resultados del ML . . . . . .
. . . . . . . 95
5.14. Matriz de Confusión de la reclasificación de los
resultados del ML por
el MMCS . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . 96
[xvii]
-
xviii LISTA DE TABLAS
5.15. Datos de la Imágen Multiespectral Sintéticas (IMS-2)
para el DMH . 97
5.16. Matriz de Confusión de los resultados del DMH . . . . . .
. . . . . . 100
5.17. Matriz de Confusión de la reclasificación de los
resultados del DMH
por el MMCS . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . 101
Coordinación de Ciencias Computacionales Instituto Nacional de
Astrof́ısica, Óptica y Electrónica
-
Caṕıtulo 1
Introducción
A principios de los años sesenta la visión de la tierra se
limitaba a observaciones y
fotograf́ıas usando la luz visible. Las fotograf́ıas eran
obtenidas desde aviones. Hoy la
ciencia de la percepción remota provee instrumentos que
proporcionan una visión de
los objetos sobre la superficie de la tierra en rangos de
longitud de onda más grandes
que los de la luz visible. Estos instrumentos se colocan en
satélites y aviones que toman
imágenes de la superficie de la tierra, las cuales pueden ser
digitalizadas y analizadas
desde computadoras personales proporcionando conocimiento en una
amplia variedad
de temas, como son: el medio ambiente global, uso de suelos,
recursos renovables y
no renovables, desastres naturales, geoloǵıa y muchos
otros.
Actualmente la clasificación en imágenes multiespectrales
puede ser desarrollada
usando una variedad de algoritmos incluyendo [1, 2, 3]:
1. Clasificación usando enfoques supervisados y no
supervisados.
2. Clasificación usando lógica difusa.
3. Enfoques h́ıbridos que involucran el uso de
multi-clasificadores e información
externa.
La clasificación de imágenes satelitales se refiere al
reconocimiento de categoŕıas de
objetos del mundo real. En el contexto de la percepción remota
de la superficie de la
tierra, estas categoŕıas pueden incluir zonas urbanas, tipos de
vegetación (bosque, sel-
va, pastizal, manglar etc.), cuerpos de agua (ŕıos, mares y
lagos), tierras de vegetación
utilizadas para cultivo y otros tipos de suelo dependiendo de la
escala geográfica y
la naturaleza del estudio. El proceso de clasificación se
compone principalmente de
dos etapas. En la primera etapa un proceso de reconocimiento,
identifican y separan
grupos de ṕıxeles con caracteŕısticas semejantes que
representan los objetos sobre la
[1]
-
2 1. Introducción
superficie de la tierra. La segunda etapa abarca el proceso de
clasificación, en el cual
se realiza el etiquetado de las entidades (ṕıxeles) a ser
clasificadas en categorias.
La interpretación de la información extráıda y procesada en
la imagen satelital
sirve para generar los mapas temáticos, que muestran objetos
espaciales en relación
a un tema. La extracción de mapas temáticos a partir de la
clasificación de imágenes
satelitales multiespectrales es un área de investigación
importante por la aplicación
que éstos tienen para la obtención de conocimiento del medio
ambiente global, usos
de suelo, recursos renovables y no renovables, desastres
naturales, geoloǵıa y muchos
otros. Debido a esto, se busca obtener mapas de alta calidad, lo
cual no se ha lo-
grado del todo con los esquemas de clasificación utilizados
hasta ahora. En esta tesis
proponemos añadir un nivel de verificación a los métodos de
clasificación paramétri-
cos realizando una reclasificación de los objetos encontrados.
La reclasificacion de los
objetos se realiza, mediante un enfoque basado en conocimiento
descriptivo a partir
de las caracteŕısticas propias que define cada categoŕıa de
objetos y conocimiento de
contexto a partir de las relaciones topológicas entre los
objetos clasificados.
1.1. Problema a Resolver
La composición f́ısica de los diferentes materiales sobre la
superficie de la tierra,
sean estos naturales o artificiales, tiene una manera
caracteŕıstica e individual de in-
teractuar con la radiación incidente (normalmente luz solar)
que describe la respuesta
espectral de ese material o su firma espectral.
La firma espectral de los diferentes materiales en la superficie
de la tierra se ve
afectada por muchos factores, y por lo tanto vaŕıa durante
diferentes épocas del año.
Un ejemplo claro es la vegetación que cambia dependiendo de la
estación del año.
Otros factores que afectan la respuesta espectral son la
orientación y altura del sol en el
cielo, la posición del sensor en el satélite, la salud de la
vegetación, la cantidad de agua
que la tierra ha absorbido y las condiciones meteorológicas
existentes en el área donde
se haya tomando la imagen satelital, entre otras. Por lo tanto,
caracterizar diferentes
materiales mediante una única respuesta espectral es hoy en
d́ıa una tarea imposible
en percepción remota y esto trae como consecuencia problemas en
la clasificación de
imágenes satelitales.
Con la finalidad de minimizar los problemas de la clasificación
de los objetos en
la superficie de la tierra usando sólo su respuesta espectral,
se propone el uso de
Coordinación de Ciencias Computacionales Instituto Nacional de
Astrof́ısica, Óptica y Electrónica
-
1.2 Objetivo 3
un esquema de clasificación basado en conocimiento descriptivo
y de contexto de
las categoŕıas de objetos de interés (regiones). Un esquema de
representación del
conocimiento basado en Redes Semánticas se utilizará para
organizar el conocimiento
descriptivo-contextual de las regiones seleccionadas. La idea
principal es modelar
el conocimiento o estrategias utilizadas por cualquier persona
familiarizada con la
interpretación visual de imágenes satelitales para
identificar, diferenciar y clasificar
regiones en la imagen.
1.2. Objetivo
El objetivo principal de esta propuesta de investigación
es:
Generar mapas temáticos a partir de la clasificación de
imágenes satelitales uti-
lizando caracteŕısticas tanto descriptivas como contextuales de
las regiones de interés.
El enfoque propuesto permite alcanzar los siguientes objetivos
espećıficos:
1. Encontrar caracteŕısticas descriptivas-contextuales para la
clasificación de re-
giones de interés en imágenes satelitales.
2. Generar un esquema de representación del conocimiento basado
en Redes
Semánticas para almacenar y representar el conocimiento tanto
descriptivo co-
mo contextual de las regiones de interés.
3. Utilizar el esquema de representación del conocimiento como
un paso de verifi-
cación de la clasificación de los algoritmos paramétricos
más utilizados actual-
mente en percepción remota (post-clasificación).
1.3. Trabajos Relacionados
Para tratar de resolver algunos de los problemas que se
presentan en la clasificación
de imágenes satelitales se han propuesto varios enfoques. Estos
enfoques buscan com-
plementar la clasificación de la imagen satelital mediante
conocimiento a priori de las
regiones a clasificar y las relaciones de éstas con otras
regiones cercanas dentro de
la imagen. Algunos de los trabajos que se han consultado y que
han servido de base
para la presente investigación son los siguientes.
Una investigación de Diezmar Kunz, Klaus-Jürgen Schilling y
Thomas Vögtle [4],
analiza los efectos de la sinergia entre imágenes de satélite
y la información contenida
Extracción de Mapas Temáticos a partir de la Clasificación en
Imagenes Satelitales
-
4 1. Introducción
en una base de datos topográfica. La base de datos apoya el
análisis de la imagen
satelital, ofreciendo una representación geométrica, aśı como
una predicción semántica
de todos los objetos que posiblemente puedan ser encontrados en
la imagen de satélite.
La información de la descripción simbólica y la información
de la base de datos son
representadas en una red semántica y posteriormente esta red
semántica ayuda a la
validación de la clasificación.
Por otro lado, Liedtke, Bükner, Grau, Growe y Tönjes [5]
propusieron desarro-
llar el sistema AIDA (A System for the Knowledge Based
Interpretation of Remote
Sensing Data) para la interpretación de imágenes usando una
red semántica en la
representación de conocimiento expĺıcito de los objetos en la
imagen y las relaciones
entre ellos. La información de un Sistema de Información
Geográfico (GIS) se uti-
liza para la construcción de la red semántica. Este sistema es
usado en tareas de
reconocimiento, reconstrucción en tercera dimensión de los
objetos detectados y un
registro automático de imágenes tomadas por diferentes
sensores. Más tarde Bükner,
Müller, Pahl y Stahlhut [6, 7] presentan los trabajos
realizados para la interpretación
de imágenes satelitales bajo el esquema del sistema geoAIDA.
Este sistema describe
un nuevo enfoque para la implementación de una red semántica
que contiene la in-
formación extráıda de una base de datos topográfica de los
objetos espaciales que se
encuentran en el área geográfica que cubre la imagen satelital
y la información ex-
tráıda de la propia imagen, esta red semántica luego es
utilizada para la clasificación
de la imagen después de una segmentación. Actualmente la
investigación en el área
de la clasificación de imágenes satelitales se enfoca en la
utilización de conocimiento
adquirido a partir de datos externos (mapas topográficos,
Modelos Digitales de Ele-
vación, información recopilada in-situ, Sistemas de
Información Geográfica, etc.) para
mejorar los procesos y resultados de clasificación.
De acuerdo con los trabajos publicados [4, 5, 6, 7] se han
desarrollado propuestas
que trabajan adecuadamente con apoyo de Sistemas de Información
Geográfica (GIS)
para la obtención de información a priori del área de estudio
a partir de las relaciones
topológicas entre los objetos a clasificar, que se representan
en una estructura de
conocimiento como una red semántica y finalmente, esta red
efectúa la validación de
la clasificación a posteriori. Una de las desventajas de estos
enfoques es que si no se
cuenta con información geográfica del área que se desea
clasificar no se puede obtener
la información para la red semántica, aśı mismo, se tiene que
generar una estructura
de conocimiento por cada imagen satelital que se desea
clasificar.
Coordinación de Ciencias Computacionales Instituto Nacional de
Astrof́ısica, Óptica y Electrónica
-
1.3 Trabajos Relacionados 5
Nuestro enfoque propone la obtención de las caracteŕısticas
descriptivas de un
objeto que lo diferencie con respecto al resto de los objetos,
aśı como, determinar
las caracteŕısticas de contexto a partir de relaciones
topológicas que tiene ese objeto
con otros objetos del entorno. Estas caracteŕısticas
descriptivas-contextuales forma
la base de conocimiento de cada uno de los objetos de interés
que se utilizará para
la clasificación de imágenes satelitales. Nuestro enfoque a
diferencia de los trabajos
presentados por otros autores, utilizara técnicas de
Aprendizaje Automático para
encontrar un grupo de caracteŕısticas mı́nimas pero únicas,
tanto descriptivas como
contextuales, que nos ayuden a reconocer un objeto perteneciente
a cierta categoŕıa
dentro de un grupo de objetos de categoŕıas distintas.
La tesis se ha organizado de la siguiente manera; el Caṕıtulo 1
nos coloca en el
contexto de la Percepción Remota y algunos conceptos
importantes de la adquisición
y estructura de las imágenes satelitales. El Caṕıtulo 2 revisa
los principales pasos del
proceso de análisis de imágenes satelitales. En el Caṕıtulo 3
se describe el esquema de
clasificación basado en conocimiento descriptivo-contextual
propuesto y el Caṕıtulo 4
presenta los experimentos y resultados de la clasificación
basada en conocimiento en
comparación con clasificadores paramétricos. Finalmente en el
caṕıtulo 5 se presentan
las conclusiones y trabajos futuros.
Extracción de Mapas Temáticos a partir de la Clasificación en
Imagenes Satelitales
-
6 1. Introducción
Coordinación de Ciencias Computacionales Instituto Nacional de
Astrof́ısica, Óptica y Electrónica
-
Caṕıtulo 2
La Ciencia de la Percepción
Remota
A principios de los años sesenta la visión de la tierra se
limitaba a observaciones y
fotograf́ıas usando la luz visible. Las fotograf́ıas eran
obtenidas desde aviones. Hoy la
ciencia de la percepción remota provee instrumentos que
proporcionan una visión de
los objetos sobre la superficie de la tierra en rangos de
longitud de onda más grandes
que los de la luz visible. Estos instrumentos son colocados en
satélites y aviones
que toman imágenes de la superficie de la tierra, las cuales
pueden ser digitalizadas
y analizadas desde computadoras personales proporcionando
conocimiento en una
amplia variedad de temas, como son: el medio ambiente global,
uso de suelo, recursos
renovables y no renovables, desastres naturales, geoloǵıa y
muchos otros. Este caṕıtulo
presenta un preámbulo de las partes más importantes que
intervienen en el estudio
de la Percepción Remota.
2.1. ¿Qué es la Percepción Remota?
La Percepción Remota (PR) o Remote Sensing, se define como la
ciencia para
adquirir, procesar e interpretar imágenes y sus datos
relacionados obtenidos desde
aviones y satélites que registran la interacción entre la
materia y la radiación electro-
magnética [2]. De acuerdo con lo anterior:
Adquirir imágenes refiere a la tecnoloǵıa empleada, esto es,
el tipo y cantidad de
sensores instalados en aviones, satélites u otra
plataforma.
Procesar se refiere a los procedimientos que convierten los
datos crudos obtenidos
desde los sensores en imágenes.
[7]
-
8 2. La Ciencia de la Percepción Remota
Interpretar convierte la imagen en información significativa y
valiosa para un amplio
rango de usuarios.
El término percepción remota se refiere a los métodos que
emplean la enerǵıa
electromagnética tal como la luz, calor y ondas de radio como
el medio para detectar
y medir caracteŕısticas de los objetos. La interacción entre
la materia y la enerǵıa
electromagnética es determinada por:
1. Las propiedades f́ısicas de la materia.
2. La longitud de onda de la enerǵıa electromagnética que
está siendo adquirida
por los sensores.
Un principio esencial del uso de datos adquiridos mediante
técnicas de percepción
remota que son procesados en imágenes, es que los objetos en la
superficie de la tierra
y en la atmósfera reflejan, absorben, transmiten o emiten
enerǵıa electromagnética
en diferentes longitudes de onda y que tales diferencias
permiten identificar sus com-
ponentes [1].
Existen varios sistemas usados en PR para la recolección de los
datos. Un sistema
de percepción remota pasivo es aquel que recoge enerǵıa que
naturalmente se
irradia o se refleja a partir de un objeto, como la fotograf́ıa
con luz natural. Un
sistema de percepción remota activo emite una fuente de
enerǵıa directamente
sobre el objeto de estudio y mide la enerǵıa que regresa al
sistema, un ejemplo de
este sistema es el radar o sonar.
2.1.1. Proceso de la Percepción Remota
La finalidad principal de la PR es la extracción de
conocimiento a partir de los
datos recolectados para ser aplicados en nuestro beneficio, para
lograrlo se tiene que
definir un proceso con etapas espećıficas [1] que ayuden a
centrar el tipo de problema
que se desea resolver y el camino que se tiene que seguir para
llegar a la aplicación
final del conocimiento descubierto. En la figura 2.1 se muestra
un diagrama a bloques
de las principales etapas que intervienen en el proceso de la
percepción remota.
Coordinación de Ciencias Computacionales Instituto Nacional de
Astrof́ısica, Óptica y Electrónica
-
2.1 ¿Qué es la Percepción Remota? 9
Figura 2.1: Principales Etapas que Intervienen en el Proceso de
la Percepción Remota.
Extracción de Mapas Temáticos a partir de la Clasificación en
Imagenes Satelitales
-
10 2. La Ciencia de la Percepción Remota
2.2. Radiación Electromagnética
La Radiación Electromagnética (REM) juega un papel importante
en la Percep-
ción Remota debido a que la interacción entre los objetos de
la superficie de la tierra
y los sensores ubicados en satélites y aviones se realiza a
través de flujos de enerǵıa
radiada de REM o Enerǵıa Electromagnética.
La Enerǵıa Electromagnética se refiere a toda la enerǵıa que
viaja a la velocidad
de la luz en un patrón de onda harmónico. Un patrón
harmónico consiste de on-
das que ocurren en intervalos iguales de tiempo. El concepto de
onda explica como
la enerǵıa electromagnética se propaga (se mueve); sin
embargo, esta enerǵıa sólo
puede ser detectada cuando interactúa con la materia. La
principal fuente de enerǵıa
electromagnética es proporcionada por el Sol.
Las ondas electromagnéticas pueden ser descritas en términos
de su velocidad,
longitud de onda y frecuencia. Todas las ondas
electromagnéticas viajan a la misma
velocidad, comúnmente equivalente a la velocidad de la luz
puesto que la luz es una
forma de enerǵıa electromagnética.
La longitud de onda (λ) en ondas electromagnéticas es la
distancia desde cualquier
punto en una onda o ciclo al mismo punto en la siguiente onda o
ciclo. El micrómetro
(µm) es una unidad conveniente para medir longitudes de onda
tanto en el espectro
visible como en el infrarrojo. La velocidad de la luz por ser
una forma de enerǵıa
electromagnética (c), la longitud de onda (λ) y la frecuencia
(v) se relacionan por la
ecuación (2.2.1).
c = λ · v (2.2.1)
2.2.1. Procesos de Interacción
La enerǵıa electromagnética que se encuentra con la materia
sólida, ĺıquida o
gaseosa, es llamada radiación incidente. La interacción de la
enerǵıa electro-
magnética con la materia puede cambiar las siguientes
propiedades de la radiación
incidente: intensidad, dirección, longitud de onda,
polarización y fase. La ciencia de la
percepción remota detecta y registra estos cambios en imágenes
y datos, para luego
interpretar las imágenes y datos resultantes con la finalidad
de determinar las carac-
teŕısticas de la materia que interactúa con la enerǵıa
electromagnética incidente. La
Coordinación de Ciencias Computacionales Instituto Nacional de
Astrof́ısica, Óptica y Electrónica
-
2.2 Radiación Electromagnética 11
radiación incidente puede ser:
Trasmitida: Esto es pasada a través de la sustancia. La
trasmisión de enerǵıa a
través de medios diferentes, como del aire al agua, causa un
cambio en la ve-
locidad de la radiación electromagnética. La relación entre
las dos velocidades
es llamada el ı́ndice de refracción (n) y se expresa según la
ecuación (2.2.2).
n =CaCs
(2.2.2)
donde:
Ca es la velocidad en el vaćıoCs es la velocidad en la
sustancia.
Absorbida: La materia absorbe la enerǵıa, principalmente esta
enerǵıa es utilizada
para su calentamiento.
Emitida: La sustancia emite enerǵıa usualmente en grandes
longitudes de onda como
una función de su estructura y temperatura.
Dispersada: La enerǵıa es desviada en todas direcciones.
Superficies con dimen-
siones de relieve o rugosidad comparable a la longitud de onda
de la enerǵıa
incidente produce dispersión.
Reflejada: La enerǵıa es regresada desde la superficie de un
material con un ángulo
de reflexión igual o en oposición al ángulo de incidencia. La
reflexión es causada
por superficies lisas con relación a la longitud de onda de la
enerǵıa incidente.
Polarizada: la Polarización o dirección de vibración de las
ondas reflejadas puede
diferir de las ondas de la enerǵıa incidente.
La Emisión, Reflexión y Dispersión son llamados fenómenos de
superficie,
porque estas interacciones están determinadas principalmente
por las caracteŕısticas
de la superficie, tal como el color y la rugosidad. Transmisión
y Absorción son lla-
mados fenómenos de volumen, porque ellos están determinados
por las caracteŕısticas
de la materia, tales como la densidad y la conductividad. La
combinación particular
de interacciones de superficie y volumen con cualquier tipo de
material depende tanto
Extracción de Mapas Temáticos a partir de la Clasificación en
Imagenes Satelitales
-
12 2. La Ciencia de la Percepción Remota
de la longitud de onda de la radiación electromagnética como
de las propiedades es-
pećıficas del material. La propiedad de Reflexión de los
procesos de interacción de la
materia es utilizada por la ciencia de la Percepción Remota
para tratar de identificar
los diversos materiales en la superficie de la tierra.
2.2.2. Espectro Electromagnético
La figura 2.2 muestra el espectro electromagnético, el cual es
dividido en regiones
de longitud de onda. La escala horizontal es la medida en
micrómetros (µm) de la
longitud de onda. Se debe notar que la región del espectro
visible (0.4 a 0.7 µm)
ocupa sólo una pequeña porción del espectro. La enerǵıa
reflejada desde la superficie
de la tierra durante el d́ıa puede ser registrada en función de
la longitud de onda.
La máxima cantidad de enerǵıa se refleja en los 0.5µm de
longitud de onda, la cual
corresponde a la longitud de onda verde del espectro visible y
es llamado pico de
enerǵıa reflejada (reflected energy peak). La tierra también
irradia enerǵıa tanto
en la noche como en el d́ıa, con un máximo de enerǵıa radiada
sobre los 9.7µm de
longitud de onda comúnmente llamado pico de enerǵıa radiada
(radiant energy
peak), esto ocurre en la región termal de la porción
infrarroja (IR) del espectro.
Figura 2.2: Espectro Electromagnético.[2]
Coordinación de Ciencias Computacionales Instituto Nacional de
Astrof́ısica, Óptica y Electrónica
-
2.2 Radiación Electromagnética 13
La atmósfera de la tierra absorbe enerǵıa en las regiones de
rayos gama, rayos x
y la mayor parte de la región ultravioleta, por lo tanto estas
regiones no se utilizan
para la percepción remota. La percepción remota terrestre
registra enerǵıa en la región
de las microondas, región infrarroja y en la región visible
del espectro, aśı como, en
longitudes de onda larga de la región ultravioleta. A los
intervalos de longitud de onda
con alta transmisión se les llama ventanas atmosféricas
(atmospheric Windows)
y se utilizan para adquirir imágenes de percepción remota.
Las principales regiones de percepción remota (visible,
infrarrojo y microondas)
son dividas en bandas espectrales. Las bandas espectrales verde,
roja y azul,
pertenecen a la región visible del espectro.
2.2.3. Curvas de Reflectancia Espectral
Las curvas de reflectancia espectral o espectro de reflectancia,
registran el por-
centaje de enerǵıa incidente, t́ıpicamente la luz del sol que
es reflejado por un material
en función de la longitud de onda de la enerǵıa.
En la figura 2.3 se muestra el espectro de reflectancia de la
vegetación, suelo y
agua. El eje horizontal muestra la longitud de onda de la
enerǵıa incidente de la
región visible a la región espectral IR. El eje vertical
muestra el porcentaje de enerǵıa
reflejada en las diferentes longitudes de ondas:
1. A una cáıda de la curva se le llama caracteŕıstica de
absorción porque
representa la absorción de la enerǵıa incidente.
2. A una subida en la curva se le llama pico de
reflectancia.
Estas caracteŕısticas espectrales son claves para el
reconocimiento de materiales. Los
equipos utilizados para registrar el espectro de reflectancia
son los espectrómetros de
reflectancia (reflectance spectrometers).
2.2.4. Firma Espectral
La composición f́ısica de los diferentes materiales sobre la
superficie de la tierra,
sean estos naturales o artificiales, tiene una manera
caracteŕıstica e individual de in-
teractuar con la radiación incidente (normalmente luz solar)
que describe la respuesta
espectral de ese material. El término firma espectral es
algunas veces usado para
describir la curva de respuesta espectral de cada material
existente en la superficie de
Extracción de Mapas Temáticos a partir de la Clasificación en
Imagenes Satelitales
-
14 2. La Ciencia de la Percepción Remota
Figura 2.3: Curvas de Reflectancia Espectral para la
Vegetación, el Suelo y el Agua con sus Carac-teŕısticas de
Absorción y Picos de Reflectancia
Coordinación de Ciencias Computacionales Instituto Nacional de
Astrof́ısica, Óptica y Electrónica
-
2.3 Imágenes Satelitales 15
la tierra. Por lo tanto, las diferentes bandas espectrales de
una imagen multiespectral
sirven para identificar y clasificar diferentes materiales con
diferente firma espectral
[3].
La firma espectral de los diferentes materiales en la superficie
de la tierra, se
ve afectada por muchos factores y por lo tanto vaŕıa durante
diferentes épocas del
año. Un ejemplo claro es la vegetación que cambia dependiendo
de la estación del año.
Otros factores que afectan las curvas de respuesta espectral son
la orientación y altura
del sol en el cielo, la posición del sensor en el satélite, la
salud de la vegetación, la
cantidad de agua que la tierra ha absorbido y las condiciones
meteorológicas existentes
en el área donde se este tomando la imagen satelital, entre
otras.
2.2.5. Efecto Atmosférico
Uno de los principales problemas en la etapa de recolección de
datos de la PR
son los efectos atmosféricos que no permiten que los datos sean
adquiridos de forma
limpia. Aśı mismo, debido a los fenómenos atmosféricos
ocurridos en las partes bajas
de la atmósfera, los datos espectrales de los objetos en la
superficie de la tierra no son
constantes, esto hace impreciso el análisis de dichos datos.
Los gases de la atmósfera
absorben enerǵıa electromagnética en intervalos de longitud de
onda espećıficos a los
que se conocen como bandas de absorción . Las longitudes de
onda menores a 0.3
µm. son completamente absorbidas por la capa de ozono de la
atmósfera.
Las nubes consisten de part́ıculas de agua en suspensión que
absorben y disper-
san la radiación electromagnética en longitudes de onda
menores a 0.1 cm. Sólo la
radiación de microondas y longitudes de onda más largas
(radar) son capaces de
penetrar las nubes sin ser reflejadas, dispersadas o
absorbidas.
2.3. Imágenes Satelitales
Una imagen es cualquier representación pictórica,
independientemente de la lon-
gitud de onda o dispositivo de imagen usado para producirla y se
puede describir
en términos de propiedades fundamentales las cuales son:
escala, brillo, contraste y
resolución. El tono y la textura son funciones de las
propiedades fundamentales [8].
En percepción remota, una imagen es elaborada mediante una
matriz rectangular
de valores del flujo de radiación electromagnética (medidas de
EMR), que correspon-
Extracción de Mapas Temáticos a partir de la Clasificación en
Imagenes Satelitales
-
16 2. La Ciencia de la Percepción Remota
den a ṕıxeles individuales, por lo que cada valor de ṕıxel
representa la medida de
radiación electromagnética emanada desde una pequeña área de
la superficie de la
tierra según la resolución de la imagen [9, 1, 2]. La
radiación emanada contiene infor-
mación acerca de:
1. La naturaleza del material de la superficie de la tierra
presente en al área del
ṕıxel.
2. La posición topográfica del área del ṕıxel, cuando existe
referencia geográfica.
3. El estado de la atmósfera a través de la cual la EMR ha
pasado.
Existen tres tipos principales de imágenes satelitales, que son
obtenidas por medio
de diferentes sensores[10]:
Imagen Pancromática: Es una imagen formada por una sola banda
espectral. Para
los sensores pancromáticos más modernos, esta única banda
suele abarcar desde
la parte visible al infrarrojo cercano del espectro. Los datos
pancromáticos se
representan por medio de imágenes en tonos de grises (blanco y
negro).
Imagen MultiEspectral: Es un arreglo de imágenes satelitales
adquiridas si-
multáneamente donde cada una de las imágenes registra un
intervalo diferente
de longitud de onda del espectro electromagnético. Estas se
captan mediante un
sensor digital que mide la reflectancia en muchas bandas. Por
ejemplo, un con-
junto de detectores puede medir enerǵıa roja reflejada dentro
de la parte visible
del espectro mientras que otro conjunto mide la enerǵıa del
infrarrojo cercano.
Es posible incluso que dos series de sensores midan la enerǵıa
en dos partes
diferentes de la misma longitud de onda. Estos distintos valores
de reflectancia
se combinan para crear imágenes de color. Los satélites de PR
multiespectrales
de hoy en d́ıa miden la reflectancia simultáneamente en un
número de bandas
distintas que pueden ir de tres a catorce, un ejemplo de este
tipo de imagen se
muestra en la figura 2.4.
Imagen Hiperespectral: Es una imagen formada por datos
adquiridos a partir de
un sensor espectral que mide la reflectancia en muchas bandas de
rangos cortos
de longitud de onda. La teoŕıa en que se apoya la detección
hiperespectral es
que la medida de la reflectancia en numerosas franjas estrechas
del espectro
permite detectar caracteŕısticas y diferencias muy sutiles
entre los rasgos de la
superficie, especialmente en lo que se refiere a vegetación,
suelo y rocas.
Coordinación de Ciencias Computacionales Instituto Nacional de
Astrof́ısica, Óptica y Electrónica
-
2.3 Imágenes Satelitales 17
Figura 2.4: Imagen Multiespectral y su Relación con el Espectro
Electromagnético.
2.3.1. Aplicaciones de las Imágenes Satelitales en
Percepción
Remota
Dependiendo el problema que se desea resolver mediante técnicas
de PR se ten-
drá que seleccionar el tipo de imagen satelital a utilizar. A
continuación se esboza un
resumen de algunas de la aplicaciones de las diferentes
imágenes satelitales:
Aplicaciones con Imágenes Pancromáticas:
1. Localizar, identificar y medir accidentes superficiales y
objetos, principal-
mente por su apariencia f́ısica, es decir, forma, tamaño, color
y orientación.
2. Identificar y cartografiar con precisión la situación de
los elementos gene-
rados por la acción del hombre, como edificios, carreteras,
veredas, casas,
equipamientos de servicios públicos, infraestructura urbana,
aeropuertos y
veh́ıculos.
3. Actualizar las caracteŕısticas f́ısicas de los mapas
existentes.
4. Trazar los ĺımites entre tierra y agua.
Extracción de Mapas Temáticos a partir de la Clasificación en
Imagenes Satelitales
-
18 2. La Ciencia de la Percepción Remota
5. Identificar y cuantificar el crecimiento y desarrollo
urbano.
6. Permitir generar modelos digitales de elevación de gran
exactitud.
7. Catalogar el uso del suelo.
Aplicaciones con Imágenes Multiespectrales:
1. Distinguir las rocas superficiales y el suelo por su
composición y consoli-
dación.
2. Delimitar los terrenos pantanosos.
3. Estimar la profundidad del agua en zonas litorales.
4. Catalogar la cubierta terrestre.
5. Catalogar los usos de suelo.
Aplicaciones con Imágenes de Radar de Apertura Sintética
(SAR):
1. Captar imágenes en zonas frecuentemente cubiertas por nubes,
nieblas o
inmersas en constante oscuridad.
2. Localizar icebergs y hielo marino; cartografiar otros estados
de la superficie
oceánica, como corrientes, olas, y poluciones
petroĺıferas.
3. Cartografiar aspectos del terreno muy sutiles, como fallas y
pliegues.
4. Detectar y cartografiar cambios en la superficie terrestre
debidos por ejem-
plo al crecimiento de la vegetación, a variaciones de la
humedad del suelo,
actividades agŕıcolas o forestales (e.g. labranza,
deforestación) o incluso
debidos a movimientos śısmicos (e.g. fallas, temblores,
etc.).
Aplicaciones con Imágenes Aéreas:
1. Cartografiar rasgos superficiales inferiores a un metro
cuadrado.
2. Cartografiar zonas inferiores a 1000 kilómetros
cuadrados.
3. Cartografiar con precisión catástrofes naturales.
2.3.2. Sistemas de Percepción Remota
Los sistemas de PR a bordo de satélites recolectan datos de la
superficie de la tierra
que serán convertidos en imágenes satelitales. La tabla 2.1
presenta las caracteŕısticas
de los principales sistemas de PR [11].
Coordinación de Ciencias Computacionales Instituto Nacional de
Astrof́ısica, Óptica y Electrónica
-
2.3 Imágenes Satelitales 19
Tabla 2.1: Sistemas de Percepción Remota. Imagen B&N se
refiere a Imágenes Pancromática. Imágenesa Color se refiere a
Imágenes Multiespectrales
Imagen de Satélite Ancho de Barrido Resolución Espacial
20 m color (Spot 4 y Spot 5), 4 bandas10 m color (Spot 5 y 4), 4
bandas10 m B&N (Spot 4 y 2), 1 banda
SPOT 60 a 80 Km 5 m color (Spot 5), 3 bandas5 m B&N (Spot
5), 1 banda2.5 m color (Spot 5), 3 bandas5 m B&N (Spot 5), 1
banda
Landsat 5 TM 185 Km 30 mLandsat 7 ETM 30 m (adiciona una banda
que posibili-
ta resolución a 10 m)
IKONOS 13 Km 1 m B&N, 1 banda4 m color, 4 bandas
QuickBird 0.61 m B&N, 1 banda16.5 Km en el Nadir a20.80
km
2.44 m color, 4 bandas
RADARSAT 60 a 100 km 10 a 100 m2.44 m color
Aster VNIR µm 60 Km 15 m, 3 bandasAster WNIR µm 60 Km 30 m, 6
bandasAster TIR µm 60 Km 90 m, 5 bandas
Envisat ASAR 56 a 400 Km 25 m hasta 1 KmEnvisat MERIS 1150 Km
300 m a 1200 Km, 15 bandas
Extracción de Mapas Temáticos a partir de la Clasificación en
Imagenes Satelitales
-
20 2. La Ciencia de la Percepción Remota
2.4. Mapas Temáticos
La interpretación de la información extráıda y procesada de
la imagen satelital
sirve para generar los mapas temáticos. Los mapas temáticos
muestran las ca-
racteŕısticas estructurales de la distribución espacial de un
fenómeno geográfico
particular [12]. La Asociación Internacional de Cartograf́ıa
[13] dice:
Un mapa temático es aquél que está diseñado para mostrar
carac-
teŕısticas o conceptos particulares. En el uso convencional de
los mapas,
este término excluye los mapas topográficos.
Los mapas temáticos codifican objetos espaciales en relación a
un tema [14]. Ex-
isten dos formas de representar los mapas temáticos: raster y
vector. En la forma
de imagen raster los mapas temáticos tienen un ṕıxel asociado
con un valor de atri-
buto. Por ejemplo el mapa puede tener codificada la altura de
los objetos espaciales
como la intensidad de un ṕıxel. En la representación vectorial
un objeto espacial se
representa por su geometŕıa, siendo más común la
representación de los ĺımites o bor-
des de los objetos con los atributos temáticos. Por ejemplo una
zona de vegetación
puede estar representada por los puntos geométricos de sus
ĺımites o bordes y sus
correspondientes valores de elevación.
En México el uso de mapas temáticos que provean información
acerca de: usos
y tipos de suelo, agricultura, monitoreo de desastres naturales,
conservación de la
biodiversidad, administración y monitoreo de las masas de agua
que incluyen ŕıos,
mares y lagos, monitoreo del clima y su impacto con la
superficie de la tierra, combate
de la contaminación marina, control y administración de
asentamientos humanos y
muchas otras más; no se ha fomentado debido a que no se tienen
sistemas automáticos
para generar los mapas temáticos actualizados y confiables del
territorio nacional. El
Instituto Nacional de Estad́ıstica Geograf́ıa e Informática
(INEGI) [15], no cuenta con
la infraestructura necesaria para la actualización y
generación de mapas temáticos de
calidad libre de errores a partir de imágenes satelitales. Los
mapas existentes datan
de hace 10 años aproximadamente y para algunas regiones de la
Republica Mexicana
no existen mapas. La Secretaria de Marina Armada de Mexico [16],
a través de su
Dirección General Adjunta de Oceanograf́ıa, Hidrograf́ıa y
Meteoroloǵıa en conjunto
con la Estación de Recepción Satelital México de la
constelación SPOT. (ERMEXS),
Coordinación de Ciencias Computacionales Instituto Nacional de
Astrof́ısica, Óptica y Electrónica
-
2.4 Mapas Temáticos 21
contemplan dentro de sus objetivos la producción de mapas
temáticos a partir de
imágenes satelitales.
En el resto del mundo existen naciones que hoy en d́ıa toman muy
en serio el uso
de mapas temáticos para la protección del ambiente y manejo de
sus recursos; sin
embargo, de la manera en que se obtienen haciendo uso de los
algoritmos actuales de
clasificación aplicados a la imagen satelital, no se generan
mapas temáticos confiables
y libres de errores, teniendo que apoyarse con Sistemas de
Información Geográfica
(GIS) [6, 7].
Extracción de Mapas Temáticos a partir de la Clasificación en
Imagenes Satelitales
-
22 2. La Ciencia de la Percepción Remota
Coordinación de Ciencias Computacionales Instituto Nacional de
Astrof́ısica, Óptica y Electrónica
-
Caṕıtulo 3
Análisis de Imágenes Satelitales
Los datos obtenidos mediante la Percepción Remota a partir de
los sensores a
bordo de satélites y aviones en la mayoŕıa de los casos son
adquiridos en formato
digital. Estos datos posteriormente son procesados por sistemas
de cómputo para
generar las imágenes que serán usadas en los estudios de
interpretación. En las últimas
décadas se han hecho avances significativos en el análisis de
imágenes digitales con
buenos resultados en cuanto a la información obtenida. El
proceso del análisis de la
imagen involucra varias etapas con tareas espećıficas que van
desde la adquisición de
los datos y su conversion en imágenes, para luego ser
procesadas y segmentadas con la
finalidad de obtener las regiones que serán etiquetadas por
procesos de reconocimiento
e interpretación, para finalmente presentar los resultados
dependiendo del dominio del
problema. Este caṕıtulo tiene como finalidad presentar una
visión general de los pasos
del proceso de análisis de imágenes satelitales haciendo
énfasis en las etapas donde se
puede mejorar el proceso para aumentar la calidad de la
información obtenida.
3.1. Proceso de Análisis de Imágenes Satelitales
En general, el principal objetivo de un proceso de análisis de
imágenes es la ob-
tención de información y posteriormente conocimiento de los
objetos de la escena
donde fue adquirida la imagen. El análisis de imágenes
satelitales sigue las etapas del
proceso con algunas diferencias en cuanto a la forma de
Adquisición y Procesamien-
to. Como una imagen satelital puede ser un conjunto de
imágenes, cuando se habla
de niveles Multiespectrales e Hiperespectrales, éstos deben ser
tratadas por separado
pero la información contenida en cada una de las imágenes que
las componen debe
ser tomada en conjunto.
[23]
-
24 3. Análisis de Imágenes Satelitales
Muchos autores [8, 1, 2], coinciden en que las principales
etapas que un proceso
de análisis de imágenes debe contener son las que se muestran
en la figura 3.1.
Figura 3.1: Proceso del Análisis de Imágenes Satelitales.
La Adquisición de la Imagen se refiere al proceso de
representar los datos
obtenidos por un sensor en una imagen, pasando por los procesos
de corrección para
tratar de representar los datos del sensor con la menor cantidad
de errores posibles.
La etapa de Preprocesamiento, se divide en varias partes. Si se
requiere, la
imagen pasa por un preprocesamiento que involucra técnicas para
mejorar, restau-
Coordinación de Ciencias Computacionales Instituto Nacional de
Astrof́ısica, Óptica y Electrónica
-
3.2 Adquisición de Imágenes 25
rar o filtrar la imagen. El siguiente paso es la Segmentación
de la imagen que la
separa en grupos de ṕıxeles de caracteŕısticas similares
llamadas regiones, para fi-
nalmente obtener de esas regiones un conjunto de
caracteŕısticas que ayudarán a la
interpretación y reconocimiento de los distintos tipos de
clases de regiones según el
ámbito del problema.
El Reconocimiento e Interpretación de las regiones obtenidas en
la etapa
previa, se lleva a cabo usando técnicas de Reconocimiento de
Patrones o Inteligencia
Artificial mediante algoritmos de clasificación. En este paso
es importante el uso de
técnicas de evaluación para calificar el desempeño de los
algoritmos de clasificación.
Las técnicas de evaluación pueden ser cuantitativas o
cualitativas.
Finalmente es necesaria una etapa de Representación de
Resultados. Esta
etapa muestra los resultados en un formato que pueda ser
entendido por el experto
en el dominio, usuario final o un sistema de cómputo. Los
métodos de representación
de resultados más comunes son los Mapas Temáticos, aunque
también se pueden
hacer consultas a un sistema GIS actualizado por el proceso de
análisis de imágenes
satelitales.
3.2. Adquisición de Imágenes
Los sistemas de percepción remota pasivos o activos a bordo de
satélites o aviones
miden los fenómenos de radiación electromagnética que se
generan entre la fuente de
radiación, la superficie de la tierra y el sensor. Las Fuentes
de radiación pueden ser el
sol, los diferentes materiales sobre la superficie, la
atmósfera o los mismos sensores.
Algunas partes del espectro electromagnético no se usan en
percepción remota porque
la atmósfera (principalmente ozono, dióxido de carbono y vapor
de agua), absorbe
casi en su totalidad la enerǵıa en diferentes frecuencias. La
enerǵıa solar reflejada se
mide en partes del espectro visible o cercano infrarrojo (IR)
cerca de 0.4 a 2.5 µm. La
señal térmica de fuentes como incendios es fuerte en el
infrarrojo medio entre los 3 y
5 µm, mientras que la enerǵıa re-irradiada del sol y partes
fŕıas altas de la atmósfera
se miden en la región térmica del infrarrojo entre los 8 y los
14 µm.
La enerǵıa de microondas es generalmente adquirida por sensores
activos como el
Radar (Radio Detection and Ranging). Los Radares en Percepción
Remota emiten
pulsos coherentes de radiación en longitudes de 1 a 30 cm para
posteriormente ser
medida la onda reflejada por la superficie de la tierra o
atmósfera. La enerǵıa en estas
Extracción de Mapas Temáticos a partir de la Clasificación en
Imagenes Satelitales
-
26 3. Análisis de Imágenes Satelitales
frecuencias puede penetrar las nubes complementando la
observación incompleta en
las altas frecuencias.
Finalmente, los datos recolectados por los sensores son
procesados mediante algo-
ritmos de digitalización. La digitalización es el proceso de
convertir datos o imágenes
analógicas en un arreglo de ṕıxeles
Los tipos de imágenes más familiares son aquellas adquiridas
mediante los si-
guientes sensores en satélites:
Satélite Landsat: Thematic Mapper (TM).
Satélite SPOT: Haute Resolution Visible (HRV).
Satélite NOAA: Advanced Very High Resolution Radiometer
(AVHRR).
Los tipos de escáner puestos en los sensores de los satélites
usados para adquirir la
radiación electromagnética que es emitida o reflejada en la
superficie de la tierra son
escáner electro-mecánicos y escáner basados en arreglos de
CCD´s (”charge-couple
devices” o dispositivos de acoplamiento de carga). Cuando se
escanea la superficie
de la tierra se efectúa en forma lineal, un simple punto sobre
la ĺınea escaneada
corresponde a una pequeña área de la superficie de la tierra.
Esta área de tierra
representa un ṕıxel en la imagen.
La magnitud de la radiación reflejada o emitida por una
pequeña área de tierra
representada por un ṕıxel es interpretada mediante un número
entero usualmente
diferente de cero y normalizado en un rango de valores de 0 a
255. Por lo tanto, las
imágenes adquiridas mediante técnicas de percepción remota
consisten en un arreglo
rectangular de números que las computadoras pueden visualizar y
manipular [3], como
se muestra en la figura 3.2.
Dependiendo del tipo de sensor que realiza la recolección de
los datos; las imágenes
satelitales tendrán diferentes caracteŕısticas de
resolución.
Resolución: (o potencia de resolución) es la medida de la
habilidad que un
sistema óptico tiene para distinguir entre señales que están
espacialmente cercanas o
son espectralmente similares.
Resolución Espectral: Se refiere a la cantidad y dimensiones
del intervalo de lon-
gitud de onda en el espectro electromagnético 2.2 sensible para
algún sensor.
El tamaño del intervalo o banda puede ser grande, un ejemplo
son las imágenes
Coordinación de Ciencias Computacionales Instituto Nacional de
Astrof́ısica, Óptica y Electrónica
-
3.2 Adquisición de Imágenes 27
Figura 3.2: Descripción de una Imagen Satelital Adquirida
Mediante Técnicas de Percepción Remota.
pancromáticas en blanco y negro con resolución espectral de
0.48 - 0.71 µm (en
SPOT-5)[17], o relativamente pequeña como lo son las diferentes
bandas mul-
tiespectrales del SPOT-5 como la banda 3 perteneciente al
infrarrojo cercano
que va de 0.78 - 0.89 µm. Esto es importante porque ciertas
regiones o bandas
espećıficas del espectro electromagnético son utilizadas para
obtener informa-
ción de parámetros biof́ısicos. Otra definición común se da
como la habilidad
que un sistema de sensado tiene para identificar o diferenciar
la radiación elec-
tromagnética en diferentes frecuencias (bandas espectrales)[2,
3, 1].
Resolución Espacial: Es la medida de la separación angular o
lineal más pequeña
entre dos objetos que puede resolver el sensor (distinguir entre
dos objetos o
elementos distintos que parecen uno sólo a simple vista). La
resolución espacial
en fotograf́ıas aéreas es normalmente medida por ingenieros
como el número de
ĺıneas pares por miĺımetro que puede resolver en la imagen. En
otros sistemas
de sensores, es simplemente la dimensión en metros de la
proyección terrestre
instantánea del campo de vista (IFOV, ”Instantaneous Field of
View”)[9]. Ge-
neralmente la resolución espacial más pequeña es el mayor
poder de resolución
del sensor del sistema. Otra regla útil es que para detectar
una caracteŕıstica
Extracción de Mapas Temáticos a partir de la Clasificación en
Imagenes Satelitales
-
28 3. Análisis de Imágenes Satelitales
en la imagen la resolución espacial del sensor del sistema de
captura debe ser
la mitad del tamaño de la medida de la caracteŕıstica en su
dimensión más
pequeña.
Resolución Temporal: Se refiere a la frecuencia en tiempo de
recolección de
imágenes de un área en particular por el sensor del sistema.
Generalmente el
sensor obtiene datos repetidamente para capturar
caracteŕısticas únicas discri-
minantes del objeto bajo investigación. Por ejemplo, los campos
de agricultura
tienen ciclos o estaciones de cultivo únicos dependiendo de la
región geográfica.
Resolución Radiométrica: Define la sensibilidad de un detector
para diferenciar
en términos de fuerza o potencia de señal cómo se recolecta
el flujo de radiación
reflejado o emitido desde la superficie de la tierra o desde el
objeto de interés.
Cualquier mejora en la resolución generalmente incrementará la
precisión en el sen-
sado remoto del fenómeno electromagnético. Sin embargo, esta
mejora puede usual-
mente requerir capacidades adicionales de procesamiento de datos
ya sea por un
usuario o por análisis asistido por computadoras, aśı mismo,
la mejora en la resolu-
ción no necesariamente incrementará la precisión de
identificación de objetos sobre la
superficie de la tierra.
3.3. Preprocesamiento
Debido a que las imágenes obtenidas por los sensores a bordo de
satélites y
aviones contienen deformaciones y deficiencias como por ejemplo
sensores mal ca-
librados, malas condiciones de iluminación causadas por
condiciones meteorológicas
al momento del sensado remoto; es necesario un paso previo a
cualquier etapa de
Reconocimiento e Interpretación, este paso previo se llama
Preprocesamiento de
la imagen satelital y usa técnicas similares a las usadas en
imágenes que no han sido
adquiridas mediante técnicas de Percepción Remota [18, 8].
El Preprocesamiento de una imagen satelital puede estar dividido
en varias etapas.
Las etapas a utilizar sobre una imagen dependerán del problema
que se desea resolver
o la información que se desea obtener a partir de los datos
contenidos en la imagen.
Las etapas de preprocesamiento se describen a continuación [3,
1, 2].
Coordinación de Ciencias Computacionales Instituto Nacional de
Astrof́ısica, Óptica y Electrónica
-
3.3 Preprocesamiento 29
Correcciones en la Imagen
Los procesos de corrección de la imagen resuelven problemas de
distorsión,
degradación y ruido introducido durante la adquisición de los
datos que forman la
imagen. Para que una imagen pueda capturar lo más real posible
las caracteŕısticas
de enerǵıa radiada de la escena original se efectúan
correcciones Radiométricas y Geo-
métricas. Para poder corregir los datos sensados remotamente se
deben determinar
los errores internos y externos. Los Errores Internos son
creados por la propia con-
figuración f́ısica del sensor. Este tipo de error generalmente
es predecible y constante
y puede ser determinado durante la construcción del sensor o en
vuelo mediante ca-
libraciones. Los Errores Externos son ocasionados por
perturbaciones en la base
del sensor, aśı como por la variación de las caracteŕısticas
de la escena y condiciones
atmosféricas las cuales son variables por naturaleza. Los
errores radiométricos y geo-
métricos son los tipos más comunes de errores encontrados en
las imágenes tomadas
mediante técnicas de Percepción Remota [19, 1, 2, 3]:
Correcciones Geométricas: Las distorsiones espaciales o
geométricas de la ima-
gen tienen diferentes fuentes que incluyen la curvatura y
rotación de la tierra,
el amplio campo de visión, la inestabilidad de la plataforma
del sensor (prin-
cipalmente en sensores a bordo de aviones) y los efectos
panorámicos de los
instrumentos de escaneo. Los datos de radar son afectados por la
relación de
la pendiente del terreno y el angulo de visión del sensor. La
teoŕıa detrás de
las correcciones geométricas es relativamente sencilla; sin
embargo, su imple-
mentación puede no serlo. Los métodos de interpolación
polinomial pueden ser
satisfactorios para imágenes de una sola banda y también han
sido usados en
imágenes multiespectrales con buenos resultados. Para datos
Hiperespectrales se
prefiere un simple remuestreo con un esquema de vecinos más
cercanos debido
a que esta técnica no provoca distorsión en las
caracteŕısticas espectrales las
cuales serán usadas para comparación espectral y una detallada
identificación
de objetos en la escena. Se han desarrollado Modelos de
Corrección Geométrica
para instrumentos de alta resolución espacial e instrumentos
bordo de aviones.
[20, 21, 22, 23].
Correcciones Radiométricas: Las distorsiones radiométricas se
generan por la
atmósfera entre la superficie de la tierra y el sensor. La
dispersión de la atmósfera
causa ĺıneas obscuras en la imagen y es dependiente de la
humedad, presión
Extracción de Mapas Temáticos a partir de la Clasificación en
Imagenes Satelitales
-
30 3. Análisis de Imágenes Satelitales
atmosférica, temperatura y visibilidad. Para la calibración
radiométrica de ins-
trumentos multiespectrales se utilizan métodos de calibración
pre-vuelo y du-
rante el vuelo, aśı como postprocesamiento. Estos métodos
permiten corregir las
diferencias entre sensores, los cuales causan rayas y otros
efectos sistemáticos
en las imágenes resultantes. Este tipo de correcciones, en
general, se encuentran
implementadas a bordo de los satélites.
Actualmente, dependiendo del proveedor de imágenes satelitales
(SPOT, Quick-
Bird, Ikonos, Lansat o Radarsat) la imagen adquirida se pueden
solicitar con diferentes
tipos de correcciones radiométricas y geométricas.
3.3.1. Segmentación
Generalmente, el primer paso del análisis de imágenes es la
segmentación de la ima-
gen. La segmentación subdivide una imagen en sus partes
constituyentes
u objetos [8]. A los objetos obtenidos de los procesos de
segmentación se les lla-
ma Regiones. Dependiendo del problema a resolver, es el nivel de
subdivision de la
imagen.
Sea I una imagen completa, podemos ver a la segmentación como
un proceso quedivide a I en N subregiones I1, I2, . . . , IN .
Cumpliéndose [24]:
1. La segmentación debe ser completa, es decir la unión de las
subregiones debe
generar la imagen original.
2. Todos los ṕıxeles en una región deben estar conectados.
3. Las regiones deben ser disjuntas.
4. Las propiedades de los ṕıxeles de una región deben ser
similares.
5. Las regiones de una imagen son distintas.
Basándonos en la propiedad 4, los ṕıxeles de una región
presentan propiedades
similares (distribución de intensidad), podemos entonces a
partir del histograma de
niveles de gris, identificar cúal es la zona del mismo que
corresponde a una determi-
nada región. Esto es aplicable también a imágenes en color de
forma que a partir de
su histograma se pueden identificar regiones de interés. De la
misma manera podemos
delimitar una región mediante un borde cerrado.
Podemos definir tres tipos principales de segmentación que
dependen del grado
de interacción del usuario en el proceso, estos se pueden
clasificar en:
Coordinación de Ciencias Computacionales Instituto Nacional de
Astrof́ısica, Óptica y Electrónica
-
3.3 Preprocesamiento 31
Manual: El usuario es quien realiza la segmentación ayudado por
alguna de las
herramientas de cómputo existentes.
Automática: Un sistema de cómputo mediante algoritmos
previamente establecidos
realiza todo el proceso de forma automática.
Semi-automática o interactiva: Un sistema de cómputo realiza
el proceso, pero
el usuario interviene en determinados momentos sobre el mismo
para definir
parámetros o corregir resultados. Este es el método más
empleado.
Los algoritmos de segmentación más utilizados se basan en una
de las dos
propiedades básicas de los valores de nivel de gris [8, 24, 25,
18]:
Similaridad: Los principales métodos de esta categoŕıa están
basados en la um-
bralizacion, crecimiento de región y división con fusión de
regiones
(split and merge). A estos métodos también se les llama
basados en regiones
[26].
Discontinuidad: El método consiste en dividir una imagen
basándose en los cambios
bruscos de nivel de gris. Las principales áreas de interés de
esta categoŕıa son
la detección de puntos aislados, la detección de ĺıneas y la
detección
de bordes de una imagen. A estos métodos también se les llama
basados en
bordes [26].
Debido a la complejidad de los datos en imágenes satelitales,
los métodos de seg-
mentación por ṕıxel antes mencionados no han dado buenos
resultados. Por lo tanto,
se ha tenido que recurrir a técnicas de segmentación basadas
en regiones que utilicen
tanto las caracteŕısticas espectrales como las espaciales de
los grupos de ṕıxeles con
sus vecinos [26, 27, 28, 29].
3.3.2. Extracción de Caracteŕısticas
El siguiente paso en el preprocesamiento de la imagen satelital
es la extracción
de caracteŕısticas de cada una de las regiones encontradas. Un
patrón es un conjunto
de valores de grises medidos en un número de bandas
espectrales. Las caracteŕısticas
definen a un patrón a partir de las bandas espectrales (4 en
imágenes SPOT) o de
otras propiedades derivadas de los ṕıxeles (textura, contexto).
En imágenes satelitales
se distinguen 2 tipos generales de caracteŕısticas:
Extracción de Mapas Temáticos a partir de la Clasificación en
Imagenes Satelitales
