Upload
vuongdiep
View
213
Download
0
Embed Size (px)
Citation preview
Captura de Datos por Percepcioacuten Remota
UdelaR FING IA Departamento de Geomaacutetica Prof Adj Gdo 3 Ing Agrim Edison Rosas Prof Asist Grdo 2 Geoacutegrafo Eduardo Vasquez
CU
RSO
de GR
ADO
ndash TCI24
Program
a acadeacutemico 2018
45 - Interpretacioacuten de Imaacutegenes Tratamiento digital Uso cartograacutefico de las imaacutegenes Distorciones de una imagen Fuentes de distorsioacuten Correcciones Los valores de asignacioacuten a los pixeles Histogramas 46 - Interpretacioacuten de Imaacutegenes Tratamiento digital Optimizacioacuten de las imaacutegenes Realces y mejoras visuales Contraste en una imagen Composiciones color El color verdadero el falso color el pseudo color 47 - Interpretacioacuten de Imaacutegenes Tratamiento Digital Filtros espaciales Concepto de kernel Filtros paso bajo y paso alto Filtros direccionales Anomaliacuteas y correccioacuten atmosfeacuterica Correcciones radiomeacutetricas Anomaliacuteas radiomeacutetricas Fallos en el sensorCorreccioacuten atmosfeacuterica concepto Meacutetodo valores miacutenimos Regresioacuten entre bandas Dispersioacuten por aerosolesCalibracioacuten Caso misioacuten Landsat 48 - Interpretacioacuten de Imaacutegenes Tratamiento Digital Correcciones geomeacutetricas Georreferenciacioacuten Uso de puntos de control Fuentes de error Procesamiento geomeacutetrico Correccioacuten Transformacioacuten geomeacutetrica Calidad y ajuste Generacioacuten de la nueva imagen Transferencia de ND
MOacuteDULO IV Interpretacioacuten de las imaacutegenes
Tratamiento Digital
Distorsiones que aparecen en las imaacutegenes
Mejora y optimizacioacuten de las imaacutegenes
Tratamiento digital filtrado y correcciones
UdelaR FING IA - Departamento de Geomaacutetica ndash Programa acadeacutemico 2018 ndash Curso de Grado ndash TCI24 Captura de Datos por Percepcioacuten Remota 1er Semestre 2018
MOacuteDULO IV
45 ndash Interpretacioacuten de Imaacutegenes Tratamiento digital
46 Interpretacioacuten de Imaacutegenes
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento digital Uso cartograacutefico de las imaacutegenes Distorciones de una imagen Fuentes de distorsioacuten Correcciones Los valores de asignacioacuten a los pixeles Histogramas
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ORGANIZACIOacuteN DE UNA IMAGEN
EXPLOTANDO LAS IMAacuteGENES
httpgeograuahesrtm uso cartograacutefico de
las imaacutegenes
LAS IMAacuteGENES DE SENSORES ESPACIALES
NO SON CARTOGRAFIacuteA
NATURALEZA DE LA PROYECCIOacuteN
DISTORSIONES SISTEMEacuteTICAS
DISTORSIONES ALEATORIAS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
DISTORSIONES POSIBLES DE UNA IMAGEN
httpgeograuahesrtm radiomeacutetricas geomeacutetricas
IMAGEN ADQUIRIDA (no olvidemos que la tratamos en su formato numeacuterico matricial) PRESENTARAacute ANOMALIacuteAS CON RESPECTO A LO QUE ES LA IMAGEN REAL
SITUACIOacuteN O UBICACIOacuteN DE SUS PUNTOS VALORES DE LOS NIVELES DIGITALES
Algunas de eacutestas correcciones seraacuten tareas de las estaciones de recepcioacuten (las que ofrecen distintos niveles de correccioacuten)
Pero helliphelliphelliphellip para un estudio detallado de una imagen (como pueden ser estudios
multitemporales o fusioacuten con otros datos de otras fuentes cartograacuteficas) van a requerir de correcciones
EXPLOTANDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FUENTES DE DISTORSIOacuteN
correcciones
EXPLOTANDO LAS IMAacuteGENES
LA PLATAFORMA QUE PORTA AL SATELITE OSCILA
SU MOVIMIENTO ORBITAL ES CASI UNIFORME SIN ACELERACIONES EN DIRECCIONES
LOS SATELITES SUFREN PEQUENtildeAS VARIACIONES
ALTURA ORBITAL
VELOCIDAD ORIENTACIOacuteN (aleteo cabeceo ladeo)
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FUENTES DE DISTORSIOacuteN
correcciones
EXPLOTANDO LAS IMAacuteGENES
OSCILACIOacuteN DE LA PLATAFORMA
ROTACIOacuteN TERRESTRE
TIEMPO DE BARRIDO
DISTORSIOacuteN PANORAacuteMICA
CURVATURA DE LA TIERRA
DISTORSIONES RADIOMEacuteTRICAS PEacuteRDIDA DE LIacuteNEAS O CELDAS BANDEADO EFECTO ATMOSFEacuteRICO
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIONES
operadores
EXPLOTANDO LAS IMAacuteGENES
OPERADOR la funcioacuten matemaacutetica que se aplica sobre la imagen
w = f (xyz) T wrsquo = f lsquo (xlsquoyrsquozrsquo) lo desglosamos en componentes
en x e y seraacuten las transformaciones geomeacutetricas y en z la transformaciones radiomeacutetricas
TIPOS DE OPERADORES puntuales cada elemento de la img final es funcioacuten de un solo elemento de la img inicial
locales luminancia de un elemento de la img final es funcioacuten de las luminancias de un entorno de cada elemento de la img inicial globales toda la img final es funcioacuten de toda la img inicial TRANSFORMACIONES Radiomeacutetricas modifican la amplitud de la sentildeal manteniendo invariable las coordenadas de cada celda
Geomeacutetricas modifican la geometriacutea de la imagen dejando constante los valores de su radiometriacutea
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ANAacuteLISIS DIGITAL DE LAS IMAacuteGENES
httpgeograuahesrtm
los valores de asignacioacuten a los
pixeles
Los sensores utilizados en teledeteccioacuten estaacuten calibrados para recibir valores muy altos de radiacioacuten sin llegar a saturarse por lo que lo normal es que todos los valores recibidos esteacuten muy
por debajo de los maacuteximos posibles
La consecuencia es que los valores de ND obtenidos son muy bajos y las imaacutegenes se van a ver oscuras muy poco
contrastadas Una forma de solventar este problema es ajustar el contraste mediante diversas teacutecnicas
EXPLOTANDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
LA MATRIZ DE DATOS
valores de celdas perdidas
A veces se requiere de poder restaurar valores dado que la matriz de datos contiene celdas perdidas y aparecen ND con valores nulos
en el dominio espacial
Una forma de corregir asignar un valor a la celda o liacutenea perdida tomar para cada pixel el ND del vecino
de la liacutenea anterior de la liacutenea siguiente
promedio en el dominio de la frecuencia
Otra manera seguacuten el valor de la celda en otra banda correlacionada
se calculan los histogramas parciales de las celdas en estudio para cada detector se obtiene la media y desviacioacuten estaacutendar de los ND correspondientes a cada detector
Se aplica NDacuteij = ak ND ij + bk
EXPLOTANDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
RESTAURACIOacuteN DE CELDAS PERDIDAS
estudio de histogramas
httpcoelloujaenesAsignaturasteledeteccion
EXPLOTANDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ESTADIacuteSTICAS E HISTOGRAMA DE UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm que es un
histograma
IMAGEN DIGITAL SIMPLE DE 8 x 8 PIXELES EN NIVELES DE GRIS CON UNA PROFUNDIDAD DE 2 BITS
CUATRO VALORES POSIBLES DE BRILLO PASADOS A TONOS DE GRIS NEGRO GRIS OSCURO GRIS CLARO Y BLANCO
ND BRILLO
0 Negro
1 Gris oscuro
2 Gris claro
3 Blanco
veremos entonces que es un HISTOGRAMA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA
ENTENDIENDO LAS IMAacuteGENES
conceptualidades
REPRESENTACIOacuteN GRAacuteFICA DE LOS NIVELES DE GRISES EN FUNCIOacuteN DE LA REPETICIOacuteN DE VECES EN QUE APARECE CADA UNO DE LOS NIVELES DE GRIS
deducciones
11
15
38
0
adaptado de El histograma de una Imagen Digital Universidad
Politeacutecnica de Valencia
La mayor parte de los piacutexeles son blancos por lo que probablemente la imagen tenga un fondo blanco uniforme
Hay un nuacutemero significativo de pixeles negros y pixeles blancos lo que hace que la imagen presente un aspecto bien contrastado
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA IDEAL
ENTENDIENDO LAS IMAacuteGENES
elementos a considerar
Como regla general se considera que una imagen tiene un buen contraste si su histograma se extiende ocupando casi todo el rango
de tonos
adaptado de El histograma de una Imagen Digital Universidad Politeacutecnica de Valencia
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA IDEAL
ENTENDIENDO LAS IMAacuteGENES
elementos a considerar
Por ejemplo en una imagen nocturna el histograma estaacute fuertemente desplazado al lado izquierdo (zona de tonos oscuros) y
evidencia que no hay apenas ninguna zona de la imagen muy brillante
adaptado de El histograma de una Imagen Digital Universidad Politeacutecnica de Valencia
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA IDEAL
ENTENDIENDO LAS IMAacuteGENES
elementos a considerar
En este caso el histograma es marcadamente maacutes alto en la zona de grises claros y blancos y apareceraacute corrido a la derecha hacia el
lado de los valores altos de iluminacioacuten
adaptado de El histograma de una Imagen Digital Universidad Politeacutecnica de Valencia
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA IDEAL
ENTENDIENDO LAS IMAacuteGENES
elementos a considerar
Se entiende por contraste la diferencia de brillo entre las zonas maacutes claras y maacutes oscuras en una imagen En este paisaje con niebla es
un ejemplo de bajo contraste Se traduce en un histograma estrecho Ademaacutes como la toacutenica dominante son los grises medios
se observa que estaacute bastante centrado
adaptado de El histograma de una Imagen Digital Universidad Politeacutecnica de Valencia
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
conjunto de datos
Frente a escenas con una iluminacioacuten maacutes normal y con una gran cantidad de elementos detectados los histogramas deberiacutean ser como en el primer caso que
hemos visto
Si no sucede
Histograma desplazado a la izquierda puede denotar falta de exposicioacuten
Histograma desplazado a la derecha puede ser un exceso de exposicioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
46 Interpretacioacuten de Imaacutegenes
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento digital Optimizacioacuten de las imaacutegenes Realces y mejoras visuales Contraste en una imagen Composiciones color El color verdadero el falso color el pseudo color
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
OPTIMIZACIOacuteN DE LAS IMAacuteGENES
ENTENDIENDO LAS IMAacuteGENES
mejorar visualmente las imaacutegenes
MANIPULAR DE FORMA FLEXIBLE Y SOFISTICADA EL ND DE LOS PIXELES
LUEGO DE CORRECCIONES LAS IMAacuteGENES HAY QUE OPTIMIZARLAS DESDE EL PUNTO DE VISTA VISUAL
diferentes tipos
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
REALCES Y MEJORAS VISUALES
ENTENDIENDO LAS IMAacuteGENES
httpamericalatina-nacblogspotcomuy2009_10_01_archivehtml
optimizacioacuten de las imaacutegenes
proceso destinado a facilitar la interpretacioacuten visual
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
ecualizacioacuten del histograma
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
gaussiano
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
lineal 2
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
lineal
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
raiacutez cuadrada
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
lineal 0 - 255
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PORQUEacute EL REALCE
ENTENDIENDO LAS IMAacuteGENES
LOS SENSORES SON CALIBRADOS PARA ABARCAR TODO EL RANGO POSIBLE DE RADIANCIAS
PARA CADA USO EN CONCRETO ES NECESIDAD IMPERIOSA
EXPANDIR EL HISTOGRAMA Y ASIacute CUBRIR EL RANGO COMPLETO DE NIVELES DE GRIS
histograma UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CONTRASTE EN UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
expansioacuten del contraste
los datos uacutetiles solo ocupan pequentildea parte de los niveles de gris disponibles
expandir o estirar el histograma es cambiar los valores originales de ND para utilizar mayor rango
asiacute incrementar el contraste visual de diferentes objetos
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
ejemplos visuales
sin realce lineal
frecuencial gamma
MEacuteTODOS DE EXPANSIOacuteN DEL CONTRASTE
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
lineal
expansioacuten lineal
lo maacutes simple transformacioacuten en liacutenea llevando el valor miacutenimo a 0 y maacuteximo a 255 o se usa un rango por encima y por debajo de miacutenimo y maacuteximo
EXPANSIOacuteN I
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
lineal
EXPANSIOacuteN I expansioacuten
logariacutetmico exponencial
gamma
curvas de transferencia en lugar de rectas gamma es la curvatura de dicha curva se expanden maacutes el contraste de los extremos o del centro
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
frecuencial
EXPANSIOacuteN II
frecuencial ecualizacioacuten del
histograma
cuando los valores de ND no estaacuten distribuidos uniformemente intentar en la medida de lo posible que los valores de salida de los ND tengan el mismo de pixeles con dicho valor
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CONTRASTE EN UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
compresioacuten del contraste
Ya sabemos que el contraste mide el rango dinaacutemico de los colores en la imagen es decir una imagen muy contrastada tiene un amplio abanico de colores (o tonos de gris) desde valores muy bajos a valores muy altos Para una imagen con poco contraste los colores estaacuten muy juntos el margen dinaacutemico es pequentildeo La variacioacuten en el contraste aparece como una compresioacuten del histograma en caso de una reduccioacuten a la inversa de lo visto en el caso de una expansioacuten
Compresioacuten si el rango excede de las capacidades del sistema
Se ha de comparar el nuacutemero de niveles digitales (ND) de la imagen con los niveles de visualizacioacuten (NV) o grises del sistema Es de menos aplicacioacuten Al igual que el brillo variando el contraste se puede provocar una peacuterdida de informacioacuten de la imagen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
MAYOR APLICABILIDAD DEL REALCE
ENTENDIENDO LAS IMAacuteGENES
realce oacuteptimo
realce frecuencial
realce lineal
laquo r e a l c e oacute p t i m o raquo optimiza interpretacioacuten de la imagen
mejor esteacutetica de la imagen NO COINCIDE CON NINGUacuteN CORTE PREDETERMINADO
Y SE LOGRA INTERACTIVAMENTE EN PANTALLA Y PARA CADA BANDA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
COMPOSICIONES COLOR
ENTENDIENDO LAS IMAacuteGENES
formatos de composiciones
CON LA CRECIENTE APARICIOacuteN DE LOS SENSORES HIPERESPECTRALES LAS POSIBILIDADES DE COMPOSICIONES
COLOREADAS DE BANDAS SON CASI ILIMITADAS
LA ELECCIOacuteN DE LAS BANDAS PARA REALIZAR LA COMPOSICIOacuteN Y EL ORDEN DE LAS BANDAS ASIGANADAS A LOS COLORES
PRIMARIOS DEPENDERAacute DE
Sensor Aplicacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EL SEUDO - COLOR
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm formatos de
composiciones
Ya hemos afirmado de que el ojo humano es maacutes capaz de distinguir tonos de color que intensidades de brillo
Por ello el empleo del color ayuda a la interpretacioacuten incluso cuando podamos tener una sola imagen de una banda
Es aquiacute que hablamos del SEUDO COLOR por no contar con tres bandas
El seudo color implica la creacioacuten de una CLUT que asocie el ND de una sola banda a distintos componentes del R V y A APLICACIONES 1 Para tener una leyenda de colores para una img clasificada 2 Para realzar el anaacutelisis de una determinada banda y sustituir los tonos de gris por una paleta de colores
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CLUT COLOUR LOOK-UP TABLE TABLA DE CONSULTA DE COLOR
ENTENDIENDO LAS IMAacuteGENES
httpsenwikipediaorgwikiColour_look-up_table
creacioacuten del seudo color
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Filtros espaciales Concepto de kernel Filtros paso bajo y paso alto Filtros direccionales Anomaliacuteas y correccioacuten atmosfeacuterica Correcciones radiomeacutetricas Anomaliacuteas radiomeacutetricas Fallos en el sensorCorreccioacuten atmosfeacuterica concepto Meacutetodo valores miacutenimos Regresioacuten entre bandas Dispersioacuten por aerosolesCalibracioacuten Caso misioacuten Landsat
47 Interpretacioacuten de Imaacutegenes
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de que es un filtro
espacial
FUNCIONES PARA MEJORAR ASPECTO DE LAS IMAacuteGENES
REALZAN O DISMINUYEN ELEMENTOS VISUALES DE LA IMG
BASADOS EN LA FRECUENCIA ESPACIAL
FRECUENCIAS ESPACIALES ALTAS Variaciones que se producen en pocos piacutexeles TENDENCIA GENERAL FRECUENCIAS ESPACIALES BAJAS
Variaciones que se producen en muchos piacutexeles CONTRASTES LOCALES
FILTROS Figura - CCRS CCT
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de kernel
FILTRADO ESPACIAL Figura - CCRS CCT FILTRADO EN EL DOMINIO
ESPACIAL Lo mas comuacuten es la aplicacioacuten de una ventana deslizante con valores que son coeficientes fijos de una matriz La MATRIZ se suele llamar KERNEL o nuacutecleo del filtro
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DIGITAL
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
3 x 3 5 x 5 7 x 7
1 1 1
1 2 1
1 1 1 matrices
LOS VALORES DEL KERNEL SE MULTIPLICAN POR EL PIacuteXEL QUE TIENEN DEBAJO Y LUEGO SE SUMAN TODOS LOS PRODUCTOS
Y PARA OBTENER EL VALOR DEL PIacuteXEL CENTRAL EN LA IMAGEN TRANSFORMADA SE LO DIVIDE POR LA SUMA DE LOS PONDERADOS O PESOS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO - PASO BAJO PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
26
FILTROS DE PASO BAJO SE FAVORECEN A LOS PIXELES
PERIFEacuteRICOS SE MINIMIZAN LAS DIFERENCIAS CON LOS VECINOS ES UNA ESPECIE DE SUAVIZADO
FILTRO DE PASO ALTO PONDERACIOacuteN DEL VALOR CENTRAL EN DETRIMENTO DE LOS CIRCUNDANTES
SE EXAGERAN DIFERENCIAS Y SE RESALTAN VARIACIONES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO BAJO
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm
simulacioacuten
IMAGEN ORIGINAL
FILTRO PASO BAJO 3x3 SE TRATA DE ASEMEJAR LOS VALORES DE ND DE UN PIXEL A LOS VALORES VECINOS EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA OFRECE PERFILES MENOS NIacuteTIDOS
FILTRO PASO BAJO 7x7 SIRVE PARA REDUCIR VARIABILIDAD ESPACIAL DE ALGUNA CATEGORIacuteA ANTES DE UN PROCESO DE CLASIFICACIOacuteN
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
IMAGEN ORIGINAL
FILTRO PASO ALTO 3x3 SE TRATA DE AISLAR LOS COMPONENTES DE ALTA FRECUENCIA Y REMARCAR DIGITALMENTE CONTRASTES EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA REFUERZA LOS CONTORNOS EN AacuteREAS HOMOGEacuteNEAS
FILTRO PASO ALTO 7x7 SIRVE PARA LOGRAR REALCES DE RASGOS LINEALES COMO PUEDEN SER EN AacuteREAS URBANAS O RASGOS GEOLOacuteGICOS
simulacioacuten
httpgeograuahesrtm
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
Figura - Landsat USGS
IMAGEN ORIGINAL
FILTRO DIRECCIONAL PERMITEN IDENTIFICAR LOS RASGOS FRONTERIZOS EN LAS IMAacuteGENES COMO LOS FILTROS ANTERIORES PERO AHORA CONSIDERANDO LA ORIENTACIOacuteN
se tiene en cuenta la
orientacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
matrices con direccioacuten
NORTE
1 1 1
1 -2 1
-1 -1 -1
SUR
-1 -1 -1
1 -2 1
1 1 1
ESTE
-1 1 1
-1 -2 1
-1 1 1
OESTE
1 1 -1
1 -2 -1
1 1 -1
SURESTE
-1 -1 1
-1 -2 1
1 1 1
NOROESTE
1 1 1
1 -2 -1
1 -1 -1
SUROESTE
1 -1 -1
1 -2 -1
1 1 1
NORESTE
1 1 1
-1 -2 1
-1 -1 1
OBSERVACIOacuteN
LOS NOMBRES OBEDECEN A LA DIRECCIOacuteN DEL CONTRASTE QUE SENtildeALAN
LA DIRECCIOacuteN QUE REALZAN ES JUSTAMENTE LA PERPENDICULAR
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
48 Interpretacioacuten de Imaacutegenes
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Correcciones geomeacutetricas Georreferenciacioacuten Uso de puntos de control Fuentes de error Procesamiento geomeacutetrico Correccioacuten Transformacioacuten geomeacutetrica Calidad y ajuste Generacioacuten de la nueva imagen Transferencia de ND
INSTITUTO DE AGRIMENSURA - DEPARTAMENTO DE GEOMAacuteTICA PROF ADJUNTO GRADO 3 EDISON J ROSAS BERTON
El tratamiento de una imagen de sateacutelite Georreferenciacioacuten
(paso de un sistema de filas y columnas a un sistema de coordenadas estandard)
Para ello debe obtenerse una muestra de puntos de control de los que conozcamos tanto sus coordenadas reales como sus coordenadas en
la imagen deben ser por tanto objetos de un tamantildeo adecuado para resultar identificables tanto en la imagen como sobre el terreno el tamantildeo
dependeraacute loacutegicamente de la resolucioacuten de la imagen A partir de estos puntos de control se obtendraacuten por regresioacuten unas ecuaciones que permitiraacuten a cada par filacolumna un par de coordenadas
XY
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
GEORREFERENCIACIOacuteN
ENTENDIENDO LAS IMAacuteGENES
georreferenciacioacuten porqueacute
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PUNTOS DE CONTROL
ENTENDIENDO LAS IMAacuteGENES
uso de puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
DISTORSIONES POR LA PLATAFORMA ALTITUD DE LA OacuteRBITA ndash Cambio de escala
VELOCIDAD ndash Cambios de escala ORIENTACIOacuteN DE LOS TRES EJES ndash Distorsiones en la geometriacutea
NO SISTEMAacuteTICOS Y COMPLEJOS DE MODELAR
DISTORSIONES POR ROTACIOacuteN TERRESTRE
CONSIDERANDO ALTITUD (800 Km) y TAMANtildeO DE LA IMAGEN (180 Km)ndashEn latitudes medias tarda en adquirir unos 30 segundos la Tierra se desplaza unos 8 Km
ORIENTACIOacuteN NE SW
DISTORSIONES POR EL SENSOR ANOMALIacuteAS SENSOR y MOVIMIENTO ESPEJO ndash Barrido no lineal o cambio en intervalos
AacuteNGULO DE BARRIDO ndash Variacioacuten en el tamantildeo de pixel
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ERROR EN UNA IMAGEN ESPACIAL
ENTENDIENDO LAS IMAacuteGENES
fuentes de error
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Una correccioacuten geomeacutetrica incluye CUALQUIER CAMBIO EN LA POSICIOacuteN DE LOS PIXELES que
conforman la imagen f (c`) = f1 (c l) f (x y) f (l`) = f2 (c l) f (x y)
COORDENADAS DE IMAGEN CORREGIDA SON FUNCIOacuteN DE COORDENADAS COLUMNA Y LIacuteNEA DE LA
IMAGEN DE ENTRADA O DE LAS COORDENADAS DE MAPA AL QUE SUPERPONDREMOS LA IMAGEN
1 CON OBJETIVO DE REALIZAR UNA TRANSFORMACIOacuteN GEOMEacuteTRICA QUE PERMITA AJUSTARLA A OTRA IMAGEN REFERENCIA NORMALMENTE PARA REALIZAR ESTUDIOS MULTITEMPORALES O MOSAICOS CON EL FIN DE AMPLIAR LOS DATOS E INFORMACIOacuteN DE UNA ZONA
2 ESTO PERMITIRAacute QUE LA NUEVA IMAGEN LA PUEDA INTEGRAR CON INFORMACIOacuteN DE OTRAS FUENTES POR EJEMPLO EN UN AMBIENTE SIG
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
correccioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
asumimos que
NO SE CONOCE EL ORIGEN DE LOS ERRORES
modelamos
ECUACIONES EMPIacuteRICAS
aplicadas a un conjunto de puntos
COORDENADAS CONOCIDAS IMAGEN INPUT e IMAGEN OUTPUT
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
1 ndash SELECCIOacuteN DE REFERENCIAS 2 ndash ECUACIONES DE AJUSTE
3 ndash GENERACIOacuteN DE LA IMAGEN CORREGIDA
ES OBVIO CALIDAD DEL AJUSTE DEPENDERAacute DE PRECISIOacuteN CON QUE SE
LOCALICEN LOS PUNTOS DE CONTROL INEXACTA LOCALIZACIOacuteN
DISTRIBUCIOacuteN MUY SECTORIZADA NUacuteMERO DE PUNTOS DE CONTROL INADECUADO
ESTABLECER LOS PUNTOS DE CONTROL FASE MAS CRUCIAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
procesamiento de la correccioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Resaltamos la importancia de
NUacuteMERO LOCALIZACIOacuteN DISTRIBUCIOacuteN
Que debemos atender Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
que considero UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash Croquis ilustrativos de apoyo
TERRENO O ZONAS PLANAS CON IMG OBTENIDAS POR UN SENSOR DE ESTRECHA VISIOacuteN DE CAMPO
TRANSFORMACIOacuteN
BASADO EN ECUACIONES LINEALES SIMPLES
TERRENO ESCARPADO O RUGOSO O UTILIZACIOacuteN DE IMG OBTENIDAS EN UN SENSOR CON VARIACIONES EN LAS CONDICIONES DE OBSERVACIOacuteN
TRANSFORMACIOacuteN MAacuteS COMPLEJA
POLINOMIOS DE SEGUNDO O TERCER ORDEN
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Desde un punto de vista matemaacutetico
GRADO 1 ndash 3 puntos GRADO 2 ndash 6 puntos GRADO 3 ndash 10 puntos
Seguacuten mis objetivos del trabajo no es conveniente utilizar esos miacutenimos
14 a 20 puntos (Landsat 5 MMS ndash seguacuten Bernstein R y D G Ferneyhough Jr 1978)
100 a 120 puntos (Landsat 7 TM ndash seguacuten el National Remote Sensing Center de Inglaterra)
10 o 12 puntos (Pequentildea zona de 512 x 512 pixeles ndash seguacuten Emilio Chuvieco 2010)
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
matemaacuteticamente UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
QUE DEBEMOS DE CONSIDERAR EN CUANTO A LA LOCALIZACIOacuteN
CLARAMENTE IDENTIFICABLES EN IMAGEN Y MAPA RASGOS HUMANOS DEL PAISAJE NO SUJETOS A DINAMISMO TEMPORAL
CRUCE DE CARRETERAS
CAMINOS VIacuteA FEacuteRREAS
NO CONSIDERAR ELEMENTOS ASOCIADOS AL AGUA
COSTA CURSOS DE AGUA
EMBALSES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
localizacioacuten TCP UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la correccioacuten digital de la geometriacutea de una imagen se realiza a partir de establecer unas funciones que relacionen las coordenadas de la imagen
y las coordenadas del mapa
EJ CASO MAS SIMPLE REGRESIOacuteN LINEAL MUacuteLTIPLE
ci = a0 + a1 Xi + a2 Yi li = b0 + b1 Xi + b2 Yi
EN LA PRAacuteCTICA BASTA UNA FUNCIOacuteN LINEAL PARA ABORDAR UN GRAN NUacuteMERO DE
TRANSFORMACIONES Y SON SUFICIENTES SI LAS IMAacuteGENES NO SON MUY GRANDES ANTE LA NECESIDAD DE OTRAS TRANSFORMACIONES SE UTILIZAN DE 2ordm y 3ordm ORDEN CONSIDERANDO ALTERACIONES GEOMEacuteTRICAS NO LINEALES (FUNCIONES QUE NO SE DEFINEN EN UN PLANO
CON EJES LINEALES SINO QUE SUPERFICIES CON EJES CURVILIacuteNEOS)
LOS COEFICIENTES DE LAS FUNCIONES DE TRANSFORMACIOacuteN SE CALCULAN A PARTIR DE UN AJUSTE POR MIacuteNIMOS CUADRADOS
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
funciones de transformacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash ejemplos de funciones de transformacioacuten geomeacutetrica con el efecto causado
TRASLACIOacuteN
CAMBIO DE ESCALA
INCLINACIOacuteN
PERSPECTIVA
ROTACIOacuteN
x = a0 + xacute y = b0 + yacute
x = xacute + a2 yacute y = yacute
x = a1 xacute y = b1 yacute
x = a3xacute yacute y = yacute
x = a4xacute + a5yacute y = b4xacute + b5yacute a4 = b5 = cos Ɵ a5 = -b4 = sen Ɵ
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
transformacioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
comparacioacuten coordenadas reales y las estimadas por la regresioacuten
el promedio de los residuales se conoce como error medio cuadraacutetico
la calidad del ajuste lo da el RMSE (root mean squared error)
(error medio cuadraacutetico)
RMSE es la raiacutez cuadrada de las desviaciones entre los valores reales y los
calculados
RMSE para cada punto es la raiacutez de los residuales al cuadrado que es la distancia entre ellos
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
RMSE UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la praacutectica hace que fijemos una TOLERANCIA y es que si ese promedio supera un valor fijado previamente haya que rever
el valor fijado previamente generalmente es igual o menor a un PIXEL
una correcta verificacioacuten
NECESITA introducir PUNTOS de VERIFICACIOacuteN
que no hayan sido introducidos en el ajuste
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
tolerancias fijadas
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
traducimos coordenadas de un mapa a la imagen tambieacuten necesitamos a la nueva imagen
TRANSFERIR LOS VALORES DIGITALES no olvidar que lo que queremos es generar una nueva imagen que se
corresponda con las coordenadas y las funciones de ajuste
NO ORIGINAN NUEVA IMAGEN solo colocan a los pixeles en la posicioacuten correcta
en criollo las funciones de transformacioacuten generan una nueva matriz bien posicionada pero vaciacutea
DEBEMOS LLENAR LA MATRIZ problema maacutes complejo de lo que puede
pensarse Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
generacioacuten de la nueva imaacutegen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
cada pixel de la imagen corregida se corresponderiacutea con un pixel de la imagen original
LEJOS DE ESE IDEAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo I
vecino maacutes proacuteximo ( nearest neighbour )
a cada celda de la imagen corregida se asigna el ND del pixel maacutes cercano de la
imagen original
SOLUCIOacuteN RAacutePIDA MENOR DISTORSIOacuteN DE LOS ND
INTRODUCE RASGOS LINEALES QUE DISTORSIONAN
CORRECCIOacuteN DE IMAacuteGENES CLASIFICADAS
CONSERVAR LA RADIOMETRIacuteA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo II
interpolacioacuten bilineal ( bilinear interpolation )
supone promediar los ND de los cuatro pixeles mas cercanos
con ponderacioacuten seguacuten la distancia pixeles originalcorregido
REDUCE EL EFECTO DE DISTORSIOacuteN EN RASGOS LINEALES
TIENDE A DIFUMINAR LOS CONTRASTES ESPACIALES
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE IMAacuteGENES RECTIFICADAS MAPAS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo III
convolusioacuten cuacutebica ( cubic convolution )
supone considerar los ND de los 16 pixeles mas proacuteximos
media ponderada seguacuten la distancia pixeles originalcorregido
EFECTO VISUAL MAS CORRECTO
VOLUacuteMEN DE CAacuteLCULO MUY SUPERIOR TENDENCIA A AGUDIZAR BORDES DE LA IMAGEN
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE ORTOIMAacuteGENES IMPRESIONES DE CALIDAD
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
45 - Interpretacioacuten de Imaacutegenes Tratamiento digital Uso cartograacutefico de las imaacutegenes Distorciones de una imagen Fuentes de distorsioacuten Correcciones Los valores de asignacioacuten a los pixeles Histogramas 46 - Interpretacioacuten de Imaacutegenes Tratamiento digital Optimizacioacuten de las imaacutegenes Realces y mejoras visuales Contraste en una imagen Composiciones color El color verdadero el falso color el pseudo color 47 - Interpretacioacuten de Imaacutegenes Tratamiento Digital Filtros espaciales Concepto de kernel Filtros paso bajo y paso alto Filtros direccionales Anomaliacuteas y correccioacuten atmosfeacuterica Correcciones radiomeacutetricas Anomaliacuteas radiomeacutetricas Fallos en el sensorCorreccioacuten atmosfeacuterica concepto Meacutetodo valores miacutenimos Regresioacuten entre bandas Dispersioacuten por aerosolesCalibracioacuten Caso misioacuten Landsat 48 - Interpretacioacuten de Imaacutegenes Tratamiento Digital Correcciones geomeacutetricas Georreferenciacioacuten Uso de puntos de control Fuentes de error Procesamiento geomeacutetrico Correccioacuten Transformacioacuten geomeacutetrica Calidad y ajuste Generacioacuten de la nueva imagen Transferencia de ND
MOacuteDULO IV Interpretacioacuten de las imaacutegenes
Tratamiento Digital
Distorsiones que aparecen en las imaacutegenes
Mejora y optimizacioacuten de las imaacutegenes
Tratamiento digital filtrado y correcciones
UdelaR FING IA - Departamento de Geomaacutetica ndash Programa acadeacutemico 2018 ndash Curso de Grado ndash TCI24 Captura de Datos por Percepcioacuten Remota 1er Semestre 2018
MOacuteDULO IV
45 ndash Interpretacioacuten de Imaacutegenes Tratamiento digital
46 Interpretacioacuten de Imaacutegenes
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento digital Uso cartograacutefico de las imaacutegenes Distorciones de una imagen Fuentes de distorsioacuten Correcciones Los valores de asignacioacuten a los pixeles Histogramas
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ORGANIZACIOacuteN DE UNA IMAGEN
EXPLOTANDO LAS IMAacuteGENES
httpgeograuahesrtm uso cartograacutefico de
las imaacutegenes
LAS IMAacuteGENES DE SENSORES ESPACIALES
NO SON CARTOGRAFIacuteA
NATURALEZA DE LA PROYECCIOacuteN
DISTORSIONES SISTEMEacuteTICAS
DISTORSIONES ALEATORIAS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
DISTORSIONES POSIBLES DE UNA IMAGEN
httpgeograuahesrtm radiomeacutetricas geomeacutetricas
IMAGEN ADQUIRIDA (no olvidemos que la tratamos en su formato numeacuterico matricial) PRESENTARAacute ANOMALIacuteAS CON RESPECTO A LO QUE ES LA IMAGEN REAL
SITUACIOacuteN O UBICACIOacuteN DE SUS PUNTOS VALORES DE LOS NIVELES DIGITALES
Algunas de eacutestas correcciones seraacuten tareas de las estaciones de recepcioacuten (las que ofrecen distintos niveles de correccioacuten)
Pero helliphelliphelliphellip para un estudio detallado de una imagen (como pueden ser estudios
multitemporales o fusioacuten con otros datos de otras fuentes cartograacuteficas) van a requerir de correcciones
EXPLOTANDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FUENTES DE DISTORSIOacuteN
correcciones
EXPLOTANDO LAS IMAacuteGENES
LA PLATAFORMA QUE PORTA AL SATELITE OSCILA
SU MOVIMIENTO ORBITAL ES CASI UNIFORME SIN ACELERACIONES EN DIRECCIONES
LOS SATELITES SUFREN PEQUENtildeAS VARIACIONES
ALTURA ORBITAL
VELOCIDAD ORIENTACIOacuteN (aleteo cabeceo ladeo)
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FUENTES DE DISTORSIOacuteN
correcciones
EXPLOTANDO LAS IMAacuteGENES
OSCILACIOacuteN DE LA PLATAFORMA
ROTACIOacuteN TERRESTRE
TIEMPO DE BARRIDO
DISTORSIOacuteN PANORAacuteMICA
CURVATURA DE LA TIERRA
DISTORSIONES RADIOMEacuteTRICAS PEacuteRDIDA DE LIacuteNEAS O CELDAS BANDEADO EFECTO ATMOSFEacuteRICO
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIONES
operadores
EXPLOTANDO LAS IMAacuteGENES
OPERADOR la funcioacuten matemaacutetica que se aplica sobre la imagen
w = f (xyz) T wrsquo = f lsquo (xlsquoyrsquozrsquo) lo desglosamos en componentes
en x e y seraacuten las transformaciones geomeacutetricas y en z la transformaciones radiomeacutetricas
TIPOS DE OPERADORES puntuales cada elemento de la img final es funcioacuten de un solo elemento de la img inicial
locales luminancia de un elemento de la img final es funcioacuten de las luminancias de un entorno de cada elemento de la img inicial globales toda la img final es funcioacuten de toda la img inicial TRANSFORMACIONES Radiomeacutetricas modifican la amplitud de la sentildeal manteniendo invariable las coordenadas de cada celda
Geomeacutetricas modifican la geometriacutea de la imagen dejando constante los valores de su radiometriacutea
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ANAacuteLISIS DIGITAL DE LAS IMAacuteGENES
httpgeograuahesrtm
los valores de asignacioacuten a los
pixeles
Los sensores utilizados en teledeteccioacuten estaacuten calibrados para recibir valores muy altos de radiacioacuten sin llegar a saturarse por lo que lo normal es que todos los valores recibidos esteacuten muy
por debajo de los maacuteximos posibles
La consecuencia es que los valores de ND obtenidos son muy bajos y las imaacutegenes se van a ver oscuras muy poco
contrastadas Una forma de solventar este problema es ajustar el contraste mediante diversas teacutecnicas
EXPLOTANDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
LA MATRIZ DE DATOS
valores de celdas perdidas
A veces se requiere de poder restaurar valores dado que la matriz de datos contiene celdas perdidas y aparecen ND con valores nulos
en el dominio espacial
Una forma de corregir asignar un valor a la celda o liacutenea perdida tomar para cada pixel el ND del vecino
de la liacutenea anterior de la liacutenea siguiente
promedio en el dominio de la frecuencia
Otra manera seguacuten el valor de la celda en otra banda correlacionada
se calculan los histogramas parciales de las celdas en estudio para cada detector se obtiene la media y desviacioacuten estaacutendar de los ND correspondientes a cada detector
Se aplica NDacuteij = ak ND ij + bk
EXPLOTANDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
RESTAURACIOacuteN DE CELDAS PERDIDAS
estudio de histogramas
httpcoelloujaenesAsignaturasteledeteccion
EXPLOTANDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ESTADIacuteSTICAS E HISTOGRAMA DE UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm que es un
histograma
IMAGEN DIGITAL SIMPLE DE 8 x 8 PIXELES EN NIVELES DE GRIS CON UNA PROFUNDIDAD DE 2 BITS
CUATRO VALORES POSIBLES DE BRILLO PASADOS A TONOS DE GRIS NEGRO GRIS OSCURO GRIS CLARO Y BLANCO
ND BRILLO
0 Negro
1 Gris oscuro
2 Gris claro
3 Blanco
veremos entonces que es un HISTOGRAMA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA
ENTENDIENDO LAS IMAacuteGENES
conceptualidades
REPRESENTACIOacuteN GRAacuteFICA DE LOS NIVELES DE GRISES EN FUNCIOacuteN DE LA REPETICIOacuteN DE VECES EN QUE APARECE CADA UNO DE LOS NIVELES DE GRIS
deducciones
11
15
38
0
adaptado de El histograma de una Imagen Digital Universidad
Politeacutecnica de Valencia
La mayor parte de los piacutexeles son blancos por lo que probablemente la imagen tenga un fondo blanco uniforme
Hay un nuacutemero significativo de pixeles negros y pixeles blancos lo que hace que la imagen presente un aspecto bien contrastado
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA IDEAL
ENTENDIENDO LAS IMAacuteGENES
elementos a considerar
Como regla general se considera que una imagen tiene un buen contraste si su histograma se extiende ocupando casi todo el rango
de tonos
adaptado de El histograma de una Imagen Digital Universidad Politeacutecnica de Valencia
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA IDEAL
ENTENDIENDO LAS IMAacuteGENES
elementos a considerar
Por ejemplo en una imagen nocturna el histograma estaacute fuertemente desplazado al lado izquierdo (zona de tonos oscuros) y
evidencia que no hay apenas ninguna zona de la imagen muy brillante
adaptado de El histograma de una Imagen Digital Universidad Politeacutecnica de Valencia
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA IDEAL
ENTENDIENDO LAS IMAacuteGENES
elementos a considerar
En este caso el histograma es marcadamente maacutes alto en la zona de grises claros y blancos y apareceraacute corrido a la derecha hacia el
lado de los valores altos de iluminacioacuten
adaptado de El histograma de una Imagen Digital Universidad Politeacutecnica de Valencia
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA IDEAL
ENTENDIENDO LAS IMAacuteGENES
elementos a considerar
Se entiende por contraste la diferencia de brillo entre las zonas maacutes claras y maacutes oscuras en una imagen En este paisaje con niebla es
un ejemplo de bajo contraste Se traduce en un histograma estrecho Ademaacutes como la toacutenica dominante son los grises medios
se observa que estaacute bastante centrado
adaptado de El histograma de una Imagen Digital Universidad Politeacutecnica de Valencia
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
conjunto de datos
Frente a escenas con una iluminacioacuten maacutes normal y con una gran cantidad de elementos detectados los histogramas deberiacutean ser como en el primer caso que
hemos visto
Si no sucede
Histograma desplazado a la izquierda puede denotar falta de exposicioacuten
Histograma desplazado a la derecha puede ser un exceso de exposicioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
46 Interpretacioacuten de Imaacutegenes
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento digital Optimizacioacuten de las imaacutegenes Realces y mejoras visuales Contraste en una imagen Composiciones color El color verdadero el falso color el pseudo color
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
OPTIMIZACIOacuteN DE LAS IMAacuteGENES
ENTENDIENDO LAS IMAacuteGENES
mejorar visualmente las imaacutegenes
MANIPULAR DE FORMA FLEXIBLE Y SOFISTICADA EL ND DE LOS PIXELES
LUEGO DE CORRECCIONES LAS IMAacuteGENES HAY QUE OPTIMIZARLAS DESDE EL PUNTO DE VISTA VISUAL
diferentes tipos
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
REALCES Y MEJORAS VISUALES
ENTENDIENDO LAS IMAacuteGENES
httpamericalatina-nacblogspotcomuy2009_10_01_archivehtml
optimizacioacuten de las imaacutegenes
proceso destinado a facilitar la interpretacioacuten visual
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
ecualizacioacuten del histograma
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
gaussiano
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
lineal 2
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
lineal
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
raiacutez cuadrada
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
lineal 0 - 255
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PORQUEacute EL REALCE
ENTENDIENDO LAS IMAacuteGENES
LOS SENSORES SON CALIBRADOS PARA ABARCAR TODO EL RANGO POSIBLE DE RADIANCIAS
PARA CADA USO EN CONCRETO ES NECESIDAD IMPERIOSA
EXPANDIR EL HISTOGRAMA Y ASIacute CUBRIR EL RANGO COMPLETO DE NIVELES DE GRIS
histograma UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CONTRASTE EN UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
expansioacuten del contraste
los datos uacutetiles solo ocupan pequentildea parte de los niveles de gris disponibles
expandir o estirar el histograma es cambiar los valores originales de ND para utilizar mayor rango
asiacute incrementar el contraste visual de diferentes objetos
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
ejemplos visuales
sin realce lineal
frecuencial gamma
MEacuteTODOS DE EXPANSIOacuteN DEL CONTRASTE
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
lineal
expansioacuten lineal
lo maacutes simple transformacioacuten en liacutenea llevando el valor miacutenimo a 0 y maacuteximo a 255 o se usa un rango por encima y por debajo de miacutenimo y maacuteximo
EXPANSIOacuteN I
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
lineal
EXPANSIOacuteN I expansioacuten
logariacutetmico exponencial
gamma
curvas de transferencia en lugar de rectas gamma es la curvatura de dicha curva se expanden maacutes el contraste de los extremos o del centro
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
frecuencial
EXPANSIOacuteN II
frecuencial ecualizacioacuten del
histograma
cuando los valores de ND no estaacuten distribuidos uniformemente intentar en la medida de lo posible que los valores de salida de los ND tengan el mismo de pixeles con dicho valor
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CONTRASTE EN UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
compresioacuten del contraste
Ya sabemos que el contraste mide el rango dinaacutemico de los colores en la imagen es decir una imagen muy contrastada tiene un amplio abanico de colores (o tonos de gris) desde valores muy bajos a valores muy altos Para una imagen con poco contraste los colores estaacuten muy juntos el margen dinaacutemico es pequentildeo La variacioacuten en el contraste aparece como una compresioacuten del histograma en caso de una reduccioacuten a la inversa de lo visto en el caso de una expansioacuten
Compresioacuten si el rango excede de las capacidades del sistema
Se ha de comparar el nuacutemero de niveles digitales (ND) de la imagen con los niveles de visualizacioacuten (NV) o grises del sistema Es de menos aplicacioacuten Al igual que el brillo variando el contraste se puede provocar una peacuterdida de informacioacuten de la imagen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
MAYOR APLICABILIDAD DEL REALCE
ENTENDIENDO LAS IMAacuteGENES
realce oacuteptimo
realce frecuencial
realce lineal
laquo r e a l c e oacute p t i m o raquo optimiza interpretacioacuten de la imagen
mejor esteacutetica de la imagen NO COINCIDE CON NINGUacuteN CORTE PREDETERMINADO
Y SE LOGRA INTERACTIVAMENTE EN PANTALLA Y PARA CADA BANDA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
COMPOSICIONES COLOR
ENTENDIENDO LAS IMAacuteGENES
formatos de composiciones
CON LA CRECIENTE APARICIOacuteN DE LOS SENSORES HIPERESPECTRALES LAS POSIBILIDADES DE COMPOSICIONES
COLOREADAS DE BANDAS SON CASI ILIMITADAS
LA ELECCIOacuteN DE LAS BANDAS PARA REALIZAR LA COMPOSICIOacuteN Y EL ORDEN DE LAS BANDAS ASIGANADAS A LOS COLORES
PRIMARIOS DEPENDERAacute DE
Sensor Aplicacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EL SEUDO - COLOR
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm formatos de
composiciones
Ya hemos afirmado de que el ojo humano es maacutes capaz de distinguir tonos de color que intensidades de brillo
Por ello el empleo del color ayuda a la interpretacioacuten incluso cuando podamos tener una sola imagen de una banda
Es aquiacute que hablamos del SEUDO COLOR por no contar con tres bandas
El seudo color implica la creacioacuten de una CLUT que asocie el ND de una sola banda a distintos componentes del R V y A APLICACIONES 1 Para tener una leyenda de colores para una img clasificada 2 Para realzar el anaacutelisis de una determinada banda y sustituir los tonos de gris por una paleta de colores
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CLUT COLOUR LOOK-UP TABLE TABLA DE CONSULTA DE COLOR
ENTENDIENDO LAS IMAacuteGENES
httpsenwikipediaorgwikiColour_look-up_table
creacioacuten del seudo color
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Filtros espaciales Concepto de kernel Filtros paso bajo y paso alto Filtros direccionales Anomaliacuteas y correccioacuten atmosfeacuterica Correcciones radiomeacutetricas Anomaliacuteas radiomeacutetricas Fallos en el sensorCorreccioacuten atmosfeacuterica concepto Meacutetodo valores miacutenimos Regresioacuten entre bandas Dispersioacuten por aerosolesCalibracioacuten Caso misioacuten Landsat
47 Interpretacioacuten de Imaacutegenes
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de que es un filtro
espacial
FUNCIONES PARA MEJORAR ASPECTO DE LAS IMAacuteGENES
REALZAN O DISMINUYEN ELEMENTOS VISUALES DE LA IMG
BASADOS EN LA FRECUENCIA ESPACIAL
FRECUENCIAS ESPACIALES ALTAS Variaciones que se producen en pocos piacutexeles TENDENCIA GENERAL FRECUENCIAS ESPACIALES BAJAS
Variaciones que se producen en muchos piacutexeles CONTRASTES LOCALES
FILTROS Figura - CCRS CCT
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de kernel
FILTRADO ESPACIAL Figura - CCRS CCT FILTRADO EN EL DOMINIO
ESPACIAL Lo mas comuacuten es la aplicacioacuten de una ventana deslizante con valores que son coeficientes fijos de una matriz La MATRIZ se suele llamar KERNEL o nuacutecleo del filtro
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DIGITAL
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
3 x 3 5 x 5 7 x 7
1 1 1
1 2 1
1 1 1 matrices
LOS VALORES DEL KERNEL SE MULTIPLICAN POR EL PIacuteXEL QUE TIENEN DEBAJO Y LUEGO SE SUMAN TODOS LOS PRODUCTOS
Y PARA OBTENER EL VALOR DEL PIacuteXEL CENTRAL EN LA IMAGEN TRANSFORMADA SE LO DIVIDE POR LA SUMA DE LOS PONDERADOS O PESOS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO - PASO BAJO PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
26
FILTROS DE PASO BAJO SE FAVORECEN A LOS PIXELES
PERIFEacuteRICOS SE MINIMIZAN LAS DIFERENCIAS CON LOS VECINOS ES UNA ESPECIE DE SUAVIZADO
FILTRO DE PASO ALTO PONDERACIOacuteN DEL VALOR CENTRAL EN DETRIMENTO DE LOS CIRCUNDANTES
SE EXAGERAN DIFERENCIAS Y SE RESALTAN VARIACIONES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO BAJO
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm
simulacioacuten
IMAGEN ORIGINAL
FILTRO PASO BAJO 3x3 SE TRATA DE ASEMEJAR LOS VALORES DE ND DE UN PIXEL A LOS VALORES VECINOS EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA OFRECE PERFILES MENOS NIacuteTIDOS
FILTRO PASO BAJO 7x7 SIRVE PARA REDUCIR VARIABILIDAD ESPACIAL DE ALGUNA CATEGORIacuteA ANTES DE UN PROCESO DE CLASIFICACIOacuteN
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
IMAGEN ORIGINAL
FILTRO PASO ALTO 3x3 SE TRATA DE AISLAR LOS COMPONENTES DE ALTA FRECUENCIA Y REMARCAR DIGITALMENTE CONTRASTES EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA REFUERZA LOS CONTORNOS EN AacuteREAS HOMOGEacuteNEAS
FILTRO PASO ALTO 7x7 SIRVE PARA LOGRAR REALCES DE RASGOS LINEALES COMO PUEDEN SER EN AacuteREAS URBANAS O RASGOS GEOLOacuteGICOS
simulacioacuten
httpgeograuahesrtm
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
Figura - Landsat USGS
IMAGEN ORIGINAL
FILTRO DIRECCIONAL PERMITEN IDENTIFICAR LOS RASGOS FRONTERIZOS EN LAS IMAacuteGENES COMO LOS FILTROS ANTERIORES PERO AHORA CONSIDERANDO LA ORIENTACIOacuteN
se tiene en cuenta la
orientacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
matrices con direccioacuten
NORTE
1 1 1
1 -2 1
-1 -1 -1
SUR
-1 -1 -1
1 -2 1
1 1 1
ESTE
-1 1 1
-1 -2 1
-1 1 1
OESTE
1 1 -1
1 -2 -1
1 1 -1
SURESTE
-1 -1 1
-1 -2 1
1 1 1
NOROESTE
1 1 1
1 -2 -1
1 -1 -1
SUROESTE
1 -1 -1
1 -2 -1
1 1 1
NORESTE
1 1 1
-1 -2 1
-1 -1 1
OBSERVACIOacuteN
LOS NOMBRES OBEDECEN A LA DIRECCIOacuteN DEL CONTRASTE QUE SENtildeALAN
LA DIRECCIOacuteN QUE REALZAN ES JUSTAMENTE LA PERPENDICULAR
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
48 Interpretacioacuten de Imaacutegenes
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Correcciones geomeacutetricas Georreferenciacioacuten Uso de puntos de control Fuentes de error Procesamiento geomeacutetrico Correccioacuten Transformacioacuten geomeacutetrica Calidad y ajuste Generacioacuten de la nueva imagen Transferencia de ND
INSTITUTO DE AGRIMENSURA - DEPARTAMENTO DE GEOMAacuteTICA PROF ADJUNTO GRADO 3 EDISON J ROSAS BERTON
El tratamiento de una imagen de sateacutelite Georreferenciacioacuten
(paso de un sistema de filas y columnas a un sistema de coordenadas estandard)
Para ello debe obtenerse una muestra de puntos de control de los que conozcamos tanto sus coordenadas reales como sus coordenadas en
la imagen deben ser por tanto objetos de un tamantildeo adecuado para resultar identificables tanto en la imagen como sobre el terreno el tamantildeo
dependeraacute loacutegicamente de la resolucioacuten de la imagen A partir de estos puntos de control se obtendraacuten por regresioacuten unas ecuaciones que permitiraacuten a cada par filacolumna un par de coordenadas
XY
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
GEORREFERENCIACIOacuteN
ENTENDIENDO LAS IMAacuteGENES
georreferenciacioacuten porqueacute
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PUNTOS DE CONTROL
ENTENDIENDO LAS IMAacuteGENES
uso de puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
DISTORSIONES POR LA PLATAFORMA ALTITUD DE LA OacuteRBITA ndash Cambio de escala
VELOCIDAD ndash Cambios de escala ORIENTACIOacuteN DE LOS TRES EJES ndash Distorsiones en la geometriacutea
NO SISTEMAacuteTICOS Y COMPLEJOS DE MODELAR
DISTORSIONES POR ROTACIOacuteN TERRESTRE
CONSIDERANDO ALTITUD (800 Km) y TAMANtildeO DE LA IMAGEN (180 Km)ndashEn latitudes medias tarda en adquirir unos 30 segundos la Tierra se desplaza unos 8 Km
ORIENTACIOacuteN NE SW
DISTORSIONES POR EL SENSOR ANOMALIacuteAS SENSOR y MOVIMIENTO ESPEJO ndash Barrido no lineal o cambio en intervalos
AacuteNGULO DE BARRIDO ndash Variacioacuten en el tamantildeo de pixel
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ERROR EN UNA IMAGEN ESPACIAL
ENTENDIENDO LAS IMAacuteGENES
fuentes de error
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Una correccioacuten geomeacutetrica incluye CUALQUIER CAMBIO EN LA POSICIOacuteN DE LOS PIXELES que
conforman la imagen f (c`) = f1 (c l) f (x y) f (l`) = f2 (c l) f (x y)
COORDENADAS DE IMAGEN CORREGIDA SON FUNCIOacuteN DE COORDENADAS COLUMNA Y LIacuteNEA DE LA
IMAGEN DE ENTRADA O DE LAS COORDENADAS DE MAPA AL QUE SUPERPONDREMOS LA IMAGEN
1 CON OBJETIVO DE REALIZAR UNA TRANSFORMACIOacuteN GEOMEacuteTRICA QUE PERMITA AJUSTARLA A OTRA IMAGEN REFERENCIA NORMALMENTE PARA REALIZAR ESTUDIOS MULTITEMPORALES O MOSAICOS CON EL FIN DE AMPLIAR LOS DATOS E INFORMACIOacuteN DE UNA ZONA
2 ESTO PERMITIRAacute QUE LA NUEVA IMAGEN LA PUEDA INTEGRAR CON INFORMACIOacuteN DE OTRAS FUENTES POR EJEMPLO EN UN AMBIENTE SIG
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
correccioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
asumimos que
NO SE CONOCE EL ORIGEN DE LOS ERRORES
modelamos
ECUACIONES EMPIacuteRICAS
aplicadas a un conjunto de puntos
COORDENADAS CONOCIDAS IMAGEN INPUT e IMAGEN OUTPUT
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
1 ndash SELECCIOacuteN DE REFERENCIAS 2 ndash ECUACIONES DE AJUSTE
3 ndash GENERACIOacuteN DE LA IMAGEN CORREGIDA
ES OBVIO CALIDAD DEL AJUSTE DEPENDERAacute DE PRECISIOacuteN CON QUE SE
LOCALICEN LOS PUNTOS DE CONTROL INEXACTA LOCALIZACIOacuteN
DISTRIBUCIOacuteN MUY SECTORIZADA NUacuteMERO DE PUNTOS DE CONTROL INADECUADO
ESTABLECER LOS PUNTOS DE CONTROL FASE MAS CRUCIAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
procesamiento de la correccioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Resaltamos la importancia de
NUacuteMERO LOCALIZACIOacuteN DISTRIBUCIOacuteN
Que debemos atender Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
que considero UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash Croquis ilustrativos de apoyo
TERRENO O ZONAS PLANAS CON IMG OBTENIDAS POR UN SENSOR DE ESTRECHA VISIOacuteN DE CAMPO
TRANSFORMACIOacuteN
BASADO EN ECUACIONES LINEALES SIMPLES
TERRENO ESCARPADO O RUGOSO O UTILIZACIOacuteN DE IMG OBTENIDAS EN UN SENSOR CON VARIACIONES EN LAS CONDICIONES DE OBSERVACIOacuteN
TRANSFORMACIOacuteN MAacuteS COMPLEJA
POLINOMIOS DE SEGUNDO O TERCER ORDEN
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Desde un punto de vista matemaacutetico
GRADO 1 ndash 3 puntos GRADO 2 ndash 6 puntos GRADO 3 ndash 10 puntos
Seguacuten mis objetivos del trabajo no es conveniente utilizar esos miacutenimos
14 a 20 puntos (Landsat 5 MMS ndash seguacuten Bernstein R y D G Ferneyhough Jr 1978)
100 a 120 puntos (Landsat 7 TM ndash seguacuten el National Remote Sensing Center de Inglaterra)
10 o 12 puntos (Pequentildea zona de 512 x 512 pixeles ndash seguacuten Emilio Chuvieco 2010)
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
matemaacuteticamente UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
QUE DEBEMOS DE CONSIDERAR EN CUANTO A LA LOCALIZACIOacuteN
CLARAMENTE IDENTIFICABLES EN IMAGEN Y MAPA RASGOS HUMANOS DEL PAISAJE NO SUJETOS A DINAMISMO TEMPORAL
CRUCE DE CARRETERAS
CAMINOS VIacuteA FEacuteRREAS
NO CONSIDERAR ELEMENTOS ASOCIADOS AL AGUA
COSTA CURSOS DE AGUA
EMBALSES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
localizacioacuten TCP UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la correccioacuten digital de la geometriacutea de una imagen se realiza a partir de establecer unas funciones que relacionen las coordenadas de la imagen
y las coordenadas del mapa
EJ CASO MAS SIMPLE REGRESIOacuteN LINEAL MUacuteLTIPLE
ci = a0 + a1 Xi + a2 Yi li = b0 + b1 Xi + b2 Yi
EN LA PRAacuteCTICA BASTA UNA FUNCIOacuteN LINEAL PARA ABORDAR UN GRAN NUacuteMERO DE
TRANSFORMACIONES Y SON SUFICIENTES SI LAS IMAacuteGENES NO SON MUY GRANDES ANTE LA NECESIDAD DE OTRAS TRANSFORMACIONES SE UTILIZAN DE 2ordm y 3ordm ORDEN CONSIDERANDO ALTERACIONES GEOMEacuteTRICAS NO LINEALES (FUNCIONES QUE NO SE DEFINEN EN UN PLANO
CON EJES LINEALES SINO QUE SUPERFICIES CON EJES CURVILIacuteNEOS)
LOS COEFICIENTES DE LAS FUNCIONES DE TRANSFORMACIOacuteN SE CALCULAN A PARTIR DE UN AJUSTE POR MIacuteNIMOS CUADRADOS
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
funciones de transformacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash ejemplos de funciones de transformacioacuten geomeacutetrica con el efecto causado
TRASLACIOacuteN
CAMBIO DE ESCALA
INCLINACIOacuteN
PERSPECTIVA
ROTACIOacuteN
x = a0 + xacute y = b0 + yacute
x = xacute + a2 yacute y = yacute
x = a1 xacute y = b1 yacute
x = a3xacute yacute y = yacute
x = a4xacute + a5yacute y = b4xacute + b5yacute a4 = b5 = cos Ɵ a5 = -b4 = sen Ɵ
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
transformacioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
comparacioacuten coordenadas reales y las estimadas por la regresioacuten
el promedio de los residuales se conoce como error medio cuadraacutetico
la calidad del ajuste lo da el RMSE (root mean squared error)
(error medio cuadraacutetico)
RMSE es la raiacutez cuadrada de las desviaciones entre los valores reales y los
calculados
RMSE para cada punto es la raiacutez de los residuales al cuadrado que es la distancia entre ellos
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
RMSE UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la praacutectica hace que fijemos una TOLERANCIA y es que si ese promedio supera un valor fijado previamente haya que rever
el valor fijado previamente generalmente es igual o menor a un PIXEL
una correcta verificacioacuten
NECESITA introducir PUNTOS de VERIFICACIOacuteN
que no hayan sido introducidos en el ajuste
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
tolerancias fijadas
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
traducimos coordenadas de un mapa a la imagen tambieacuten necesitamos a la nueva imagen
TRANSFERIR LOS VALORES DIGITALES no olvidar que lo que queremos es generar una nueva imagen que se
corresponda con las coordenadas y las funciones de ajuste
NO ORIGINAN NUEVA IMAGEN solo colocan a los pixeles en la posicioacuten correcta
en criollo las funciones de transformacioacuten generan una nueva matriz bien posicionada pero vaciacutea
DEBEMOS LLENAR LA MATRIZ problema maacutes complejo de lo que puede
pensarse Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
generacioacuten de la nueva imaacutegen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
cada pixel de la imagen corregida se corresponderiacutea con un pixel de la imagen original
LEJOS DE ESE IDEAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo I
vecino maacutes proacuteximo ( nearest neighbour )
a cada celda de la imagen corregida se asigna el ND del pixel maacutes cercano de la
imagen original
SOLUCIOacuteN RAacutePIDA MENOR DISTORSIOacuteN DE LOS ND
INTRODUCE RASGOS LINEALES QUE DISTORSIONAN
CORRECCIOacuteN DE IMAacuteGENES CLASIFICADAS
CONSERVAR LA RADIOMETRIacuteA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo II
interpolacioacuten bilineal ( bilinear interpolation )
supone promediar los ND de los cuatro pixeles mas cercanos
con ponderacioacuten seguacuten la distancia pixeles originalcorregido
REDUCE EL EFECTO DE DISTORSIOacuteN EN RASGOS LINEALES
TIENDE A DIFUMINAR LOS CONTRASTES ESPACIALES
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE IMAacuteGENES RECTIFICADAS MAPAS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo III
convolusioacuten cuacutebica ( cubic convolution )
supone considerar los ND de los 16 pixeles mas proacuteximos
media ponderada seguacuten la distancia pixeles originalcorregido
EFECTO VISUAL MAS CORRECTO
VOLUacuteMEN DE CAacuteLCULO MUY SUPERIOR TENDENCIA A AGUDIZAR BORDES DE LA IMAGEN
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE ORTOIMAacuteGENES IMPRESIONES DE CALIDAD
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
MOacuteDULO IV
45 ndash Interpretacioacuten de Imaacutegenes Tratamiento digital
46 Interpretacioacuten de Imaacutegenes
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento digital Uso cartograacutefico de las imaacutegenes Distorciones de una imagen Fuentes de distorsioacuten Correcciones Los valores de asignacioacuten a los pixeles Histogramas
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ORGANIZACIOacuteN DE UNA IMAGEN
EXPLOTANDO LAS IMAacuteGENES
httpgeograuahesrtm uso cartograacutefico de
las imaacutegenes
LAS IMAacuteGENES DE SENSORES ESPACIALES
NO SON CARTOGRAFIacuteA
NATURALEZA DE LA PROYECCIOacuteN
DISTORSIONES SISTEMEacuteTICAS
DISTORSIONES ALEATORIAS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
DISTORSIONES POSIBLES DE UNA IMAGEN
httpgeograuahesrtm radiomeacutetricas geomeacutetricas
IMAGEN ADQUIRIDA (no olvidemos que la tratamos en su formato numeacuterico matricial) PRESENTARAacute ANOMALIacuteAS CON RESPECTO A LO QUE ES LA IMAGEN REAL
SITUACIOacuteN O UBICACIOacuteN DE SUS PUNTOS VALORES DE LOS NIVELES DIGITALES
Algunas de eacutestas correcciones seraacuten tareas de las estaciones de recepcioacuten (las que ofrecen distintos niveles de correccioacuten)
Pero helliphelliphelliphellip para un estudio detallado de una imagen (como pueden ser estudios
multitemporales o fusioacuten con otros datos de otras fuentes cartograacuteficas) van a requerir de correcciones
EXPLOTANDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FUENTES DE DISTORSIOacuteN
correcciones
EXPLOTANDO LAS IMAacuteGENES
LA PLATAFORMA QUE PORTA AL SATELITE OSCILA
SU MOVIMIENTO ORBITAL ES CASI UNIFORME SIN ACELERACIONES EN DIRECCIONES
LOS SATELITES SUFREN PEQUENtildeAS VARIACIONES
ALTURA ORBITAL
VELOCIDAD ORIENTACIOacuteN (aleteo cabeceo ladeo)
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FUENTES DE DISTORSIOacuteN
correcciones
EXPLOTANDO LAS IMAacuteGENES
OSCILACIOacuteN DE LA PLATAFORMA
ROTACIOacuteN TERRESTRE
TIEMPO DE BARRIDO
DISTORSIOacuteN PANORAacuteMICA
CURVATURA DE LA TIERRA
DISTORSIONES RADIOMEacuteTRICAS PEacuteRDIDA DE LIacuteNEAS O CELDAS BANDEADO EFECTO ATMOSFEacuteRICO
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIONES
operadores
EXPLOTANDO LAS IMAacuteGENES
OPERADOR la funcioacuten matemaacutetica que se aplica sobre la imagen
w = f (xyz) T wrsquo = f lsquo (xlsquoyrsquozrsquo) lo desglosamos en componentes
en x e y seraacuten las transformaciones geomeacutetricas y en z la transformaciones radiomeacutetricas
TIPOS DE OPERADORES puntuales cada elemento de la img final es funcioacuten de un solo elemento de la img inicial
locales luminancia de un elemento de la img final es funcioacuten de las luminancias de un entorno de cada elemento de la img inicial globales toda la img final es funcioacuten de toda la img inicial TRANSFORMACIONES Radiomeacutetricas modifican la amplitud de la sentildeal manteniendo invariable las coordenadas de cada celda
Geomeacutetricas modifican la geometriacutea de la imagen dejando constante los valores de su radiometriacutea
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ANAacuteLISIS DIGITAL DE LAS IMAacuteGENES
httpgeograuahesrtm
los valores de asignacioacuten a los
pixeles
Los sensores utilizados en teledeteccioacuten estaacuten calibrados para recibir valores muy altos de radiacioacuten sin llegar a saturarse por lo que lo normal es que todos los valores recibidos esteacuten muy
por debajo de los maacuteximos posibles
La consecuencia es que los valores de ND obtenidos son muy bajos y las imaacutegenes se van a ver oscuras muy poco
contrastadas Una forma de solventar este problema es ajustar el contraste mediante diversas teacutecnicas
EXPLOTANDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
LA MATRIZ DE DATOS
valores de celdas perdidas
A veces se requiere de poder restaurar valores dado que la matriz de datos contiene celdas perdidas y aparecen ND con valores nulos
en el dominio espacial
Una forma de corregir asignar un valor a la celda o liacutenea perdida tomar para cada pixel el ND del vecino
de la liacutenea anterior de la liacutenea siguiente
promedio en el dominio de la frecuencia
Otra manera seguacuten el valor de la celda en otra banda correlacionada
se calculan los histogramas parciales de las celdas en estudio para cada detector se obtiene la media y desviacioacuten estaacutendar de los ND correspondientes a cada detector
Se aplica NDacuteij = ak ND ij + bk
EXPLOTANDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
RESTAURACIOacuteN DE CELDAS PERDIDAS
estudio de histogramas
httpcoelloujaenesAsignaturasteledeteccion
EXPLOTANDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ESTADIacuteSTICAS E HISTOGRAMA DE UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm que es un
histograma
IMAGEN DIGITAL SIMPLE DE 8 x 8 PIXELES EN NIVELES DE GRIS CON UNA PROFUNDIDAD DE 2 BITS
CUATRO VALORES POSIBLES DE BRILLO PASADOS A TONOS DE GRIS NEGRO GRIS OSCURO GRIS CLARO Y BLANCO
ND BRILLO
0 Negro
1 Gris oscuro
2 Gris claro
3 Blanco
veremos entonces que es un HISTOGRAMA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA
ENTENDIENDO LAS IMAacuteGENES
conceptualidades
REPRESENTACIOacuteN GRAacuteFICA DE LOS NIVELES DE GRISES EN FUNCIOacuteN DE LA REPETICIOacuteN DE VECES EN QUE APARECE CADA UNO DE LOS NIVELES DE GRIS
deducciones
11
15
38
0
adaptado de El histograma de una Imagen Digital Universidad
Politeacutecnica de Valencia
La mayor parte de los piacutexeles son blancos por lo que probablemente la imagen tenga un fondo blanco uniforme
Hay un nuacutemero significativo de pixeles negros y pixeles blancos lo que hace que la imagen presente un aspecto bien contrastado
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA IDEAL
ENTENDIENDO LAS IMAacuteGENES
elementos a considerar
Como regla general se considera que una imagen tiene un buen contraste si su histograma se extiende ocupando casi todo el rango
de tonos
adaptado de El histograma de una Imagen Digital Universidad Politeacutecnica de Valencia
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA IDEAL
ENTENDIENDO LAS IMAacuteGENES
elementos a considerar
Por ejemplo en una imagen nocturna el histograma estaacute fuertemente desplazado al lado izquierdo (zona de tonos oscuros) y
evidencia que no hay apenas ninguna zona de la imagen muy brillante
adaptado de El histograma de una Imagen Digital Universidad Politeacutecnica de Valencia
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA IDEAL
ENTENDIENDO LAS IMAacuteGENES
elementos a considerar
En este caso el histograma es marcadamente maacutes alto en la zona de grises claros y blancos y apareceraacute corrido a la derecha hacia el
lado de los valores altos de iluminacioacuten
adaptado de El histograma de una Imagen Digital Universidad Politeacutecnica de Valencia
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA IDEAL
ENTENDIENDO LAS IMAacuteGENES
elementos a considerar
Se entiende por contraste la diferencia de brillo entre las zonas maacutes claras y maacutes oscuras en una imagen En este paisaje con niebla es
un ejemplo de bajo contraste Se traduce en un histograma estrecho Ademaacutes como la toacutenica dominante son los grises medios
se observa que estaacute bastante centrado
adaptado de El histograma de una Imagen Digital Universidad Politeacutecnica de Valencia
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
conjunto de datos
Frente a escenas con una iluminacioacuten maacutes normal y con una gran cantidad de elementos detectados los histogramas deberiacutean ser como en el primer caso que
hemos visto
Si no sucede
Histograma desplazado a la izquierda puede denotar falta de exposicioacuten
Histograma desplazado a la derecha puede ser un exceso de exposicioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
46 Interpretacioacuten de Imaacutegenes
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento digital Optimizacioacuten de las imaacutegenes Realces y mejoras visuales Contraste en una imagen Composiciones color El color verdadero el falso color el pseudo color
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
OPTIMIZACIOacuteN DE LAS IMAacuteGENES
ENTENDIENDO LAS IMAacuteGENES
mejorar visualmente las imaacutegenes
MANIPULAR DE FORMA FLEXIBLE Y SOFISTICADA EL ND DE LOS PIXELES
LUEGO DE CORRECCIONES LAS IMAacuteGENES HAY QUE OPTIMIZARLAS DESDE EL PUNTO DE VISTA VISUAL
diferentes tipos
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
REALCES Y MEJORAS VISUALES
ENTENDIENDO LAS IMAacuteGENES
httpamericalatina-nacblogspotcomuy2009_10_01_archivehtml
optimizacioacuten de las imaacutegenes
proceso destinado a facilitar la interpretacioacuten visual
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
ecualizacioacuten del histograma
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
gaussiano
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
lineal 2
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
lineal
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
raiacutez cuadrada
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
lineal 0 - 255
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PORQUEacute EL REALCE
ENTENDIENDO LAS IMAacuteGENES
LOS SENSORES SON CALIBRADOS PARA ABARCAR TODO EL RANGO POSIBLE DE RADIANCIAS
PARA CADA USO EN CONCRETO ES NECESIDAD IMPERIOSA
EXPANDIR EL HISTOGRAMA Y ASIacute CUBRIR EL RANGO COMPLETO DE NIVELES DE GRIS
histograma UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CONTRASTE EN UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
expansioacuten del contraste
los datos uacutetiles solo ocupan pequentildea parte de los niveles de gris disponibles
expandir o estirar el histograma es cambiar los valores originales de ND para utilizar mayor rango
asiacute incrementar el contraste visual de diferentes objetos
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
ejemplos visuales
sin realce lineal
frecuencial gamma
MEacuteTODOS DE EXPANSIOacuteN DEL CONTRASTE
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
lineal
expansioacuten lineal
lo maacutes simple transformacioacuten en liacutenea llevando el valor miacutenimo a 0 y maacuteximo a 255 o se usa un rango por encima y por debajo de miacutenimo y maacuteximo
EXPANSIOacuteN I
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
lineal
EXPANSIOacuteN I expansioacuten
logariacutetmico exponencial
gamma
curvas de transferencia en lugar de rectas gamma es la curvatura de dicha curva se expanden maacutes el contraste de los extremos o del centro
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
frecuencial
EXPANSIOacuteN II
frecuencial ecualizacioacuten del
histograma
cuando los valores de ND no estaacuten distribuidos uniformemente intentar en la medida de lo posible que los valores de salida de los ND tengan el mismo de pixeles con dicho valor
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CONTRASTE EN UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
compresioacuten del contraste
Ya sabemos que el contraste mide el rango dinaacutemico de los colores en la imagen es decir una imagen muy contrastada tiene un amplio abanico de colores (o tonos de gris) desde valores muy bajos a valores muy altos Para una imagen con poco contraste los colores estaacuten muy juntos el margen dinaacutemico es pequentildeo La variacioacuten en el contraste aparece como una compresioacuten del histograma en caso de una reduccioacuten a la inversa de lo visto en el caso de una expansioacuten
Compresioacuten si el rango excede de las capacidades del sistema
Se ha de comparar el nuacutemero de niveles digitales (ND) de la imagen con los niveles de visualizacioacuten (NV) o grises del sistema Es de menos aplicacioacuten Al igual que el brillo variando el contraste se puede provocar una peacuterdida de informacioacuten de la imagen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
MAYOR APLICABILIDAD DEL REALCE
ENTENDIENDO LAS IMAacuteGENES
realce oacuteptimo
realce frecuencial
realce lineal
laquo r e a l c e oacute p t i m o raquo optimiza interpretacioacuten de la imagen
mejor esteacutetica de la imagen NO COINCIDE CON NINGUacuteN CORTE PREDETERMINADO
Y SE LOGRA INTERACTIVAMENTE EN PANTALLA Y PARA CADA BANDA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
COMPOSICIONES COLOR
ENTENDIENDO LAS IMAacuteGENES
formatos de composiciones
CON LA CRECIENTE APARICIOacuteN DE LOS SENSORES HIPERESPECTRALES LAS POSIBILIDADES DE COMPOSICIONES
COLOREADAS DE BANDAS SON CASI ILIMITADAS
LA ELECCIOacuteN DE LAS BANDAS PARA REALIZAR LA COMPOSICIOacuteN Y EL ORDEN DE LAS BANDAS ASIGANADAS A LOS COLORES
PRIMARIOS DEPENDERAacute DE
Sensor Aplicacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EL SEUDO - COLOR
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm formatos de
composiciones
Ya hemos afirmado de que el ojo humano es maacutes capaz de distinguir tonos de color que intensidades de brillo
Por ello el empleo del color ayuda a la interpretacioacuten incluso cuando podamos tener una sola imagen de una banda
Es aquiacute que hablamos del SEUDO COLOR por no contar con tres bandas
El seudo color implica la creacioacuten de una CLUT que asocie el ND de una sola banda a distintos componentes del R V y A APLICACIONES 1 Para tener una leyenda de colores para una img clasificada 2 Para realzar el anaacutelisis de una determinada banda y sustituir los tonos de gris por una paleta de colores
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CLUT COLOUR LOOK-UP TABLE TABLA DE CONSULTA DE COLOR
ENTENDIENDO LAS IMAacuteGENES
httpsenwikipediaorgwikiColour_look-up_table
creacioacuten del seudo color
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Filtros espaciales Concepto de kernel Filtros paso bajo y paso alto Filtros direccionales Anomaliacuteas y correccioacuten atmosfeacuterica Correcciones radiomeacutetricas Anomaliacuteas radiomeacutetricas Fallos en el sensorCorreccioacuten atmosfeacuterica concepto Meacutetodo valores miacutenimos Regresioacuten entre bandas Dispersioacuten por aerosolesCalibracioacuten Caso misioacuten Landsat
47 Interpretacioacuten de Imaacutegenes
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de que es un filtro
espacial
FUNCIONES PARA MEJORAR ASPECTO DE LAS IMAacuteGENES
REALZAN O DISMINUYEN ELEMENTOS VISUALES DE LA IMG
BASADOS EN LA FRECUENCIA ESPACIAL
FRECUENCIAS ESPACIALES ALTAS Variaciones que se producen en pocos piacutexeles TENDENCIA GENERAL FRECUENCIAS ESPACIALES BAJAS
Variaciones que se producen en muchos piacutexeles CONTRASTES LOCALES
FILTROS Figura - CCRS CCT
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de kernel
FILTRADO ESPACIAL Figura - CCRS CCT FILTRADO EN EL DOMINIO
ESPACIAL Lo mas comuacuten es la aplicacioacuten de una ventana deslizante con valores que son coeficientes fijos de una matriz La MATRIZ se suele llamar KERNEL o nuacutecleo del filtro
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DIGITAL
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
3 x 3 5 x 5 7 x 7
1 1 1
1 2 1
1 1 1 matrices
LOS VALORES DEL KERNEL SE MULTIPLICAN POR EL PIacuteXEL QUE TIENEN DEBAJO Y LUEGO SE SUMAN TODOS LOS PRODUCTOS
Y PARA OBTENER EL VALOR DEL PIacuteXEL CENTRAL EN LA IMAGEN TRANSFORMADA SE LO DIVIDE POR LA SUMA DE LOS PONDERADOS O PESOS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO - PASO BAJO PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
26
FILTROS DE PASO BAJO SE FAVORECEN A LOS PIXELES
PERIFEacuteRICOS SE MINIMIZAN LAS DIFERENCIAS CON LOS VECINOS ES UNA ESPECIE DE SUAVIZADO
FILTRO DE PASO ALTO PONDERACIOacuteN DEL VALOR CENTRAL EN DETRIMENTO DE LOS CIRCUNDANTES
SE EXAGERAN DIFERENCIAS Y SE RESALTAN VARIACIONES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO BAJO
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm
simulacioacuten
IMAGEN ORIGINAL
FILTRO PASO BAJO 3x3 SE TRATA DE ASEMEJAR LOS VALORES DE ND DE UN PIXEL A LOS VALORES VECINOS EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA OFRECE PERFILES MENOS NIacuteTIDOS
FILTRO PASO BAJO 7x7 SIRVE PARA REDUCIR VARIABILIDAD ESPACIAL DE ALGUNA CATEGORIacuteA ANTES DE UN PROCESO DE CLASIFICACIOacuteN
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
IMAGEN ORIGINAL
FILTRO PASO ALTO 3x3 SE TRATA DE AISLAR LOS COMPONENTES DE ALTA FRECUENCIA Y REMARCAR DIGITALMENTE CONTRASTES EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA REFUERZA LOS CONTORNOS EN AacuteREAS HOMOGEacuteNEAS
FILTRO PASO ALTO 7x7 SIRVE PARA LOGRAR REALCES DE RASGOS LINEALES COMO PUEDEN SER EN AacuteREAS URBANAS O RASGOS GEOLOacuteGICOS
simulacioacuten
httpgeograuahesrtm
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
Figura - Landsat USGS
IMAGEN ORIGINAL
FILTRO DIRECCIONAL PERMITEN IDENTIFICAR LOS RASGOS FRONTERIZOS EN LAS IMAacuteGENES COMO LOS FILTROS ANTERIORES PERO AHORA CONSIDERANDO LA ORIENTACIOacuteN
se tiene en cuenta la
orientacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
matrices con direccioacuten
NORTE
1 1 1
1 -2 1
-1 -1 -1
SUR
-1 -1 -1
1 -2 1
1 1 1
ESTE
-1 1 1
-1 -2 1
-1 1 1
OESTE
1 1 -1
1 -2 -1
1 1 -1
SURESTE
-1 -1 1
-1 -2 1
1 1 1
NOROESTE
1 1 1
1 -2 -1
1 -1 -1
SUROESTE
1 -1 -1
1 -2 -1
1 1 1
NORESTE
1 1 1
-1 -2 1
-1 -1 1
OBSERVACIOacuteN
LOS NOMBRES OBEDECEN A LA DIRECCIOacuteN DEL CONTRASTE QUE SENtildeALAN
LA DIRECCIOacuteN QUE REALZAN ES JUSTAMENTE LA PERPENDICULAR
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
48 Interpretacioacuten de Imaacutegenes
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Correcciones geomeacutetricas Georreferenciacioacuten Uso de puntos de control Fuentes de error Procesamiento geomeacutetrico Correccioacuten Transformacioacuten geomeacutetrica Calidad y ajuste Generacioacuten de la nueva imagen Transferencia de ND
INSTITUTO DE AGRIMENSURA - DEPARTAMENTO DE GEOMAacuteTICA PROF ADJUNTO GRADO 3 EDISON J ROSAS BERTON
El tratamiento de una imagen de sateacutelite Georreferenciacioacuten
(paso de un sistema de filas y columnas a un sistema de coordenadas estandard)
Para ello debe obtenerse una muestra de puntos de control de los que conozcamos tanto sus coordenadas reales como sus coordenadas en
la imagen deben ser por tanto objetos de un tamantildeo adecuado para resultar identificables tanto en la imagen como sobre el terreno el tamantildeo
dependeraacute loacutegicamente de la resolucioacuten de la imagen A partir de estos puntos de control se obtendraacuten por regresioacuten unas ecuaciones que permitiraacuten a cada par filacolumna un par de coordenadas
XY
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
GEORREFERENCIACIOacuteN
ENTENDIENDO LAS IMAacuteGENES
georreferenciacioacuten porqueacute
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PUNTOS DE CONTROL
ENTENDIENDO LAS IMAacuteGENES
uso de puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
DISTORSIONES POR LA PLATAFORMA ALTITUD DE LA OacuteRBITA ndash Cambio de escala
VELOCIDAD ndash Cambios de escala ORIENTACIOacuteN DE LOS TRES EJES ndash Distorsiones en la geometriacutea
NO SISTEMAacuteTICOS Y COMPLEJOS DE MODELAR
DISTORSIONES POR ROTACIOacuteN TERRESTRE
CONSIDERANDO ALTITUD (800 Km) y TAMANtildeO DE LA IMAGEN (180 Km)ndashEn latitudes medias tarda en adquirir unos 30 segundos la Tierra se desplaza unos 8 Km
ORIENTACIOacuteN NE SW
DISTORSIONES POR EL SENSOR ANOMALIacuteAS SENSOR y MOVIMIENTO ESPEJO ndash Barrido no lineal o cambio en intervalos
AacuteNGULO DE BARRIDO ndash Variacioacuten en el tamantildeo de pixel
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ERROR EN UNA IMAGEN ESPACIAL
ENTENDIENDO LAS IMAacuteGENES
fuentes de error
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Una correccioacuten geomeacutetrica incluye CUALQUIER CAMBIO EN LA POSICIOacuteN DE LOS PIXELES que
conforman la imagen f (c`) = f1 (c l) f (x y) f (l`) = f2 (c l) f (x y)
COORDENADAS DE IMAGEN CORREGIDA SON FUNCIOacuteN DE COORDENADAS COLUMNA Y LIacuteNEA DE LA
IMAGEN DE ENTRADA O DE LAS COORDENADAS DE MAPA AL QUE SUPERPONDREMOS LA IMAGEN
1 CON OBJETIVO DE REALIZAR UNA TRANSFORMACIOacuteN GEOMEacuteTRICA QUE PERMITA AJUSTARLA A OTRA IMAGEN REFERENCIA NORMALMENTE PARA REALIZAR ESTUDIOS MULTITEMPORALES O MOSAICOS CON EL FIN DE AMPLIAR LOS DATOS E INFORMACIOacuteN DE UNA ZONA
2 ESTO PERMITIRAacute QUE LA NUEVA IMAGEN LA PUEDA INTEGRAR CON INFORMACIOacuteN DE OTRAS FUENTES POR EJEMPLO EN UN AMBIENTE SIG
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
correccioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
asumimos que
NO SE CONOCE EL ORIGEN DE LOS ERRORES
modelamos
ECUACIONES EMPIacuteRICAS
aplicadas a un conjunto de puntos
COORDENADAS CONOCIDAS IMAGEN INPUT e IMAGEN OUTPUT
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
1 ndash SELECCIOacuteN DE REFERENCIAS 2 ndash ECUACIONES DE AJUSTE
3 ndash GENERACIOacuteN DE LA IMAGEN CORREGIDA
ES OBVIO CALIDAD DEL AJUSTE DEPENDERAacute DE PRECISIOacuteN CON QUE SE
LOCALICEN LOS PUNTOS DE CONTROL INEXACTA LOCALIZACIOacuteN
DISTRIBUCIOacuteN MUY SECTORIZADA NUacuteMERO DE PUNTOS DE CONTROL INADECUADO
ESTABLECER LOS PUNTOS DE CONTROL FASE MAS CRUCIAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
procesamiento de la correccioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Resaltamos la importancia de
NUacuteMERO LOCALIZACIOacuteN DISTRIBUCIOacuteN
Que debemos atender Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
que considero UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash Croquis ilustrativos de apoyo
TERRENO O ZONAS PLANAS CON IMG OBTENIDAS POR UN SENSOR DE ESTRECHA VISIOacuteN DE CAMPO
TRANSFORMACIOacuteN
BASADO EN ECUACIONES LINEALES SIMPLES
TERRENO ESCARPADO O RUGOSO O UTILIZACIOacuteN DE IMG OBTENIDAS EN UN SENSOR CON VARIACIONES EN LAS CONDICIONES DE OBSERVACIOacuteN
TRANSFORMACIOacuteN MAacuteS COMPLEJA
POLINOMIOS DE SEGUNDO O TERCER ORDEN
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Desde un punto de vista matemaacutetico
GRADO 1 ndash 3 puntos GRADO 2 ndash 6 puntos GRADO 3 ndash 10 puntos
Seguacuten mis objetivos del trabajo no es conveniente utilizar esos miacutenimos
14 a 20 puntos (Landsat 5 MMS ndash seguacuten Bernstein R y D G Ferneyhough Jr 1978)
100 a 120 puntos (Landsat 7 TM ndash seguacuten el National Remote Sensing Center de Inglaterra)
10 o 12 puntos (Pequentildea zona de 512 x 512 pixeles ndash seguacuten Emilio Chuvieco 2010)
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
matemaacuteticamente UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
QUE DEBEMOS DE CONSIDERAR EN CUANTO A LA LOCALIZACIOacuteN
CLARAMENTE IDENTIFICABLES EN IMAGEN Y MAPA RASGOS HUMANOS DEL PAISAJE NO SUJETOS A DINAMISMO TEMPORAL
CRUCE DE CARRETERAS
CAMINOS VIacuteA FEacuteRREAS
NO CONSIDERAR ELEMENTOS ASOCIADOS AL AGUA
COSTA CURSOS DE AGUA
EMBALSES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
localizacioacuten TCP UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la correccioacuten digital de la geometriacutea de una imagen se realiza a partir de establecer unas funciones que relacionen las coordenadas de la imagen
y las coordenadas del mapa
EJ CASO MAS SIMPLE REGRESIOacuteN LINEAL MUacuteLTIPLE
ci = a0 + a1 Xi + a2 Yi li = b0 + b1 Xi + b2 Yi
EN LA PRAacuteCTICA BASTA UNA FUNCIOacuteN LINEAL PARA ABORDAR UN GRAN NUacuteMERO DE
TRANSFORMACIONES Y SON SUFICIENTES SI LAS IMAacuteGENES NO SON MUY GRANDES ANTE LA NECESIDAD DE OTRAS TRANSFORMACIONES SE UTILIZAN DE 2ordm y 3ordm ORDEN CONSIDERANDO ALTERACIONES GEOMEacuteTRICAS NO LINEALES (FUNCIONES QUE NO SE DEFINEN EN UN PLANO
CON EJES LINEALES SINO QUE SUPERFICIES CON EJES CURVILIacuteNEOS)
LOS COEFICIENTES DE LAS FUNCIONES DE TRANSFORMACIOacuteN SE CALCULAN A PARTIR DE UN AJUSTE POR MIacuteNIMOS CUADRADOS
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
funciones de transformacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash ejemplos de funciones de transformacioacuten geomeacutetrica con el efecto causado
TRASLACIOacuteN
CAMBIO DE ESCALA
INCLINACIOacuteN
PERSPECTIVA
ROTACIOacuteN
x = a0 + xacute y = b0 + yacute
x = xacute + a2 yacute y = yacute
x = a1 xacute y = b1 yacute
x = a3xacute yacute y = yacute
x = a4xacute + a5yacute y = b4xacute + b5yacute a4 = b5 = cos Ɵ a5 = -b4 = sen Ɵ
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
transformacioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
comparacioacuten coordenadas reales y las estimadas por la regresioacuten
el promedio de los residuales se conoce como error medio cuadraacutetico
la calidad del ajuste lo da el RMSE (root mean squared error)
(error medio cuadraacutetico)
RMSE es la raiacutez cuadrada de las desviaciones entre los valores reales y los
calculados
RMSE para cada punto es la raiacutez de los residuales al cuadrado que es la distancia entre ellos
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
RMSE UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la praacutectica hace que fijemos una TOLERANCIA y es que si ese promedio supera un valor fijado previamente haya que rever
el valor fijado previamente generalmente es igual o menor a un PIXEL
una correcta verificacioacuten
NECESITA introducir PUNTOS de VERIFICACIOacuteN
que no hayan sido introducidos en el ajuste
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
tolerancias fijadas
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
traducimos coordenadas de un mapa a la imagen tambieacuten necesitamos a la nueva imagen
TRANSFERIR LOS VALORES DIGITALES no olvidar que lo que queremos es generar una nueva imagen que se
corresponda con las coordenadas y las funciones de ajuste
NO ORIGINAN NUEVA IMAGEN solo colocan a los pixeles en la posicioacuten correcta
en criollo las funciones de transformacioacuten generan una nueva matriz bien posicionada pero vaciacutea
DEBEMOS LLENAR LA MATRIZ problema maacutes complejo de lo que puede
pensarse Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
generacioacuten de la nueva imaacutegen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
cada pixel de la imagen corregida se corresponderiacutea con un pixel de la imagen original
LEJOS DE ESE IDEAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo I
vecino maacutes proacuteximo ( nearest neighbour )
a cada celda de la imagen corregida se asigna el ND del pixel maacutes cercano de la
imagen original
SOLUCIOacuteN RAacutePIDA MENOR DISTORSIOacuteN DE LOS ND
INTRODUCE RASGOS LINEALES QUE DISTORSIONAN
CORRECCIOacuteN DE IMAacuteGENES CLASIFICADAS
CONSERVAR LA RADIOMETRIacuteA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo II
interpolacioacuten bilineal ( bilinear interpolation )
supone promediar los ND de los cuatro pixeles mas cercanos
con ponderacioacuten seguacuten la distancia pixeles originalcorregido
REDUCE EL EFECTO DE DISTORSIOacuteN EN RASGOS LINEALES
TIENDE A DIFUMINAR LOS CONTRASTES ESPACIALES
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE IMAacuteGENES RECTIFICADAS MAPAS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo III
convolusioacuten cuacutebica ( cubic convolution )
supone considerar los ND de los 16 pixeles mas proacuteximos
media ponderada seguacuten la distancia pixeles originalcorregido
EFECTO VISUAL MAS CORRECTO
VOLUacuteMEN DE CAacuteLCULO MUY SUPERIOR TENDENCIA A AGUDIZAR BORDES DE LA IMAGEN
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE ORTOIMAacuteGENES IMPRESIONES DE CALIDAD
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
46 Interpretacioacuten de Imaacutegenes
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento digital Uso cartograacutefico de las imaacutegenes Distorciones de una imagen Fuentes de distorsioacuten Correcciones Los valores de asignacioacuten a los pixeles Histogramas
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ORGANIZACIOacuteN DE UNA IMAGEN
EXPLOTANDO LAS IMAacuteGENES
httpgeograuahesrtm uso cartograacutefico de
las imaacutegenes
LAS IMAacuteGENES DE SENSORES ESPACIALES
NO SON CARTOGRAFIacuteA
NATURALEZA DE LA PROYECCIOacuteN
DISTORSIONES SISTEMEacuteTICAS
DISTORSIONES ALEATORIAS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
DISTORSIONES POSIBLES DE UNA IMAGEN
httpgeograuahesrtm radiomeacutetricas geomeacutetricas
IMAGEN ADQUIRIDA (no olvidemos que la tratamos en su formato numeacuterico matricial) PRESENTARAacute ANOMALIacuteAS CON RESPECTO A LO QUE ES LA IMAGEN REAL
SITUACIOacuteN O UBICACIOacuteN DE SUS PUNTOS VALORES DE LOS NIVELES DIGITALES
Algunas de eacutestas correcciones seraacuten tareas de las estaciones de recepcioacuten (las que ofrecen distintos niveles de correccioacuten)
Pero helliphelliphelliphellip para un estudio detallado de una imagen (como pueden ser estudios
multitemporales o fusioacuten con otros datos de otras fuentes cartograacuteficas) van a requerir de correcciones
EXPLOTANDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FUENTES DE DISTORSIOacuteN
correcciones
EXPLOTANDO LAS IMAacuteGENES
LA PLATAFORMA QUE PORTA AL SATELITE OSCILA
SU MOVIMIENTO ORBITAL ES CASI UNIFORME SIN ACELERACIONES EN DIRECCIONES
LOS SATELITES SUFREN PEQUENtildeAS VARIACIONES
ALTURA ORBITAL
VELOCIDAD ORIENTACIOacuteN (aleteo cabeceo ladeo)
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FUENTES DE DISTORSIOacuteN
correcciones
EXPLOTANDO LAS IMAacuteGENES
OSCILACIOacuteN DE LA PLATAFORMA
ROTACIOacuteN TERRESTRE
TIEMPO DE BARRIDO
DISTORSIOacuteN PANORAacuteMICA
CURVATURA DE LA TIERRA
DISTORSIONES RADIOMEacuteTRICAS PEacuteRDIDA DE LIacuteNEAS O CELDAS BANDEADO EFECTO ATMOSFEacuteRICO
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIONES
operadores
EXPLOTANDO LAS IMAacuteGENES
OPERADOR la funcioacuten matemaacutetica que se aplica sobre la imagen
w = f (xyz) T wrsquo = f lsquo (xlsquoyrsquozrsquo) lo desglosamos en componentes
en x e y seraacuten las transformaciones geomeacutetricas y en z la transformaciones radiomeacutetricas
TIPOS DE OPERADORES puntuales cada elemento de la img final es funcioacuten de un solo elemento de la img inicial
locales luminancia de un elemento de la img final es funcioacuten de las luminancias de un entorno de cada elemento de la img inicial globales toda la img final es funcioacuten de toda la img inicial TRANSFORMACIONES Radiomeacutetricas modifican la amplitud de la sentildeal manteniendo invariable las coordenadas de cada celda
Geomeacutetricas modifican la geometriacutea de la imagen dejando constante los valores de su radiometriacutea
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ANAacuteLISIS DIGITAL DE LAS IMAacuteGENES
httpgeograuahesrtm
los valores de asignacioacuten a los
pixeles
Los sensores utilizados en teledeteccioacuten estaacuten calibrados para recibir valores muy altos de radiacioacuten sin llegar a saturarse por lo que lo normal es que todos los valores recibidos esteacuten muy
por debajo de los maacuteximos posibles
La consecuencia es que los valores de ND obtenidos son muy bajos y las imaacutegenes se van a ver oscuras muy poco
contrastadas Una forma de solventar este problema es ajustar el contraste mediante diversas teacutecnicas
EXPLOTANDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
LA MATRIZ DE DATOS
valores de celdas perdidas
A veces se requiere de poder restaurar valores dado que la matriz de datos contiene celdas perdidas y aparecen ND con valores nulos
en el dominio espacial
Una forma de corregir asignar un valor a la celda o liacutenea perdida tomar para cada pixel el ND del vecino
de la liacutenea anterior de la liacutenea siguiente
promedio en el dominio de la frecuencia
Otra manera seguacuten el valor de la celda en otra banda correlacionada
se calculan los histogramas parciales de las celdas en estudio para cada detector se obtiene la media y desviacioacuten estaacutendar de los ND correspondientes a cada detector
Se aplica NDacuteij = ak ND ij + bk
EXPLOTANDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
RESTAURACIOacuteN DE CELDAS PERDIDAS
estudio de histogramas
httpcoelloujaenesAsignaturasteledeteccion
EXPLOTANDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ESTADIacuteSTICAS E HISTOGRAMA DE UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm que es un
histograma
IMAGEN DIGITAL SIMPLE DE 8 x 8 PIXELES EN NIVELES DE GRIS CON UNA PROFUNDIDAD DE 2 BITS
CUATRO VALORES POSIBLES DE BRILLO PASADOS A TONOS DE GRIS NEGRO GRIS OSCURO GRIS CLARO Y BLANCO
ND BRILLO
0 Negro
1 Gris oscuro
2 Gris claro
3 Blanco
veremos entonces que es un HISTOGRAMA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA
ENTENDIENDO LAS IMAacuteGENES
conceptualidades
REPRESENTACIOacuteN GRAacuteFICA DE LOS NIVELES DE GRISES EN FUNCIOacuteN DE LA REPETICIOacuteN DE VECES EN QUE APARECE CADA UNO DE LOS NIVELES DE GRIS
deducciones
11
15
38
0
adaptado de El histograma de una Imagen Digital Universidad
Politeacutecnica de Valencia
La mayor parte de los piacutexeles son blancos por lo que probablemente la imagen tenga un fondo blanco uniforme
Hay un nuacutemero significativo de pixeles negros y pixeles blancos lo que hace que la imagen presente un aspecto bien contrastado
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA IDEAL
ENTENDIENDO LAS IMAacuteGENES
elementos a considerar
Como regla general se considera que una imagen tiene un buen contraste si su histograma se extiende ocupando casi todo el rango
de tonos
adaptado de El histograma de una Imagen Digital Universidad Politeacutecnica de Valencia
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA IDEAL
ENTENDIENDO LAS IMAacuteGENES
elementos a considerar
Por ejemplo en una imagen nocturna el histograma estaacute fuertemente desplazado al lado izquierdo (zona de tonos oscuros) y
evidencia que no hay apenas ninguna zona de la imagen muy brillante
adaptado de El histograma de una Imagen Digital Universidad Politeacutecnica de Valencia
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA IDEAL
ENTENDIENDO LAS IMAacuteGENES
elementos a considerar
En este caso el histograma es marcadamente maacutes alto en la zona de grises claros y blancos y apareceraacute corrido a la derecha hacia el
lado de los valores altos de iluminacioacuten
adaptado de El histograma de una Imagen Digital Universidad Politeacutecnica de Valencia
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA IDEAL
ENTENDIENDO LAS IMAacuteGENES
elementos a considerar
Se entiende por contraste la diferencia de brillo entre las zonas maacutes claras y maacutes oscuras en una imagen En este paisaje con niebla es
un ejemplo de bajo contraste Se traduce en un histograma estrecho Ademaacutes como la toacutenica dominante son los grises medios
se observa que estaacute bastante centrado
adaptado de El histograma de una Imagen Digital Universidad Politeacutecnica de Valencia
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
conjunto de datos
Frente a escenas con una iluminacioacuten maacutes normal y con una gran cantidad de elementos detectados los histogramas deberiacutean ser como en el primer caso que
hemos visto
Si no sucede
Histograma desplazado a la izquierda puede denotar falta de exposicioacuten
Histograma desplazado a la derecha puede ser un exceso de exposicioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
46 Interpretacioacuten de Imaacutegenes
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento digital Optimizacioacuten de las imaacutegenes Realces y mejoras visuales Contraste en una imagen Composiciones color El color verdadero el falso color el pseudo color
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
OPTIMIZACIOacuteN DE LAS IMAacuteGENES
ENTENDIENDO LAS IMAacuteGENES
mejorar visualmente las imaacutegenes
MANIPULAR DE FORMA FLEXIBLE Y SOFISTICADA EL ND DE LOS PIXELES
LUEGO DE CORRECCIONES LAS IMAacuteGENES HAY QUE OPTIMIZARLAS DESDE EL PUNTO DE VISTA VISUAL
diferentes tipos
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
REALCES Y MEJORAS VISUALES
ENTENDIENDO LAS IMAacuteGENES
httpamericalatina-nacblogspotcomuy2009_10_01_archivehtml
optimizacioacuten de las imaacutegenes
proceso destinado a facilitar la interpretacioacuten visual
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
ecualizacioacuten del histograma
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
gaussiano
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
lineal 2
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
lineal
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
raiacutez cuadrada
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
lineal 0 - 255
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PORQUEacute EL REALCE
ENTENDIENDO LAS IMAacuteGENES
LOS SENSORES SON CALIBRADOS PARA ABARCAR TODO EL RANGO POSIBLE DE RADIANCIAS
PARA CADA USO EN CONCRETO ES NECESIDAD IMPERIOSA
EXPANDIR EL HISTOGRAMA Y ASIacute CUBRIR EL RANGO COMPLETO DE NIVELES DE GRIS
histograma UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CONTRASTE EN UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
expansioacuten del contraste
los datos uacutetiles solo ocupan pequentildea parte de los niveles de gris disponibles
expandir o estirar el histograma es cambiar los valores originales de ND para utilizar mayor rango
asiacute incrementar el contraste visual de diferentes objetos
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
ejemplos visuales
sin realce lineal
frecuencial gamma
MEacuteTODOS DE EXPANSIOacuteN DEL CONTRASTE
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
lineal
expansioacuten lineal
lo maacutes simple transformacioacuten en liacutenea llevando el valor miacutenimo a 0 y maacuteximo a 255 o se usa un rango por encima y por debajo de miacutenimo y maacuteximo
EXPANSIOacuteN I
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
lineal
EXPANSIOacuteN I expansioacuten
logariacutetmico exponencial
gamma
curvas de transferencia en lugar de rectas gamma es la curvatura de dicha curva se expanden maacutes el contraste de los extremos o del centro
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
frecuencial
EXPANSIOacuteN II
frecuencial ecualizacioacuten del
histograma
cuando los valores de ND no estaacuten distribuidos uniformemente intentar en la medida de lo posible que los valores de salida de los ND tengan el mismo de pixeles con dicho valor
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CONTRASTE EN UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
compresioacuten del contraste
Ya sabemos que el contraste mide el rango dinaacutemico de los colores en la imagen es decir una imagen muy contrastada tiene un amplio abanico de colores (o tonos de gris) desde valores muy bajos a valores muy altos Para una imagen con poco contraste los colores estaacuten muy juntos el margen dinaacutemico es pequentildeo La variacioacuten en el contraste aparece como una compresioacuten del histograma en caso de una reduccioacuten a la inversa de lo visto en el caso de una expansioacuten
Compresioacuten si el rango excede de las capacidades del sistema
Se ha de comparar el nuacutemero de niveles digitales (ND) de la imagen con los niveles de visualizacioacuten (NV) o grises del sistema Es de menos aplicacioacuten Al igual que el brillo variando el contraste se puede provocar una peacuterdida de informacioacuten de la imagen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
MAYOR APLICABILIDAD DEL REALCE
ENTENDIENDO LAS IMAacuteGENES
realce oacuteptimo
realce frecuencial
realce lineal
laquo r e a l c e oacute p t i m o raquo optimiza interpretacioacuten de la imagen
mejor esteacutetica de la imagen NO COINCIDE CON NINGUacuteN CORTE PREDETERMINADO
Y SE LOGRA INTERACTIVAMENTE EN PANTALLA Y PARA CADA BANDA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
COMPOSICIONES COLOR
ENTENDIENDO LAS IMAacuteGENES
formatos de composiciones
CON LA CRECIENTE APARICIOacuteN DE LOS SENSORES HIPERESPECTRALES LAS POSIBILIDADES DE COMPOSICIONES
COLOREADAS DE BANDAS SON CASI ILIMITADAS
LA ELECCIOacuteN DE LAS BANDAS PARA REALIZAR LA COMPOSICIOacuteN Y EL ORDEN DE LAS BANDAS ASIGANADAS A LOS COLORES
PRIMARIOS DEPENDERAacute DE
Sensor Aplicacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EL SEUDO - COLOR
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm formatos de
composiciones
Ya hemos afirmado de que el ojo humano es maacutes capaz de distinguir tonos de color que intensidades de brillo
Por ello el empleo del color ayuda a la interpretacioacuten incluso cuando podamos tener una sola imagen de una banda
Es aquiacute que hablamos del SEUDO COLOR por no contar con tres bandas
El seudo color implica la creacioacuten de una CLUT que asocie el ND de una sola banda a distintos componentes del R V y A APLICACIONES 1 Para tener una leyenda de colores para una img clasificada 2 Para realzar el anaacutelisis de una determinada banda y sustituir los tonos de gris por una paleta de colores
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CLUT COLOUR LOOK-UP TABLE TABLA DE CONSULTA DE COLOR
ENTENDIENDO LAS IMAacuteGENES
httpsenwikipediaorgwikiColour_look-up_table
creacioacuten del seudo color
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Filtros espaciales Concepto de kernel Filtros paso bajo y paso alto Filtros direccionales Anomaliacuteas y correccioacuten atmosfeacuterica Correcciones radiomeacutetricas Anomaliacuteas radiomeacutetricas Fallos en el sensorCorreccioacuten atmosfeacuterica concepto Meacutetodo valores miacutenimos Regresioacuten entre bandas Dispersioacuten por aerosolesCalibracioacuten Caso misioacuten Landsat
47 Interpretacioacuten de Imaacutegenes
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de que es un filtro
espacial
FUNCIONES PARA MEJORAR ASPECTO DE LAS IMAacuteGENES
REALZAN O DISMINUYEN ELEMENTOS VISUALES DE LA IMG
BASADOS EN LA FRECUENCIA ESPACIAL
FRECUENCIAS ESPACIALES ALTAS Variaciones que se producen en pocos piacutexeles TENDENCIA GENERAL FRECUENCIAS ESPACIALES BAJAS
Variaciones que se producen en muchos piacutexeles CONTRASTES LOCALES
FILTROS Figura - CCRS CCT
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de kernel
FILTRADO ESPACIAL Figura - CCRS CCT FILTRADO EN EL DOMINIO
ESPACIAL Lo mas comuacuten es la aplicacioacuten de una ventana deslizante con valores que son coeficientes fijos de una matriz La MATRIZ se suele llamar KERNEL o nuacutecleo del filtro
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DIGITAL
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
3 x 3 5 x 5 7 x 7
1 1 1
1 2 1
1 1 1 matrices
LOS VALORES DEL KERNEL SE MULTIPLICAN POR EL PIacuteXEL QUE TIENEN DEBAJO Y LUEGO SE SUMAN TODOS LOS PRODUCTOS
Y PARA OBTENER EL VALOR DEL PIacuteXEL CENTRAL EN LA IMAGEN TRANSFORMADA SE LO DIVIDE POR LA SUMA DE LOS PONDERADOS O PESOS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO - PASO BAJO PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
26
FILTROS DE PASO BAJO SE FAVORECEN A LOS PIXELES
PERIFEacuteRICOS SE MINIMIZAN LAS DIFERENCIAS CON LOS VECINOS ES UNA ESPECIE DE SUAVIZADO
FILTRO DE PASO ALTO PONDERACIOacuteN DEL VALOR CENTRAL EN DETRIMENTO DE LOS CIRCUNDANTES
SE EXAGERAN DIFERENCIAS Y SE RESALTAN VARIACIONES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO BAJO
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm
simulacioacuten
IMAGEN ORIGINAL
FILTRO PASO BAJO 3x3 SE TRATA DE ASEMEJAR LOS VALORES DE ND DE UN PIXEL A LOS VALORES VECINOS EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA OFRECE PERFILES MENOS NIacuteTIDOS
FILTRO PASO BAJO 7x7 SIRVE PARA REDUCIR VARIABILIDAD ESPACIAL DE ALGUNA CATEGORIacuteA ANTES DE UN PROCESO DE CLASIFICACIOacuteN
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
IMAGEN ORIGINAL
FILTRO PASO ALTO 3x3 SE TRATA DE AISLAR LOS COMPONENTES DE ALTA FRECUENCIA Y REMARCAR DIGITALMENTE CONTRASTES EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA REFUERZA LOS CONTORNOS EN AacuteREAS HOMOGEacuteNEAS
FILTRO PASO ALTO 7x7 SIRVE PARA LOGRAR REALCES DE RASGOS LINEALES COMO PUEDEN SER EN AacuteREAS URBANAS O RASGOS GEOLOacuteGICOS
simulacioacuten
httpgeograuahesrtm
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
Figura - Landsat USGS
IMAGEN ORIGINAL
FILTRO DIRECCIONAL PERMITEN IDENTIFICAR LOS RASGOS FRONTERIZOS EN LAS IMAacuteGENES COMO LOS FILTROS ANTERIORES PERO AHORA CONSIDERANDO LA ORIENTACIOacuteN
se tiene en cuenta la
orientacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
matrices con direccioacuten
NORTE
1 1 1
1 -2 1
-1 -1 -1
SUR
-1 -1 -1
1 -2 1
1 1 1
ESTE
-1 1 1
-1 -2 1
-1 1 1
OESTE
1 1 -1
1 -2 -1
1 1 -1
SURESTE
-1 -1 1
-1 -2 1
1 1 1
NOROESTE
1 1 1
1 -2 -1
1 -1 -1
SUROESTE
1 -1 -1
1 -2 -1
1 1 1
NORESTE
1 1 1
-1 -2 1
-1 -1 1
OBSERVACIOacuteN
LOS NOMBRES OBEDECEN A LA DIRECCIOacuteN DEL CONTRASTE QUE SENtildeALAN
LA DIRECCIOacuteN QUE REALZAN ES JUSTAMENTE LA PERPENDICULAR
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
48 Interpretacioacuten de Imaacutegenes
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Correcciones geomeacutetricas Georreferenciacioacuten Uso de puntos de control Fuentes de error Procesamiento geomeacutetrico Correccioacuten Transformacioacuten geomeacutetrica Calidad y ajuste Generacioacuten de la nueva imagen Transferencia de ND
INSTITUTO DE AGRIMENSURA - DEPARTAMENTO DE GEOMAacuteTICA PROF ADJUNTO GRADO 3 EDISON J ROSAS BERTON
El tratamiento de una imagen de sateacutelite Georreferenciacioacuten
(paso de un sistema de filas y columnas a un sistema de coordenadas estandard)
Para ello debe obtenerse una muestra de puntos de control de los que conozcamos tanto sus coordenadas reales como sus coordenadas en
la imagen deben ser por tanto objetos de un tamantildeo adecuado para resultar identificables tanto en la imagen como sobre el terreno el tamantildeo
dependeraacute loacutegicamente de la resolucioacuten de la imagen A partir de estos puntos de control se obtendraacuten por regresioacuten unas ecuaciones que permitiraacuten a cada par filacolumna un par de coordenadas
XY
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
GEORREFERENCIACIOacuteN
ENTENDIENDO LAS IMAacuteGENES
georreferenciacioacuten porqueacute
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PUNTOS DE CONTROL
ENTENDIENDO LAS IMAacuteGENES
uso de puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
DISTORSIONES POR LA PLATAFORMA ALTITUD DE LA OacuteRBITA ndash Cambio de escala
VELOCIDAD ndash Cambios de escala ORIENTACIOacuteN DE LOS TRES EJES ndash Distorsiones en la geometriacutea
NO SISTEMAacuteTICOS Y COMPLEJOS DE MODELAR
DISTORSIONES POR ROTACIOacuteN TERRESTRE
CONSIDERANDO ALTITUD (800 Km) y TAMANtildeO DE LA IMAGEN (180 Km)ndashEn latitudes medias tarda en adquirir unos 30 segundos la Tierra se desplaza unos 8 Km
ORIENTACIOacuteN NE SW
DISTORSIONES POR EL SENSOR ANOMALIacuteAS SENSOR y MOVIMIENTO ESPEJO ndash Barrido no lineal o cambio en intervalos
AacuteNGULO DE BARRIDO ndash Variacioacuten en el tamantildeo de pixel
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ERROR EN UNA IMAGEN ESPACIAL
ENTENDIENDO LAS IMAacuteGENES
fuentes de error
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Una correccioacuten geomeacutetrica incluye CUALQUIER CAMBIO EN LA POSICIOacuteN DE LOS PIXELES que
conforman la imagen f (c`) = f1 (c l) f (x y) f (l`) = f2 (c l) f (x y)
COORDENADAS DE IMAGEN CORREGIDA SON FUNCIOacuteN DE COORDENADAS COLUMNA Y LIacuteNEA DE LA
IMAGEN DE ENTRADA O DE LAS COORDENADAS DE MAPA AL QUE SUPERPONDREMOS LA IMAGEN
1 CON OBJETIVO DE REALIZAR UNA TRANSFORMACIOacuteN GEOMEacuteTRICA QUE PERMITA AJUSTARLA A OTRA IMAGEN REFERENCIA NORMALMENTE PARA REALIZAR ESTUDIOS MULTITEMPORALES O MOSAICOS CON EL FIN DE AMPLIAR LOS DATOS E INFORMACIOacuteN DE UNA ZONA
2 ESTO PERMITIRAacute QUE LA NUEVA IMAGEN LA PUEDA INTEGRAR CON INFORMACIOacuteN DE OTRAS FUENTES POR EJEMPLO EN UN AMBIENTE SIG
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
correccioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
asumimos que
NO SE CONOCE EL ORIGEN DE LOS ERRORES
modelamos
ECUACIONES EMPIacuteRICAS
aplicadas a un conjunto de puntos
COORDENADAS CONOCIDAS IMAGEN INPUT e IMAGEN OUTPUT
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
1 ndash SELECCIOacuteN DE REFERENCIAS 2 ndash ECUACIONES DE AJUSTE
3 ndash GENERACIOacuteN DE LA IMAGEN CORREGIDA
ES OBVIO CALIDAD DEL AJUSTE DEPENDERAacute DE PRECISIOacuteN CON QUE SE
LOCALICEN LOS PUNTOS DE CONTROL INEXACTA LOCALIZACIOacuteN
DISTRIBUCIOacuteN MUY SECTORIZADA NUacuteMERO DE PUNTOS DE CONTROL INADECUADO
ESTABLECER LOS PUNTOS DE CONTROL FASE MAS CRUCIAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
procesamiento de la correccioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Resaltamos la importancia de
NUacuteMERO LOCALIZACIOacuteN DISTRIBUCIOacuteN
Que debemos atender Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
que considero UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash Croquis ilustrativos de apoyo
TERRENO O ZONAS PLANAS CON IMG OBTENIDAS POR UN SENSOR DE ESTRECHA VISIOacuteN DE CAMPO
TRANSFORMACIOacuteN
BASADO EN ECUACIONES LINEALES SIMPLES
TERRENO ESCARPADO O RUGOSO O UTILIZACIOacuteN DE IMG OBTENIDAS EN UN SENSOR CON VARIACIONES EN LAS CONDICIONES DE OBSERVACIOacuteN
TRANSFORMACIOacuteN MAacuteS COMPLEJA
POLINOMIOS DE SEGUNDO O TERCER ORDEN
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Desde un punto de vista matemaacutetico
GRADO 1 ndash 3 puntos GRADO 2 ndash 6 puntos GRADO 3 ndash 10 puntos
Seguacuten mis objetivos del trabajo no es conveniente utilizar esos miacutenimos
14 a 20 puntos (Landsat 5 MMS ndash seguacuten Bernstein R y D G Ferneyhough Jr 1978)
100 a 120 puntos (Landsat 7 TM ndash seguacuten el National Remote Sensing Center de Inglaterra)
10 o 12 puntos (Pequentildea zona de 512 x 512 pixeles ndash seguacuten Emilio Chuvieco 2010)
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
matemaacuteticamente UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
QUE DEBEMOS DE CONSIDERAR EN CUANTO A LA LOCALIZACIOacuteN
CLARAMENTE IDENTIFICABLES EN IMAGEN Y MAPA RASGOS HUMANOS DEL PAISAJE NO SUJETOS A DINAMISMO TEMPORAL
CRUCE DE CARRETERAS
CAMINOS VIacuteA FEacuteRREAS
NO CONSIDERAR ELEMENTOS ASOCIADOS AL AGUA
COSTA CURSOS DE AGUA
EMBALSES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
localizacioacuten TCP UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la correccioacuten digital de la geometriacutea de una imagen se realiza a partir de establecer unas funciones que relacionen las coordenadas de la imagen
y las coordenadas del mapa
EJ CASO MAS SIMPLE REGRESIOacuteN LINEAL MUacuteLTIPLE
ci = a0 + a1 Xi + a2 Yi li = b0 + b1 Xi + b2 Yi
EN LA PRAacuteCTICA BASTA UNA FUNCIOacuteN LINEAL PARA ABORDAR UN GRAN NUacuteMERO DE
TRANSFORMACIONES Y SON SUFICIENTES SI LAS IMAacuteGENES NO SON MUY GRANDES ANTE LA NECESIDAD DE OTRAS TRANSFORMACIONES SE UTILIZAN DE 2ordm y 3ordm ORDEN CONSIDERANDO ALTERACIONES GEOMEacuteTRICAS NO LINEALES (FUNCIONES QUE NO SE DEFINEN EN UN PLANO
CON EJES LINEALES SINO QUE SUPERFICIES CON EJES CURVILIacuteNEOS)
LOS COEFICIENTES DE LAS FUNCIONES DE TRANSFORMACIOacuteN SE CALCULAN A PARTIR DE UN AJUSTE POR MIacuteNIMOS CUADRADOS
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
funciones de transformacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash ejemplos de funciones de transformacioacuten geomeacutetrica con el efecto causado
TRASLACIOacuteN
CAMBIO DE ESCALA
INCLINACIOacuteN
PERSPECTIVA
ROTACIOacuteN
x = a0 + xacute y = b0 + yacute
x = xacute + a2 yacute y = yacute
x = a1 xacute y = b1 yacute
x = a3xacute yacute y = yacute
x = a4xacute + a5yacute y = b4xacute + b5yacute a4 = b5 = cos Ɵ a5 = -b4 = sen Ɵ
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
transformacioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
comparacioacuten coordenadas reales y las estimadas por la regresioacuten
el promedio de los residuales se conoce como error medio cuadraacutetico
la calidad del ajuste lo da el RMSE (root mean squared error)
(error medio cuadraacutetico)
RMSE es la raiacutez cuadrada de las desviaciones entre los valores reales y los
calculados
RMSE para cada punto es la raiacutez de los residuales al cuadrado que es la distancia entre ellos
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
RMSE UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la praacutectica hace que fijemos una TOLERANCIA y es que si ese promedio supera un valor fijado previamente haya que rever
el valor fijado previamente generalmente es igual o menor a un PIXEL
una correcta verificacioacuten
NECESITA introducir PUNTOS de VERIFICACIOacuteN
que no hayan sido introducidos en el ajuste
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
tolerancias fijadas
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
traducimos coordenadas de un mapa a la imagen tambieacuten necesitamos a la nueva imagen
TRANSFERIR LOS VALORES DIGITALES no olvidar que lo que queremos es generar una nueva imagen que se
corresponda con las coordenadas y las funciones de ajuste
NO ORIGINAN NUEVA IMAGEN solo colocan a los pixeles en la posicioacuten correcta
en criollo las funciones de transformacioacuten generan una nueva matriz bien posicionada pero vaciacutea
DEBEMOS LLENAR LA MATRIZ problema maacutes complejo de lo que puede
pensarse Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
generacioacuten de la nueva imaacutegen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
cada pixel de la imagen corregida se corresponderiacutea con un pixel de la imagen original
LEJOS DE ESE IDEAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo I
vecino maacutes proacuteximo ( nearest neighbour )
a cada celda de la imagen corregida se asigna el ND del pixel maacutes cercano de la
imagen original
SOLUCIOacuteN RAacutePIDA MENOR DISTORSIOacuteN DE LOS ND
INTRODUCE RASGOS LINEALES QUE DISTORSIONAN
CORRECCIOacuteN DE IMAacuteGENES CLASIFICADAS
CONSERVAR LA RADIOMETRIacuteA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo II
interpolacioacuten bilineal ( bilinear interpolation )
supone promediar los ND de los cuatro pixeles mas cercanos
con ponderacioacuten seguacuten la distancia pixeles originalcorregido
REDUCE EL EFECTO DE DISTORSIOacuteN EN RASGOS LINEALES
TIENDE A DIFUMINAR LOS CONTRASTES ESPACIALES
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE IMAacuteGENES RECTIFICADAS MAPAS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo III
convolusioacuten cuacutebica ( cubic convolution )
supone considerar los ND de los 16 pixeles mas proacuteximos
media ponderada seguacuten la distancia pixeles originalcorregido
EFECTO VISUAL MAS CORRECTO
VOLUacuteMEN DE CAacuteLCULO MUY SUPERIOR TENDENCIA A AGUDIZAR BORDES DE LA IMAGEN
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE ORTOIMAacuteGENES IMPRESIONES DE CALIDAD
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ORGANIZACIOacuteN DE UNA IMAGEN
EXPLOTANDO LAS IMAacuteGENES
httpgeograuahesrtm uso cartograacutefico de
las imaacutegenes
LAS IMAacuteGENES DE SENSORES ESPACIALES
NO SON CARTOGRAFIacuteA
NATURALEZA DE LA PROYECCIOacuteN
DISTORSIONES SISTEMEacuteTICAS
DISTORSIONES ALEATORIAS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
DISTORSIONES POSIBLES DE UNA IMAGEN
httpgeograuahesrtm radiomeacutetricas geomeacutetricas
IMAGEN ADQUIRIDA (no olvidemos que la tratamos en su formato numeacuterico matricial) PRESENTARAacute ANOMALIacuteAS CON RESPECTO A LO QUE ES LA IMAGEN REAL
SITUACIOacuteN O UBICACIOacuteN DE SUS PUNTOS VALORES DE LOS NIVELES DIGITALES
Algunas de eacutestas correcciones seraacuten tareas de las estaciones de recepcioacuten (las que ofrecen distintos niveles de correccioacuten)
Pero helliphelliphelliphellip para un estudio detallado de una imagen (como pueden ser estudios
multitemporales o fusioacuten con otros datos de otras fuentes cartograacuteficas) van a requerir de correcciones
EXPLOTANDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FUENTES DE DISTORSIOacuteN
correcciones
EXPLOTANDO LAS IMAacuteGENES
LA PLATAFORMA QUE PORTA AL SATELITE OSCILA
SU MOVIMIENTO ORBITAL ES CASI UNIFORME SIN ACELERACIONES EN DIRECCIONES
LOS SATELITES SUFREN PEQUENtildeAS VARIACIONES
ALTURA ORBITAL
VELOCIDAD ORIENTACIOacuteN (aleteo cabeceo ladeo)
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FUENTES DE DISTORSIOacuteN
correcciones
EXPLOTANDO LAS IMAacuteGENES
OSCILACIOacuteN DE LA PLATAFORMA
ROTACIOacuteN TERRESTRE
TIEMPO DE BARRIDO
DISTORSIOacuteN PANORAacuteMICA
CURVATURA DE LA TIERRA
DISTORSIONES RADIOMEacuteTRICAS PEacuteRDIDA DE LIacuteNEAS O CELDAS BANDEADO EFECTO ATMOSFEacuteRICO
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIONES
operadores
EXPLOTANDO LAS IMAacuteGENES
OPERADOR la funcioacuten matemaacutetica que se aplica sobre la imagen
w = f (xyz) T wrsquo = f lsquo (xlsquoyrsquozrsquo) lo desglosamos en componentes
en x e y seraacuten las transformaciones geomeacutetricas y en z la transformaciones radiomeacutetricas
TIPOS DE OPERADORES puntuales cada elemento de la img final es funcioacuten de un solo elemento de la img inicial
locales luminancia de un elemento de la img final es funcioacuten de las luminancias de un entorno de cada elemento de la img inicial globales toda la img final es funcioacuten de toda la img inicial TRANSFORMACIONES Radiomeacutetricas modifican la amplitud de la sentildeal manteniendo invariable las coordenadas de cada celda
Geomeacutetricas modifican la geometriacutea de la imagen dejando constante los valores de su radiometriacutea
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ANAacuteLISIS DIGITAL DE LAS IMAacuteGENES
httpgeograuahesrtm
los valores de asignacioacuten a los
pixeles
Los sensores utilizados en teledeteccioacuten estaacuten calibrados para recibir valores muy altos de radiacioacuten sin llegar a saturarse por lo que lo normal es que todos los valores recibidos esteacuten muy
por debajo de los maacuteximos posibles
La consecuencia es que los valores de ND obtenidos son muy bajos y las imaacutegenes se van a ver oscuras muy poco
contrastadas Una forma de solventar este problema es ajustar el contraste mediante diversas teacutecnicas
EXPLOTANDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
LA MATRIZ DE DATOS
valores de celdas perdidas
A veces se requiere de poder restaurar valores dado que la matriz de datos contiene celdas perdidas y aparecen ND con valores nulos
en el dominio espacial
Una forma de corregir asignar un valor a la celda o liacutenea perdida tomar para cada pixel el ND del vecino
de la liacutenea anterior de la liacutenea siguiente
promedio en el dominio de la frecuencia
Otra manera seguacuten el valor de la celda en otra banda correlacionada
se calculan los histogramas parciales de las celdas en estudio para cada detector se obtiene la media y desviacioacuten estaacutendar de los ND correspondientes a cada detector
Se aplica NDacuteij = ak ND ij + bk
EXPLOTANDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
RESTAURACIOacuteN DE CELDAS PERDIDAS
estudio de histogramas
httpcoelloujaenesAsignaturasteledeteccion
EXPLOTANDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ESTADIacuteSTICAS E HISTOGRAMA DE UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm que es un
histograma
IMAGEN DIGITAL SIMPLE DE 8 x 8 PIXELES EN NIVELES DE GRIS CON UNA PROFUNDIDAD DE 2 BITS
CUATRO VALORES POSIBLES DE BRILLO PASADOS A TONOS DE GRIS NEGRO GRIS OSCURO GRIS CLARO Y BLANCO
ND BRILLO
0 Negro
1 Gris oscuro
2 Gris claro
3 Blanco
veremos entonces que es un HISTOGRAMA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA
ENTENDIENDO LAS IMAacuteGENES
conceptualidades
REPRESENTACIOacuteN GRAacuteFICA DE LOS NIVELES DE GRISES EN FUNCIOacuteN DE LA REPETICIOacuteN DE VECES EN QUE APARECE CADA UNO DE LOS NIVELES DE GRIS
deducciones
11
15
38
0
adaptado de El histograma de una Imagen Digital Universidad
Politeacutecnica de Valencia
La mayor parte de los piacutexeles son blancos por lo que probablemente la imagen tenga un fondo blanco uniforme
Hay un nuacutemero significativo de pixeles negros y pixeles blancos lo que hace que la imagen presente un aspecto bien contrastado
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA IDEAL
ENTENDIENDO LAS IMAacuteGENES
elementos a considerar
Como regla general se considera que una imagen tiene un buen contraste si su histograma se extiende ocupando casi todo el rango
de tonos
adaptado de El histograma de una Imagen Digital Universidad Politeacutecnica de Valencia
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA IDEAL
ENTENDIENDO LAS IMAacuteGENES
elementos a considerar
Por ejemplo en una imagen nocturna el histograma estaacute fuertemente desplazado al lado izquierdo (zona de tonos oscuros) y
evidencia que no hay apenas ninguna zona de la imagen muy brillante
adaptado de El histograma de una Imagen Digital Universidad Politeacutecnica de Valencia
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA IDEAL
ENTENDIENDO LAS IMAacuteGENES
elementos a considerar
En este caso el histograma es marcadamente maacutes alto en la zona de grises claros y blancos y apareceraacute corrido a la derecha hacia el
lado de los valores altos de iluminacioacuten
adaptado de El histograma de una Imagen Digital Universidad Politeacutecnica de Valencia
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA IDEAL
ENTENDIENDO LAS IMAacuteGENES
elementos a considerar
Se entiende por contraste la diferencia de brillo entre las zonas maacutes claras y maacutes oscuras en una imagen En este paisaje con niebla es
un ejemplo de bajo contraste Se traduce en un histograma estrecho Ademaacutes como la toacutenica dominante son los grises medios
se observa que estaacute bastante centrado
adaptado de El histograma de una Imagen Digital Universidad Politeacutecnica de Valencia
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
conjunto de datos
Frente a escenas con una iluminacioacuten maacutes normal y con una gran cantidad de elementos detectados los histogramas deberiacutean ser como en el primer caso que
hemos visto
Si no sucede
Histograma desplazado a la izquierda puede denotar falta de exposicioacuten
Histograma desplazado a la derecha puede ser un exceso de exposicioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
46 Interpretacioacuten de Imaacutegenes
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento digital Optimizacioacuten de las imaacutegenes Realces y mejoras visuales Contraste en una imagen Composiciones color El color verdadero el falso color el pseudo color
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
OPTIMIZACIOacuteN DE LAS IMAacuteGENES
ENTENDIENDO LAS IMAacuteGENES
mejorar visualmente las imaacutegenes
MANIPULAR DE FORMA FLEXIBLE Y SOFISTICADA EL ND DE LOS PIXELES
LUEGO DE CORRECCIONES LAS IMAacuteGENES HAY QUE OPTIMIZARLAS DESDE EL PUNTO DE VISTA VISUAL
diferentes tipos
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
REALCES Y MEJORAS VISUALES
ENTENDIENDO LAS IMAacuteGENES
httpamericalatina-nacblogspotcomuy2009_10_01_archivehtml
optimizacioacuten de las imaacutegenes
proceso destinado a facilitar la interpretacioacuten visual
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
ecualizacioacuten del histograma
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
gaussiano
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
lineal 2
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
lineal
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
raiacutez cuadrada
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
lineal 0 - 255
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PORQUEacute EL REALCE
ENTENDIENDO LAS IMAacuteGENES
LOS SENSORES SON CALIBRADOS PARA ABARCAR TODO EL RANGO POSIBLE DE RADIANCIAS
PARA CADA USO EN CONCRETO ES NECESIDAD IMPERIOSA
EXPANDIR EL HISTOGRAMA Y ASIacute CUBRIR EL RANGO COMPLETO DE NIVELES DE GRIS
histograma UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CONTRASTE EN UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
expansioacuten del contraste
los datos uacutetiles solo ocupan pequentildea parte de los niveles de gris disponibles
expandir o estirar el histograma es cambiar los valores originales de ND para utilizar mayor rango
asiacute incrementar el contraste visual de diferentes objetos
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
ejemplos visuales
sin realce lineal
frecuencial gamma
MEacuteTODOS DE EXPANSIOacuteN DEL CONTRASTE
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
lineal
expansioacuten lineal
lo maacutes simple transformacioacuten en liacutenea llevando el valor miacutenimo a 0 y maacuteximo a 255 o se usa un rango por encima y por debajo de miacutenimo y maacuteximo
EXPANSIOacuteN I
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
lineal
EXPANSIOacuteN I expansioacuten
logariacutetmico exponencial
gamma
curvas de transferencia en lugar de rectas gamma es la curvatura de dicha curva se expanden maacutes el contraste de los extremos o del centro
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
frecuencial
EXPANSIOacuteN II
frecuencial ecualizacioacuten del
histograma
cuando los valores de ND no estaacuten distribuidos uniformemente intentar en la medida de lo posible que los valores de salida de los ND tengan el mismo de pixeles con dicho valor
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CONTRASTE EN UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
compresioacuten del contraste
Ya sabemos que el contraste mide el rango dinaacutemico de los colores en la imagen es decir una imagen muy contrastada tiene un amplio abanico de colores (o tonos de gris) desde valores muy bajos a valores muy altos Para una imagen con poco contraste los colores estaacuten muy juntos el margen dinaacutemico es pequentildeo La variacioacuten en el contraste aparece como una compresioacuten del histograma en caso de una reduccioacuten a la inversa de lo visto en el caso de una expansioacuten
Compresioacuten si el rango excede de las capacidades del sistema
Se ha de comparar el nuacutemero de niveles digitales (ND) de la imagen con los niveles de visualizacioacuten (NV) o grises del sistema Es de menos aplicacioacuten Al igual que el brillo variando el contraste se puede provocar una peacuterdida de informacioacuten de la imagen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
MAYOR APLICABILIDAD DEL REALCE
ENTENDIENDO LAS IMAacuteGENES
realce oacuteptimo
realce frecuencial
realce lineal
laquo r e a l c e oacute p t i m o raquo optimiza interpretacioacuten de la imagen
mejor esteacutetica de la imagen NO COINCIDE CON NINGUacuteN CORTE PREDETERMINADO
Y SE LOGRA INTERACTIVAMENTE EN PANTALLA Y PARA CADA BANDA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
COMPOSICIONES COLOR
ENTENDIENDO LAS IMAacuteGENES
formatos de composiciones
CON LA CRECIENTE APARICIOacuteN DE LOS SENSORES HIPERESPECTRALES LAS POSIBILIDADES DE COMPOSICIONES
COLOREADAS DE BANDAS SON CASI ILIMITADAS
LA ELECCIOacuteN DE LAS BANDAS PARA REALIZAR LA COMPOSICIOacuteN Y EL ORDEN DE LAS BANDAS ASIGANADAS A LOS COLORES
PRIMARIOS DEPENDERAacute DE
Sensor Aplicacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EL SEUDO - COLOR
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm formatos de
composiciones
Ya hemos afirmado de que el ojo humano es maacutes capaz de distinguir tonos de color que intensidades de brillo
Por ello el empleo del color ayuda a la interpretacioacuten incluso cuando podamos tener una sola imagen de una banda
Es aquiacute que hablamos del SEUDO COLOR por no contar con tres bandas
El seudo color implica la creacioacuten de una CLUT que asocie el ND de una sola banda a distintos componentes del R V y A APLICACIONES 1 Para tener una leyenda de colores para una img clasificada 2 Para realzar el anaacutelisis de una determinada banda y sustituir los tonos de gris por una paleta de colores
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CLUT COLOUR LOOK-UP TABLE TABLA DE CONSULTA DE COLOR
ENTENDIENDO LAS IMAacuteGENES
httpsenwikipediaorgwikiColour_look-up_table
creacioacuten del seudo color
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Filtros espaciales Concepto de kernel Filtros paso bajo y paso alto Filtros direccionales Anomaliacuteas y correccioacuten atmosfeacuterica Correcciones radiomeacutetricas Anomaliacuteas radiomeacutetricas Fallos en el sensorCorreccioacuten atmosfeacuterica concepto Meacutetodo valores miacutenimos Regresioacuten entre bandas Dispersioacuten por aerosolesCalibracioacuten Caso misioacuten Landsat
47 Interpretacioacuten de Imaacutegenes
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de que es un filtro
espacial
FUNCIONES PARA MEJORAR ASPECTO DE LAS IMAacuteGENES
REALZAN O DISMINUYEN ELEMENTOS VISUALES DE LA IMG
BASADOS EN LA FRECUENCIA ESPACIAL
FRECUENCIAS ESPACIALES ALTAS Variaciones que se producen en pocos piacutexeles TENDENCIA GENERAL FRECUENCIAS ESPACIALES BAJAS
Variaciones que se producen en muchos piacutexeles CONTRASTES LOCALES
FILTROS Figura - CCRS CCT
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de kernel
FILTRADO ESPACIAL Figura - CCRS CCT FILTRADO EN EL DOMINIO
ESPACIAL Lo mas comuacuten es la aplicacioacuten de una ventana deslizante con valores que son coeficientes fijos de una matriz La MATRIZ se suele llamar KERNEL o nuacutecleo del filtro
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DIGITAL
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
3 x 3 5 x 5 7 x 7
1 1 1
1 2 1
1 1 1 matrices
LOS VALORES DEL KERNEL SE MULTIPLICAN POR EL PIacuteXEL QUE TIENEN DEBAJO Y LUEGO SE SUMAN TODOS LOS PRODUCTOS
Y PARA OBTENER EL VALOR DEL PIacuteXEL CENTRAL EN LA IMAGEN TRANSFORMADA SE LO DIVIDE POR LA SUMA DE LOS PONDERADOS O PESOS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO - PASO BAJO PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
26
FILTROS DE PASO BAJO SE FAVORECEN A LOS PIXELES
PERIFEacuteRICOS SE MINIMIZAN LAS DIFERENCIAS CON LOS VECINOS ES UNA ESPECIE DE SUAVIZADO
FILTRO DE PASO ALTO PONDERACIOacuteN DEL VALOR CENTRAL EN DETRIMENTO DE LOS CIRCUNDANTES
SE EXAGERAN DIFERENCIAS Y SE RESALTAN VARIACIONES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO BAJO
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm
simulacioacuten
IMAGEN ORIGINAL
FILTRO PASO BAJO 3x3 SE TRATA DE ASEMEJAR LOS VALORES DE ND DE UN PIXEL A LOS VALORES VECINOS EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA OFRECE PERFILES MENOS NIacuteTIDOS
FILTRO PASO BAJO 7x7 SIRVE PARA REDUCIR VARIABILIDAD ESPACIAL DE ALGUNA CATEGORIacuteA ANTES DE UN PROCESO DE CLASIFICACIOacuteN
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
IMAGEN ORIGINAL
FILTRO PASO ALTO 3x3 SE TRATA DE AISLAR LOS COMPONENTES DE ALTA FRECUENCIA Y REMARCAR DIGITALMENTE CONTRASTES EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA REFUERZA LOS CONTORNOS EN AacuteREAS HOMOGEacuteNEAS
FILTRO PASO ALTO 7x7 SIRVE PARA LOGRAR REALCES DE RASGOS LINEALES COMO PUEDEN SER EN AacuteREAS URBANAS O RASGOS GEOLOacuteGICOS
simulacioacuten
httpgeograuahesrtm
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
Figura - Landsat USGS
IMAGEN ORIGINAL
FILTRO DIRECCIONAL PERMITEN IDENTIFICAR LOS RASGOS FRONTERIZOS EN LAS IMAacuteGENES COMO LOS FILTROS ANTERIORES PERO AHORA CONSIDERANDO LA ORIENTACIOacuteN
se tiene en cuenta la
orientacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
matrices con direccioacuten
NORTE
1 1 1
1 -2 1
-1 -1 -1
SUR
-1 -1 -1
1 -2 1
1 1 1
ESTE
-1 1 1
-1 -2 1
-1 1 1
OESTE
1 1 -1
1 -2 -1
1 1 -1
SURESTE
-1 -1 1
-1 -2 1
1 1 1
NOROESTE
1 1 1
1 -2 -1
1 -1 -1
SUROESTE
1 -1 -1
1 -2 -1
1 1 1
NORESTE
1 1 1
-1 -2 1
-1 -1 1
OBSERVACIOacuteN
LOS NOMBRES OBEDECEN A LA DIRECCIOacuteN DEL CONTRASTE QUE SENtildeALAN
LA DIRECCIOacuteN QUE REALZAN ES JUSTAMENTE LA PERPENDICULAR
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
48 Interpretacioacuten de Imaacutegenes
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Correcciones geomeacutetricas Georreferenciacioacuten Uso de puntos de control Fuentes de error Procesamiento geomeacutetrico Correccioacuten Transformacioacuten geomeacutetrica Calidad y ajuste Generacioacuten de la nueva imagen Transferencia de ND
INSTITUTO DE AGRIMENSURA - DEPARTAMENTO DE GEOMAacuteTICA PROF ADJUNTO GRADO 3 EDISON J ROSAS BERTON
El tratamiento de una imagen de sateacutelite Georreferenciacioacuten
(paso de un sistema de filas y columnas a un sistema de coordenadas estandard)
Para ello debe obtenerse una muestra de puntos de control de los que conozcamos tanto sus coordenadas reales como sus coordenadas en
la imagen deben ser por tanto objetos de un tamantildeo adecuado para resultar identificables tanto en la imagen como sobre el terreno el tamantildeo
dependeraacute loacutegicamente de la resolucioacuten de la imagen A partir de estos puntos de control se obtendraacuten por regresioacuten unas ecuaciones que permitiraacuten a cada par filacolumna un par de coordenadas
XY
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
GEORREFERENCIACIOacuteN
ENTENDIENDO LAS IMAacuteGENES
georreferenciacioacuten porqueacute
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PUNTOS DE CONTROL
ENTENDIENDO LAS IMAacuteGENES
uso de puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
DISTORSIONES POR LA PLATAFORMA ALTITUD DE LA OacuteRBITA ndash Cambio de escala
VELOCIDAD ndash Cambios de escala ORIENTACIOacuteN DE LOS TRES EJES ndash Distorsiones en la geometriacutea
NO SISTEMAacuteTICOS Y COMPLEJOS DE MODELAR
DISTORSIONES POR ROTACIOacuteN TERRESTRE
CONSIDERANDO ALTITUD (800 Km) y TAMANtildeO DE LA IMAGEN (180 Km)ndashEn latitudes medias tarda en adquirir unos 30 segundos la Tierra se desplaza unos 8 Km
ORIENTACIOacuteN NE SW
DISTORSIONES POR EL SENSOR ANOMALIacuteAS SENSOR y MOVIMIENTO ESPEJO ndash Barrido no lineal o cambio en intervalos
AacuteNGULO DE BARRIDO ndash Variacioacuten en el tamantildeo de pixel
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ERROR EN UNA IMAGEN ESPACIAL
ENTENDIENDO LAS IMAacuteGENES
fuentes de error
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Una correccioacuten geomeacutetrica incluye CUALQUIER CAMBIO EN LA POSICIOacuteN DE LOS PIXELES que
conforman la imagen f (c`) = f1 (c l) f (x y) f (l`) = f2 (c l) f (x y)
COORDENADAS DE IMAGEN CORREGIDA SON FUNCIOacuteN DE COORDENADAS COLUMNA Y LIacuteNEA DE LA
IMAGEN DE ENTRADA O DE LAS COORDENADAS DE MAPA AL QUE SUPERPONDREMOS LA IMAGEN
1 CON OBJETIVO DE REALIZAR UNA TRANSFORMACIOacuteN GEOMEacuteTRICA QUE PERMITA AJUSTARLA A OTRA IMAGEN REFERENCIA NORMALMENTE PARA REALIZAR ESTUDIOS MULTITEMPORALES O MOSAICOS CON EL FIN DE AMPLIAR LOS DATOS E INFORMACIOacuteN DE UNA ZONA
2 ESTO PERMITIRAacute QUE LA NUEVA IMAGEN LA PUEDA INTEGRAR CON INFORMACIOacuteN DE OTRAS FUENTES POR EJEMPLO EN UN AMBIENTE SIG
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
correccioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
asumimos que
NO SE CONOCE EL ORIGEN DE LOS ERRORES
modelamos
ECUACIONES EMPIacuteRICAS
aplicadas a un conjunto de puntos
COORDENADAS CONOCIDAS IMAGEN INPUT e IMAGEN OUTPUT
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
1 ndash SELECCIOacuteN DE REFERENCIAS 2 ndash ECUACIONES DE AJUSTE
3 ndash GENERACIOacuteN DE LA IMAGEN CORREGIDA
ES OBVIO CALIDAD DEL AJUSTE DEPENDERAacute DE PRECISIOacuteN CON QUE SE
LOCALICEN LOS PUNTOS DE CONTROL INEXACTA LOCALIZACIOacuteN
DISTRIBUCIOacuteN MUY SECTORIZADA NUacuteMERO DE PUNTOS DE CONTROL INADECUADO
ESTABLECER LOS PUNTOS DE CONTROL FASE MAS CRUCIAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
procesamiento de la correccioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Resaltamos la importancia de
NUacuteMERO LOCALIZACIOacuteN DISTRIBUCIOacuteN
Que debemos atender Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
que considero UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash Croquis ilustrativos de apoyo
TERRENO O ZONAS PLANAS CON IMG OBTENIDAS POR UN SENSOR DE ESTRECHA VISIOacuteN DE CAMPO
TRANSFORMACIOacuteN
BASADO EN ECUACIONES LINEALES SIMPLES
TERRENO ESCARPADO O RUGOSO O UTILIZACIOacuteN DE IMG OBTENIDAS EN UN SENSOR CON VARIACIONES EN LAS CONDICIONES DE OBSERVACIOacuteN
TRANSFORMACIOacuteN MAacuteS COMPLEJA
POLINOMIOS DE SEGUNDO O TERCER ORDEN
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Desde un punto de vista matemaacutetico
GRADO 1 ndash 3 puntos GRADO 2 ndash 6 puntos GRADO 3 ndash 10 puntos
Seguacuten mis objetivos del trabajo no es conveniente utilizar esos miacutenimos
14 a 20 puntos (Landsat 5 MMS ndash seguacuten Bernstein R y D G Ferneyhough Jr 1978)
100 a 120 puntos (Landsat 7 TM ndash seguacuten el National Remote Sensing Center de Inglaterra)
10 o 12 puntos (Pequentildea zona de 512 x 512 pixeles ndash seguacuten Emilio Chuvieco 2010)
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
matemaacuteticamente UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
QUE DEBEMOS DE CONSIDERAR EN CUANTO A LA LOCALIZACIOacuteN
CLARAMENTE IDENTIFICABLES EN IMAGEN Y MAPA RASGOS HUMANOS DEL PAISAJE NO SUJETOS A DINAMISMO TEMPORAL
CRUCE DE CARRETERAS
CAMINOS VIacuteA FEacuteRREAS
NO CONSIDERAR ELEMENTOS ASOCIADOS AL AGUA
COSTA CURSOS DE AGUA
EMBALSES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
localizacioacuten TCP UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la correccioacuten digital de la geometriacutea de una imagen se realiza a partir de establecer unas funciones que relacionen las coordenadas de la imagen
y las coordenadas del mapa
EJ CASO MAS SIMPLE REGRESIOacuteN LINEAL MUacuteLTIPLE
ci = a0 + a1 Xi + a2 Yi li = b0 + b1 Xi + b2 Yi
EN LA PRAacuteCTICA BASTA UNA FUNCIOacuteN LINEAL PARA ABORDAR UN GRAN NUacuteMERO DE
TRANSFORMACIONES Y SON SUFICIENTES SI LAS IMAacuteGENES NO SON MUY GRANDES ANTE LA NECESIDAD DE OTRAS TRANSFORMACIONES SE UTILIZAN DE 2ordm y 3ordm ORDEN CONSIDERANDO ALTERACIONES GEOMEacuteTRICAS NO LINEALES (FUNCIONES QUE NO SE DEFINEN EN UN PLANO
CON EJES LINEALES SINO QUE SUPERFICIES CON EJES CURVILIacuteNEOS)
LOS COEFICIENTES DE LAS FUNCIONES DE TRANSFORMACIOacuteN SE CALCULAN A PARTIR DE UN AJUSTE POR MIacuteNIMOS CUADRADOS
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
funciones de transformacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash ejemplos de funciones de transformacioacuten geomeacutetrica con el efecto causado
TRASLACIOacuteN
CAMBIO DE ESCALA
INCLINACIOacuteN
PERSPECTIVA
ROTACIOacuteN
x = a0 + xacute y = b0 + yacute
x = xacute + a2 yacute y = yacute
x = a1 xacute y = b1 yacute
x = a3xacute yacute y = yacute
x = a4xacute + a5yacute y = b4xacute + b5yacute a4 = b5 = cos Ɵ a5 = -b4 = sen Ɵ
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
transformacioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
comparacioacuten coordenadas reales y las estimadas por la regresioacuten
el promedio de los residuales se conoce como error medio cuadraacutetico
la calidad del ajuste lo da el RMSE (root mean squared error)
(error medio cuadraacutetico)
RMSE es la raiacutez cuadrada de las desviaciones entre los valores reales y los
calculados
RMSE para cada punto es la raiacutez de los residuales al cuadrado que es la distancia entre ellos
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
RMSE UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la praacutectica hace que fijemos una TOLERANCIA y es que si ese promedio supera un valor fijado previamente haya que rever
el valor fijado previamente generalmente es igual o menor a un PIXEL
una correcta verificacioacuten
NECESITA introducir PUNTOS de VERIFICACIOacuteN
que no hayan sido introducidos en el ajuste
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
tolerancias fijadas
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
traducimos coordenadas de un mapa a la imagen tambieacuten necesitamos a la nueva imagen
TRANSFERIR LOS VALORES DIGITALES no olvidar que lo que queremos es generar una nueva imagen que se
corresponda con las coordenadas y las funciones de ajuste
NO ORIGINAN NUEVA IMAGEN solo colocan a los pixeles en la posicioacuten correcta
en criollo las funciones de transformacioacuten generan una nueva matriz bien posicionada pero vaciacutea
DEBEMOS LLENAR LA MATRIZ problema maacutes complejo de lo que puede
pensarse Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
generacioacuten de la nueva imaacutegen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
cada pixel de la imagen corregida se corresponderiacutea con un pixel de la imagen original
LEJOS DE ESE IDEAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo I
vecino maacutes proacuteximo ( nearest neighbour )
a cada celda de la imagen corregida se asigna el ND del pixel maacutes cercano de la
imagen original
SOLUCIOacuteN RAacutePIDA MENOR DISTORSIOacuteN DE LOS ND
INTRODUCE RASGOS LINEALES QUE DISTORSIONAN
CORRECCIOacuteN DE IMAacuteGENES CLASIFICADAS
CONSERVAR LA RADIOMETRIacuteA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo II
interpolacioacuten bilineal ( bilinear interpolation )
supone promediar los ND de los cuatro pixeles mas cercanos
con ponderacioacuten seguacuten la distancia pixeles originalcorregido
REDUCE EL EFECTO DE DISTORSIOacuteN EN RASGOS LINEALES
TIENDE A DIFUMINAR LOS CONTRASTES ESPACIALES
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE IMAacuteGENES RECTIFICADAS MAPAS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo III
convolusioacuten cuacutebica ( cubic convolution )
supone considerar los ND de los 16 pixeles mas proacuteximos
media ponderada seguacuten la distancia pixeles originalcorregido
EFECTO VISUAL MAS CORRECTO
VOLUacuteMEN DE CAacuteLCULO MUY SUPERIOR TENDENCIA A AGUDIZAR BORDES DE LA IMAGEN
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE ORTOIMAacuteGENES IMPRESIONES DE CALIDAD
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
DISTORSIONES POSIBLES DE UNA IMAGEN
httpgeograuahesrtm radiomeacutetricas geomeacutetricas
IMAGEN ADQUIRIDA (no olvidemos que la tratamos en su formato numeacuterico matricial) PRESENTARAacute ANOMALIacuteAS CON RESPECTO A LO QUE ES LA IMAGEN REAL
SITUACIOacuteN O UBICACIOacuteN DE SUS PUNTOS VALORES DE LOS NIVELES DIGITALES
Algunas de eacutestas correcciones seraacuten tareas de las estaciones de recepcioacuten (las que ofrecen distintos niveles de correccioacuten)
Pero helliphelliphelliphellip para un estudio detallado de una imagen (como pueden ser estudios
multitemporales o fusioacuten con otros datos de otras fuentes cartograacuteficas) van a requerir de correcciones
EXPLOTANDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FUENTES DE DISTORSIOacuteN
correcciones
EXPLOTANDO LAS IMAacuteGENES
LA PLATAFORMA QUE PORTA AL SATELITE OSCILA
SU MOVIMIENTO ORBITAL ES CASI UNIFORME SIN ACELERACIONES EN DIRECCIONES
LOS SATELITES SUFREN PEQUENtildeAS VARIACIONES
ALTURA ORBITAL
VELOCIDAD ORIENTACIOacuteN (aleteo cabeceo ladeo)
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FUENTES DE DISTORSIOacuteN
correcciones
EXPLOTANDO LAS IMAacuteGENES
OSCILACIOacuteN DE LA PLATAFORMA
ROTACIOacuteN TERRESTRE
TIEMPO DE BARRIDO
DISTORSIOacuteN PANORAacuteMICA
CURVATURA DE LA TIERRA
DISTORSIONES RADIOMEacuteTRICAS PEacuteRDIDA DE LIacuteNEAS O CELDAS BANDEADO EFECTO ATMOSFEacuteRICO
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIONES
operadores
EXPLOTANDO LAS IMAacuteGENES
OPERADOR la funcioacuten matemaacutetica que se aplica sobre la imagen
w = f (xyz) T wrsquo = f lsquo (xlsquoyrsquozrsquo) lo desglosamos en componentes
en x e y seraacuten las transformaciones geomeacutetricas y en z la transformaciones radiomeacutetricas
TIPOS DE OPERADORES puntuales cada elemento de la img final es funcioacuten de un solo elemento de la img inicial
locales luminancia de un elemento de la img final es funcioacuten de las luminancias de un entorno de cada elemento de la img inicial globales toda la img final es funcioacuten de toda la img inicial TRANSFORMACIONES Radiomeacutetricas modifican la amplitud de la sentildeal manteniendo invariable las coordenadas de cada celda
Geomeacutetricas modifican la geometriacutea de la imagen dejando constante los valores de su radiometriacutea
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ANAacuteLISIS DIGITAL DE LAS IMAacuteGENES
httpgeograuahesrtm
los valores de asignacioacuten a los
pixeles
Los sensores utilizados en teledeteccioacuten estaacuten calibrados para recibir valores muy altos de radiacioacuten sin llegar a saturarse por lo que lo normal es que todos los valores recibidos esteacuten muy
por debajo de los maacuteximos posibles
La consecuencia es que los valores de ND obtenidos son muy bajos y las imaacutegenes se van a ver oscuras muy poco
contrastadas Una forma de solventar este problema es ajustar el contraste mediante diversas teacutecnicas
EXPLOTANDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
LA MATRIZ DE DATOS
valores de celdas perdidas
A veces se requiere de poder restaurar valores dado que la matriz de datos contiene celdas perdidas y aparecen ND con valores nulos
en el dominio espacial
Una forma de corregir asignar un valor a la celda o liacutenea perdida tomar para cada pixel el ND del vecino
de la liacutenea anterior de la liacutenea siguiente
promedio en el dominio de la frecuencia
Otra manera seguacuten el valor de la celda en otra banda correlacionada
se calculan los histogramas parciales de las celdas en estudio para cada detector se obtiene la media y desviacioacuten estaacutendar de los ND correspondientes a cada detector
Se aplica NDacuteij = ak ND ij + bk
EXPLOTANDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
RESTAURACIOacuteN DE CELDAS PERDIDAS
estudio de histogramas
httpcoelloujaenesAsignaturasteledeteccion
EXPLOTANDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ESTADIacuteSTICAS E HISTOGRAMA DE UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm que es un
histograma
IMAGEN DIGITAL SIMPLE DE 8 x 8 PIXELES EN NIVELES DE GRIS CON UNA PROFUNDIDAD DE 2 BITS
CUATRO VALORES POSIBLES DE BRILLO PASADOS A TONOS DE GRIS NEGRO GRIS OSCURO GRIS CLARO Y BLANCO
ND BRILLO
0 Negro
1 Gris oscuro
2 Gris claro
3 Blanco
veremos entonces que es un HISTOGRAMA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA
ENTENDIENDO LAS IMAacuteGENES
conceptualidades
REPRESENTACIOacuteN GRAacuteFICA DE LOS NIVELES DE GRISES EN FUNCIOacuteN DE LA REPETICIOacuteN DE VECES EN QUE APARECE CADA UNO DE LOS NIVELES DE GRIS
deducciones
11
15
38
0
adaptado de El histograma de una Imagen Digital Universidad
Politeacutecnica de Valencia
La mayor parte de los piacutexeles son blancos por lo que probablemente la imagen tenga un fondo blanco uniforme
Hay un nuacutemero significativo de pixeles negros y pixeles blancos lo que hace que la imagen presente un aspecto bien contrastado
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA IDEAL
ENTENDIENDO LAS IMAacuteGENES
elementos a considerar
Como regla general se considera que una imagen tiene un buen contraste si su histograma se extiende ocupando casi todo el rango
de tonos
adaptado de El histograma de una Imagen Digital Universidad Politeacutecnica de Valencia
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA IDEAL
ENTENDIENDO LAS IMAacuteGENES
elementos a considerar
Por ejemplo en una imagen nocturna el histograma estaacute fuertemente desplazado al lado izquierdo (zona de tonos oscuros) y
evidencia que no hay apenas ninguna zona de la imagen muy brillante
adaptado de El histograma de una Imagen Digital Universidad Politeacutecnica de Valencia
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA IDEAL
ENTENDIENDO LAS IMAacuteGENES
elementos a considerar
En este caso el histograma es marcadamente maacutes alto en la zona de grises claros y blancos y apareceraacute corrido a la derecha hacia el
lado de los valores altos de iluminacioacuten
adaptado de El histograma de una Imagen Digital Universidad Politeacutecnica de Valencia
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA IDEAL
ENTENDIENDO LAS IMAacuteGENES
elementos a considerar
Se entiende por contraste la diferencia de brillo entre las zonas maacutes claras y maacutes oscuras en una imagen En este paisaje con niebla es
un ejemplo de bajo contraste Se traduce en un histograma estrecho Ademaacutes como la toacutenica dominante son los grises medios
se observa que estaacute bastante centrado
adaptado de El histograma de una Imagen Digital Universidad Politeacutecnica de Valencia
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
conjunto de datos
Frente a escenas con una iluminacioacuten maacutes normal y con una gran cantidad de elementos detectados los histogramas deberiacutean ser como en el primer caso que
hemos visto
Si no sucede
Histograma desplazado a la izquierda puede denotar falta de exposicioacuten
Histograma desplazado a la derecha puede ser un exceso de exposicioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
46 Interpretacioacuten de Imaacutegenes
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento digital Optimizacioacuten de las imaacutegenes Realces y mejoras visuales Contraste en una imagen Composiciones color El color verdadero el falso color el pseudo color
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
OPTIMIZACIOacuteN DE LAS IMAacuteGENES
ENTENDIENDO LAS IMAacuteGENES
mejorar visualmente las imaacutegenes
MANIPULAR DE FORMA FLEXIBLE Y SOFISTICADA EL ND DE LOS PIXELES
LUEGO DE CORRECCIONES LAS IMAacuteGENES HAY QUE OPTIMIZARLAS DESDE EL PUNTO DE VISTA VISUAL
diferentes tipos
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
REALCES Y MEJORAS VISUALES
ENTENDIENDO LAS IMAacuteGENES
httpamericalatina-nacblogspotcomuy2009_10_01_archivehtml
optimizacioacuten de las imaacutegenes
proceso destinado a facilitar la interpretacioacuten visual
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
ecualizacioacuten del histograma
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
gaussiano
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
lineal 2
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
lineal
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
raiacutez cuadrada
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
lineal 0 - 255
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PORQUEacute EL REALCE
ENTENDIENDO LAS IMAacuteGENES
LOS SENSORES SON CALIBRADOS PARA ABARCAR TODO EL RANGO POSIBLE DE RADIANCIAS
PARA CADA USO EN CONCRETO ES NECESIDAD IMPERIOSA
EXPANDIR EL HISTOGRAMA Y ASIacute CUBRIR EL RANGO COMPLETO DE NIVELES DE GRIS
histograma UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CONTRASTE EN UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
expansioacuten del contraste
los datos uacutetiles solo ocupan pequentildea parte de los niveles de gris disponibles
expandir o estirar el histograma es cambiar los valores originales de ND para utilizar mayor rango
asiacute incrementar el contraste visual de diferentes objetos
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
ejemplos visuales
sin realce lineal
frecuencial gamma
MEacuteTODOS DE EXPANSIOacuteN DEL CONTRASTE
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
lineal
expansioacuten lineal
lo maacutes simple transformacioacuten en liacutenea llevando el valor miacutenimo a 0 y maacuteximo a 255 o se usa un rango por encima y por debajo de miacutenimo y maacuteximo
EXPANSIOacuteN I
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
lineal
EXPANSIOacuteN I expansioacuten
logariacutetmico exponencial
gamma
curvas de transferencia en lugar de rectas gamma es la curvatura de dicha curva se expanden maacutes el contraste de los extremos o del centro
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
frecuencial
EXPANSIOacuteN II
frecuencial ecualizacioacuten del
histograma
cuando los valores de ND no estaacuten distribuidos uniformemente intentar en la medida de lo posible que los valores de salida de los ND tengan el mismo de pixeles con dicho valor
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CONTRASTE EN UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
compresioacuten del contraste
Ya sabemos que el contraste mide el rango dinaacutemico de los colores en la imagen es decir una imagen muy contrastada tiene un amplio abanico de colores (o tonos de gris) desde valores muy bajos a valores muy altos Para una imagen con poco contraste los colores estaacuten muy juntos el margen dinaacutemico es pequentildeo La variacioacuten en el contraste aparece como una compresioacuten del histograma en caso de una reduccioacuten a la inversa de lo visto en el caso de una expansioacuten
Compresioacuten si el rango excede de las capacidades del sistema
Se ha de comparar el nuacutemero de niveles digitales (ND) de la imagen con los niveles de visualizacioacuten (NV) o grises del sistema Es de menos aplicacioacuten Al igual que el brillo variando el contraste se puede provocar una peacuterdida de informacioacuten de la imagen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
MAYOR APLICABILIDAD DEL REALCE
ENTENDIENDO LAS IMAacuteGENES
realce oacuteptimo
realce frecuencial
realce lineal
laquo r e a l c e oacute p t i m o raquo optimiza interpretacioacuten de la imagen
mejor esteacutetica de la imagen NO COINCIDE CON NINGUacuteN CORTE PREDETERMINADO
Y SE LOGRA INTERACTIVAMENTE EN PANTALLA Y PARA CADA BANDA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
COMPOSICIONES COLOR
ENTENDIENDO LAS IMAacuteGENES
formatos de composiciones
CON LA CRECIENTE APARICIOacuteN DE LOS SENSORES HIPERESPECTRALES LAS POSIBILIDADES DE COMPOSICIONES
COLOREADAS DE BANDAS SON CASI ILIMITADAS
LA ELECCIOacuteN DE LAS BANDAS PARA REALIZAR LA COMPOSICIOacuteN Y EL ORDEN DE LAS BANDAS ASIGANADAS A LOS COLORES
PRIMARIOS DEPENDERAacute DE
Sensor Aplicacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EL SEUDO - COLOR
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm formatos de
composiciones
Ya hemos afirmado de que el ojo humano es maacutes capaz de distinguir tonos de color que intensidades de brillo
Por ello el empleo del color ayuda a la interpretacioacuten incluso cuando podamos tener una sola imagen de una banda
Es aquiacute que hablamos del SEUDO COLOR por no contar con tres bandas
El seudo color implica la creacioacuten de una CLUT que asocie el ND de una sola banda a distintos componentes del R V y A APLICACIONES 1 Para tener una leyenda de colores para una img clasificada 2 Para realzar el anaacutelisis de una determinada banda y sustituir los tonos de gris por una paleta de colores
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CLUT COLOUR LOOK-UP TABLE TABLA DE CONSULTA DE COLOR
ENTENDIENDO LAS IMAacuteGENES
httpsenwikipediaorgwikiColour_look-up_table
creacioacuten del seudo color
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Filtros espaciales Concepto de kernel Filtros paso bajo y paso alto Filtros direccionales Anomaliacuteas y correccioacuten atmosfeacuterica Correcciones radiomeacutetricas Anomaliacuteas radiomeacutetricas Fallos en el sensorCorreccioacuten atmosfeacuterica concepto Meacutetodo valores miacutenimos Regresioacuten entre bandas Dispersioacuten por aerosolesCalibracioacuten Caso misioacuten Landsat
47 Interpretacioacuten de Imaacutegenes
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de que es un filtro
espacial
FUNCIONES PARA MEJORAR ASPECTO DE LAS IMAacuteGENES
REALZAN O DISMINUYEN ELEMENTOS VISUALES DE LA IMG
BASADOS EN LA FRECUENCIA ESPACIAL
FRECUENCIAS ESPACIALES ALTAS Variaciones que se producen en pocos piacutexeles TENDENCIA GENERAL FRECUENCIAS ESPACIALES BAJAS
Variaciones que se producen en muchos piacutexeles CONTRASTES LOCALES
FILTROS Figura - CCRS CCT
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de kernel
FILTRADO ESPACIAL Figura - CCRS CCT FILTRADO EN EL DOMINIO
ESPACIAL Lo mas comuacuten es la aplicacioacuten de una ventana deslizante con valores que son coeficientes fijos de una matriz La MATRIZ se suele llamar KERNEL o nuacutecleo del filtro
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DIGITAL
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
3 x 3 5 x 5 7 x 7
1 1 1
1 2 1
1 1 1 matrices
LOS VALORES DEL KERNEL SE MULTIPLICAN POR EL PIacuteXEL QUE TIENEN DEBAJO Y LUEGO SE SUMAN TODOS LOS PRODUCTOS
Y PARA OBTENER EL VALOR DEL PIacuteXEL CENTRAL EN LA IMAGEN TRANSFORMADA SE LO DIVIDE POR LA SUMA DE LOS PONDERADOS O PESOS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO - PASO BAJO PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
26
FILTROS DE PASO BAJO SE FAVORECEN A LOS PIXELES
PERIFEacuteRICOS SE MINIMIZAN LAS DIFERENCIAS CON LOS VECINOS ES UNA ESPECIE DE SUAVIZADO
FILTRO DE PASO ALTO PONDERACIOacuteN DEL VALOR CENTRAL EN DETRIMENTO DE LOS CIRCUNDANTES
SE EXAGERAN DIFERENCIAS Y SE RESALTAN VARIACIONES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO BAJO
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm
simulacioacuten
IMAGEN ORIGINAL
FILTRO PASO BAJO 3x3 SE TRATA DE ASEMEJAR LOS VALORES DE ND DE UN PIXEL A LOS VALORES VECINOS EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA OFRECE PERFILES MENOS NIacuteTIDOS
FILTRO PASO BAJO 7x7 SIRVE PARA REDUCIR VARIABILIDAD ESPACIAL DE ALGUNA CATEGORIacuteA ANTES DE UN PROCESO DE CLASIFICACIOacuteN
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
IMAGEN ORIGINAL
FILTRO PASO ALTO 3x3 SE TRATA DE AISLAR LOS COMPONENTES DE ALTA FRECUENCIA Y REMARCAR DIGITALMENTE CONTRASTES EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA REFUERZA LOS CONTORNOS EN AacuteREAS HOMOGEacuteNEAS
FILTRO PASO ALTO 7x7 SIRVE PARA LOGRAR REALCES DE RASGOS LINEALES COMO PUEDEN SER EN AacuteREAS URBANAS O RASGOS GEOLOacuteGICOS
simulacioacuten
httpgeograuahesrtm
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
Figura - Landsat USGS
IMAGEN ORIGINAL
FILTRO DIRECCIONAL PERMITEN IDENTIFICAR LOS RASGOS FRONTERIZOS EN LAS IMAacuteGENES COMO LOS FILTROS ANTERIORES PERO AHORA CONSIDERANDO LA ORIENTACIOacuteN
se tiene en cuenta la
orientacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
matrices con direccioacuten
NORTE
1 1 1
1 -2 1
-1 -1 -1
SUR
-1 -1 -1
1 -2 1
1 1 1
ESTE
-1 1 1
-1 -2 1
-1 1 1
OESTE
1 1 -1
1 -2 -1
1 1 -1
SURESTE
-1 -1 1
-1 -2 1
1 1 1
NOROESTE
1 1 1
1 -2 -1
1 -1 -1
SUROESTE
1 -1 -1
1 -2 -1
1 1 1
NORESTE
1 1 1
-1 -2 1
-1 -1 1
OBSERVACIOacuteN
LOS NOMBRES OBEDECEN A LA DIRECCIOacuteN DEL CONTRASTE QUE SENtildeALAN
LA DIRECCIOacuteN QUE REALZAN ES JUSTAMENTE LA PERPENDICULAR
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
48 Interpretacioacuten de Imaacutegenes
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Correcciones geomeacutetricas Georreferenciacioacuten Uso de puntos de control Fuentes de error Procesamiento geomeacutetrico Correccioacuten Transformacioacuten geomeacutetrica Calidad y ajuste Generacioacuten de la nueva imagen Transferencia de ND
INSTITUTO DE AGRIMENSURA - DEPARTAMENTO DE GEOMAacuteTICA PROF ADJUNTO GRADO 3 EDISON J ROSAS BERTON
El tratamiento de una imagen de sateacutelite Georreferenciacioacuten
(paso de un sistema de filas y columnas a un sistema de coordenadas estandard)
Para ello debe obtenerse una muestra de puntos de control de los que conozcamos tanto sus coordenadas reales como sus coordenadas en
la imagen deben ser por tanto objetos de un tamantildeo adecuado para resultar identificables tanto en la imagen como sobre el terreno el tamantildeo
dependeraacute loacutegicamente de la resolucioacuten de la imagen A partir de estos puntos de control se obtendraacuten por regresioacuten unas ecuaciones que permitiraacuten a cada par filacolumna un par de coordenadas
XY
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
GEORREFERENCIACIOacuteN
ENTENDIENDO LAS IMAacuteGENES
georreferenciacioacuten porqueacute
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PUNTOS DE CONTROL
ENTENDIENDO LAS IMAacuteGENES
uso de puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
DISTORSIONES POR LA PLATAFORMA ALTITUD DE LA OacuteRBITA ndash Cambio de escala
VELOCIDAD ndash Cambios de escala ORIENTACIOacuteN DE LOS TRES EJES ndash Distorsiones en la geometriacutea
NO SISTEMAacuteTICOS Y COMPLEJOS DE MODELAR
DISTORSIONES POR ROTACIOacuteN TERRESTRE
CONSIDERANDO ALTITUD (800 Km) y TAMANtildeO DE LA IMAGEN (180 Km)ndashEn latitudes medias tarda en adquirir unos 30 segundos la Tierra se desplaza unos 8 Km
ORIENTACIOacuteN NE SW
DISTORSIONES POR EL SENSOR ANOMALIacuteAS SENSOR y MOVIMIENTO ESPEJO ndash Barrido no lineal o cambio en intervalos
AacuteNGULO DE BARRIDO ndash Variacioacuten en el tamantildeo de pixel
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ERROR EN UNA IMAGEN ESPACIAL
ENTENDIENDO LAS IMAacuteGENES
fuentes de error
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Una correccioacuten geomeacutetrica incluye CUALQUIER CAMBIO EN LA POSICIOacuteN DE LOS PIXELES que
conforman la imagen f (c`) = f1 (c l) f (x y) f (l`) = f2 (c l) f (x y)
COORDENADAS DE IMAGEN CORREGIDA SON FUNCIOacuteN DE COORDENADAS COLUMNA Y LIacuteNEA DE LA
IMAGEN DE ENTRADA O DE LAS COORDENADAS DE MAPA AL QUE SUPERPONDREMOS LA IMAGEN
1 CON OBJETIVO DE REALIZAR UNA TRANSFORMACIOacuteN GEOMEacuteTRICA QUE PERMITA AJUSTARLA A OTRA IMAGEN REFERENCIA NORMALMENTE PARA REALIZAR ESTUDIOS MULTITEMPORALES O MOSAICOS CON EL FIN DE AMPLIAR LOS DATOS E INFORMACIOacuteN DE UNA ZONA
2 ESTO PERMITIRAacute QUE LA NUEVA IMAGEN LA PUEDA INTEGRAR CON INFORMACIOacuteN DE OTRAS FUENTES POR EJEMPLO EN UN AMBIENTE SIG
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
correccioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
asumimos que
NO SE CONOCE EL ORIGEN DE LOS ERRORES
modelamos
ECUACIONES EMPIacuteRICAS
aplicadas a un conjunto de puntos
COORDENADAS CONOCIDAS IMAGEN INPUT e IMAGEN OUTPUT
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
1 ndash SELECCIOacuteN DE REFERENCIAS 2 ndash ECUACIONES DE AJUSTE
3 ndash GENERACIOacuteN DE LA IMAGEN CORREGIDA
ES OBVIO CALIDAD DEL AJUSTE DEPENDERAacute DE PRECISIOacuteN CON QUE SE
LOCALICEN LOS PUNTOS DE CONTROL INEXACTA LOCALIZACIOacuteN
DISTRIBUCIOacuteN MUY SECTORIZADA NUacuteMERO DE PUNTOS DE CONTROL INADECUADO
ESTABLECER LOS PUNTOS DE CONTROL FASE MAS CRUCIAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
procesamiento de la correccioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Resaltamos la importancia de
NUacuteMERO LOCALIZACIOacuteN DISTRIBUCIOacuteN
Que debemos atender Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
que considero UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash Croquis ilustrativos de apoyo
TERRENO O ZONAS PLANAS CON IMG OBTENIDAS POR UN SENSOR DE ESTRECHA VISIOacuteN DE CAMPO
TRANSFORMACIOacuteN
BASADO EN ECUACIONES LINEALES SIMPLES
TERRENO ESCARPADO O RUGOSO O UTILIZACIOacuteN DE IMG OBTENIDAS EN UN SENSOR CON VARIACIONES EN LAS CONDICIONES DE OBSERVACIOacuteN
TRANSFORMACIOacuteN MAacuteS COMPLEJA
POLINOMIOS DE SEGUNDO O TERCER ORDEN
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Desde un punto de vista matemaacutetico
GRADO 1 ndash 3 puntos GRADO 2 ndash 6 puntos GRADO 3 ndash 10 puntos
Seguacuten mis objetivos del trabajo no es conveniente utilizar esos miacutenimos
14 a 20 puntos (Landsat 5 MMS ndash seguacuten Bernstein R y D G Ferneyhough Jr 1978)
100 a 120 puntos (Landsat 7 TM ndash seguacuten el National Remote Sensing Center de Inglaterra)
10 o 12 puntos (Pequentildea zona de 512 x 512 pixeles ndash seguacuten Emilio Chuvieco 2010)
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
matemaacuteticamente UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
QUE DEBEMOS DE CONSIDERAR EN CUANTO A LA LOCALIZACIOacuteN
CLARAMENTE IDENTIFICABLES EN IMAGEN Y MAPA RASGOS HUMANOS DEL PAISAJE NO SUJETOS A DINAMISMO TEMPORAL
CRUCE DE CARRETERAS
CAMINOS VIacuteA FEacuteRREAS
NO CONSIDERAR ELEMENTOS ASOCIADOS AL AGUA
COSTA CURSOS DE AGUA
EMBALSES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
localizacioacuten TCP UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la correccioacuten digital de la geometriacutea de una imagen se realiza a partir de establecer unas funciones que relacionen las coordenadas de la imagen
y las coordenadas del mapa
EJ CASO MAS SIMPLE REGRESIOacuteN LINEAL MUacuteLTIPLE
ci = a0 + a1 Xi + a2 Yi li = b0 + b1 Xi + b2 Yi
EN LA PRAacuteCTICA BASTA UNA FUNCIOacuteN LINEAL PARA ABORDAR UN GRAN NUacuteMERO DE
TRANSFORMACIONES Y SON SUFICIENTES SI LAS IMAacuteGENES NO SON MUY GRANDES ANTE LA NECESIDAD DE OTRAS TRANSFORMACIONES SE UTILIZAN DE 2ordm y 3ordm ORDEN CONSIDERANDO ALTERACIONES GEOMEacuteTRICAS NO LINEALES (FUNCIONES QUE NO SE DEFINEN EN UN PLANO
CON EJES LINEALES SINO QUE SUPERFICIES CON EJES CURVILIacuteNEOS)
LOS COEFICIENTES DE LAS FUNCIONES DE TRANSFORMACIOacuteN SE CALCULAN A PARTIR DE UN AJUSTE POR MIacuteNIMOS CUADRADOS
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
funciones de transformacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash ejemplos de funciones de transformacioacuten geomeacutetrica con el efecto causado
TRASLACIOacuteN
CAMBIO DE ESCALA
INCLINACIOacuteN
PERSPECTIVA
ROTACIOacuteN
x = a0 + xacute y = b0 + yacute
x = xacute + a2 yacute y = yacute
x = a1 xacute y = b1 yacute
x = a3xacute yacute y = yacute
x = a4xacute + a5yacute y = b4xacute + b5yacute a4 = b5 = cos Ɵ a5 = -b4 = sen Ɵ
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
transformacioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
comparacioacuten coordenadas reales y las estimadas por la regresioacuten
el promedio de los residuales se conoce como error medio cuadraacutetico
la calidad del ajuste lo da el RMSE (root mean squared error)
(error medio cuadraacutetico)
RMSE es la raiacutez cuadrada de las desviaciones entre los valores reales y los
calculados
RMSE para cada punto es la raiacutez de los residuales al cuadrado que es la distancia entre ellos
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
RMSE UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la praacutectica hace que fijemos una TOLERANCIA y es que si ese promedio supera un valor fijado previamente haya que rever
el valor fijado previamente generalmente es igual o menor a un PIXEL
una correcta verificacioacuten
NECESITA introducir PUNTOS de VERIFICACIOacuteN
que no hayan sido introducidos en el ajuste
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
tolerancias fijadas
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
traducimos coordenadas de un mapa a la imagen tambieacuten necesitamos a la nueva imagen
TRANSFERIR LOS VALORES DIGITALES no olvidar que lo que queremos es generar una nueva imagen que se
corresponda con las coordenadas y las funciones de ajuste
NO ORIGINAN NUEVA IMAGEN solo colocan a los pixeles en la posicioacuten correcta
en criollo las funciones de transformacioacuten generan una nueva matriz bien posicionada pero vaciacutea
DEBEMOS LLENAR LA MATRIZ problema maacutes complejo de lo que puede
pensarse Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
generacioacuten de la nueva imaacutegen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
cada pixel de la imagen corregida se corresponderiacutea con un pixel de la imagen original
LEJOS DE ESE IDEAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo I
vecino maacutes proacuteximo ( nearest neighbour )
a cada celda de la imagen corregida se asigna el ND del pixel maacutes cercano de la
imagen original
SOLUCIOacuteN RAacutePIDA MENOR DISTORSIOacuteN DE LOS ND
INTRODUCE RASGOS LINEALES QUE DISTORSIONAN
CORRECCIOacuteN DE IMAacuteGENES CLASIFICADAS
CONSERVAR LA RADIOMETRIacuteA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo II
interpolacioacuten bilineal ( bilinear interpolation )
supone promediar los ND de los cuatro pixeles mas cercanos
con ponderacioacuten seguacuten la distancia pixeles originalcorregido
REDUCE EL EFECTO DE DISTORSIOacuteN EN RASGOS LINEALES
TIENDE A DIFUMINAR LOS CONTRASTES ESPACIALES
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE IMAacuteGENES RECTIFICADAS MAPAS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo III
convolusioacuten cuacutebica ( cubic convolution )
supone considerar los ND de los 16 pixeles mas proacuteximos
media ponderada seguacuten la distancia pixeles originalcorregido
EFECTO VISUAL MAS CORRECTO
VOLUacuteMEN DE CAacuteLCULO MUY SUPERIOR TENDENCIA A AGUDIZAR BORDES DE LA IMAGEN
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE ORTOIMAacuteGENES IMPRESIONES DE CALIDAD
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FUENTES DE DISTORSIOacuteN
correcciones
EXPLOTANDO LAS IMAacuteGENES
LA PLATAFORMA QUE PORTA AL SATELITE OSCILA
SU MOVIMIENTO ORBITAL ES CASI UNIFORME SIN ACELERACIONES EN DIRECCIONES
LOS SATELITES SUFREN PEQUENtildeAS VARIACIONES
ALTURA ORBITAL
VELOCIDAD ORIENTACIOacuteN (aleteo cabeceo ladeo)
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FUENTES DE DISTORSIOacuteN
correcciones
EXPLOTANDO LAS IMAacuteGENES
OSCILACIOacuteN DE LA PLATAFORMA
ROTACIOacuteN TERRESTRE
TIEMPO DE BARRIDO
DISTORSIOacuteN PANORAacuteMICA
CURVATURA DE LA TIERRA
DISTORSIONES RADIOMEacuteTRICAS PEacuteRDIDA DE LIacuteNEAS O CELDAS BANDEADO EFECTO ATMOSFEacuteRICO
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIONES
operadores
EXPLOTANDO LAS IMAacuteGENES
OPERADOR la funcioacuten matemaacutetica que se aplica sobre la imagen
w = f (xyz) T wrsquo = f lsquo (xlsquoyrsquozrsquo) lo desglosamos en componentes
en x e y seraacuten las transformaciones geomeacutetricas y en z la transformaciones radiomeacutetricas
TIPOS DE OPERADORES puntuales cada elemento de la img final es funcioacuten de un solo elemento de la img inicial
locales luminancia de un elemento de la img final es funcioacuten de las luminancias de un entorno de cada elemento de la img inicial globales toda la img final es funcioacuten de toda la img inicial TRANSFORMACIONES Radiomeacutetricas modifican la amplitud de la sentildeal manteniendo invariable las coordenadas de cada celda
Geomeacutetricas modifican la geometriacutea de la imagen dejando constante los valores de su radiometriacutea
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ANAacuteLISIS DIGITAL DE LAS IMAacuteGENES
httpgeograuahesrtm
los valores de asignacioacuten a los
pixeles
Los sensores utilizados en teledeteccioacuten estaacuten calibrados para recibir valores muy altos de radiacioacuten sin llegar a saturarse por lo que lo normal es que todos los valores recibidos esteacuten muy
por debajo de los maacuteximos posibles
La consecuencia es que los valores de ND obtenidos son muy bajos y las imaacutegenes se van a ver oscuras muy poco
contrastadas Una forma de solventar este problema es ajustar el contraste mediante diversas teacutecnicas
EXPLOTANDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
LA MATRIZ DE DATOS
valores de celdas perdidas
A veces se requiere de poder restaurar valores dado que la matriz de datos contiene celdas perdidas y aparecen ND con valores nulos
en el dominio espacial
Una forma de corregir asignar un valor a la celda o liacutenea perdida tomar para cada pixel el ND del vecino
de la liacutenea anterior de la liacutenea siguiente
promedio en el dominio de la frecuencia
Otra manera seguacuten el valor de la celda en otra banda correlacionada
se calculan los histogramas parciales de las celdas en estudio para cada detector se obtiene la media y desviacioacuten estaacutendar de los ND correspondientes a cada detector
Se aplica NDacuteij = ak ND ij + bk
EXPLOTANDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
RESTAURACIOacuteN DE CELDAS PERDIDAS
estudio de histogramas
httpcoelloujaenesAsignaturasteledeteccion
EXPLOTANDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ESTADIacuteSTICAS E HISTOGRAMA DE UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm que es un
histograma
IMAGEN DIGITAL SIMPLE DE 8 x 8 PIXELES EN NIVELES DE GRIS CON UNA PROFUNDIDAD DE 2 BITS
CUATRO VALORES POSIBLES DE BRILLO PASADOS A TONOS DE GRIS NEGRO GRIS OSCURO GRIS CLARO Y BLANCO
ND BRILLO
0 Negro
1 Gris oscuro
2 Gris claro
3 Blanco
veremos entonces que es un HISTOGRAMA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA
ENTENDIENDO LAS IMAacuteGENES
conceptualidades
REPRESENTACIOacuteN GRAacuteFICA DE LOS NIVELES DE GRISES EN FUNCIOacuteN DE LA REPETICIOacuteN DE VECES EN QUE APARECE CADA UNO DE LOS NIVELES DE GRIS
deducciones
11
15
38
0
adaptado de El histograma de una Imagen Digital Universidad
Politeacutecnica de Valencia
La mayor parte de los piacutexeles son blancos por lo que probablemente la imagen tenga un fondo blanco uniforme
Hay un nuacutemero significativo de pixeles negros y pixeles blancos lo que hace que la imagen presente un aspecto bien contrastado
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA IDEAL
ENTENDIENDO LAS IMAacuteGENES
elementos a considerar
Como regla general se considera que una imagen tiene un buen contraste si su histograma se extiende ocupando casi todo el rango
de tonos
adaptado de El histograma de una Imagen Digital Universidad Politeacutecnica de Valencia
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA IDEAL
ENTENDIENDO LAS IMAacuteGENES
elementos a considerar
Por ejemplo en una imagen nocturna el histograma estaacute fuertemente desplazado al lado izquierdo (zona de tonos oscuros) y
evidencia que no hay apenas ninguna zona de la imagen muy brillante
adaptado de El histograma de una Imagen Digital Universidad Politeacutecnica de Valencia
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA IDEAL
ENTENDIENDO LAS IMAacuteGENES
elementos a considerar
En este caso el histograma es marcadamente maacutes alto en la zona de grises claros y blancos y apareceraacute corrido a la derecha hacia el
lado de los valores altos de iluminacioacuten
adaptado de El histograma de una Imagen Digital Universidad Politeacutecnica de Valencia
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA IDEAL
ENTENDIENDO LAS IMAacuteGENES
elementos a considerar
Se entiende por contraste la diferencia de brillo entre las zonas maacutes claras y maacutes oscuras en una imagen En este paisaje con niebla es
un ejemplo de bajo contraste Se traduce en un histograma estrecho Ademaacutes como la toacutenica dominante son los grises medios
se observa que estaacute bastante centrado
adaptado de El histograma de una Imagen Digital Universidad Politeacutecnica de Valencia
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
conjunto de datos
Frente a escenas con una iluminacioacuten maacutes normal y con una gran cantidad de elementos detectados los histogramas deberiacutean ser como en el primer caso que
hemos visto
Si no sucede
Histograma desplazado a la izquierda puede denotar falta de exposicioacuten
Histograma desplazado a la derecha puede ser un exceso de exposicioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
46 Interpretacioacuten de Imaacutegenes
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento digital Optimizacioacuten de las imaacutegenes Realces y mejoras visuales Contraste en una imagen Composiciones color El color verdadero el falso color el pseudo color
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
OPTIMIZACIOacuteN DE LAS IMAacuteGENES
ENTENDIENDO LAS IMAacuteGENES
mejorar visualmente las imaacutegenes
MANIPULAR DE FORMA FLEXIBLE Y SOFISTICADA EL ND DE LOS PIXELES
LUEGO DE CORRECCIONES LAS IMAacuteGENES HAY QUE OPTIMIZARLAS DESDE EL PUNTO DE VISTA VISUAL
diferentes tipos
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
REALCES Y MEJORAS VISUALES
ENTENDIENDO LAS IMAacuteGENES
httpamericalatina-nacblogspotcomuy2009_10_01_archivehtml
optimizacioacuten de las imaacutegenes
proceso destinado a facilitar la interpretacioacuten visual
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
ecualizacioacuten del histograma
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
gaussiano
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
lineal 2
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
lineal
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
raiacutez cuadrada
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
lineal 0 - 255
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PORQUEacute EL REALCE
ENTENDIENDO LAS IMAacuteGENES
LOS SENSORES SON CALIBRADOS PARA ABARCAR TODO EL RANGO POSIBLE DE RADIANCIAS
PARA CADA USO EN CONCRETO ES NECESIDAD IMPERIOSA
EXPANDIR EL HISTOGRAMA Y ASIacute CUBRIR EL RANGO COMPLETO DE NIVELES DE GRIS
histograma UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CONTRASTE EN UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
expansioacuten del contraste
los datos uacutetiles solo ocupan pequentildea parte de los niveles de gris disponibles
expandir o estirar el histograma es cambiar los valores originales de ND para utilizar mayor rango
asiacute incrementar el contraste visual de diferentes objetos
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
ejemplos visuales
sin realce lineal
frecuencial gamma
MEacuteTODOS DE EXPANSIOacuteN DEL CONTRASTE
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
lineal
expansioacuten lineal
lo maacutes simple transformacioacuten en liacutenea llevando el valor miacutenimo a 0 y maacuteximo a 255 o se usa un rango por encima y por debajo de miacutenimo y maacuteximo
EXPANSIOacuteN I
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
lineal
EXPANSIOacuteN I expansioacuten
logariacutetmico exponencial
gamma
curvas de transferencia en lugar de rectas gamma es la curvatura de dicha curva se expanden maacutes el contraste de los extremos o del centro
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
frecuencial
EXPANSIOacuteN II
frecuencial ecualizacioacuten del
histograma
cuando los valores de ND no estaacuten distribuidos uniformemente intentar en la medida de lo posible que los valores de salida de los ND tengan el mismo de pixeles con dicho valor
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CONTRASTE EN UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
compresioacuten del contraste
Ya sabemos que el contraste mide el rango dinaacutemico de los colores en la imagen es decir una imagen muy contrastada tiene un amplio abanico de colores (o tonos de gris) desde valores muy bajos a valores muy altos Para una imagen con poco contraste los colores estaacuten muy juntos el margen dinaacutemico es pequentildeo La variacioacuten en el contraste aparece como una compresioacuten del histograma en caso de una reduccioacuten a la inversa de lo visto en el caso de una expansioacuten
Compresioacuten si el rango excede de las capacidades del sistema
Se ha de comparar el nuacutemero de niveles digitales (ND) de la imagen con los niveles de visualizacioacuten (NV) o grises del sistema Es de menos aplicacioacuten Al igual que el brillo variando el contraste se puede provocar una peacuterdida de informacioacuten de la imagen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
MAYOR APLICABILIDAD DEL REALCE
ENTENDIENDO LAS IMAacuteGENES
realce oacuteptimo
realce frecuencial
realce lineal
laquo r e a l c e oacute p t i m o raquo optimiza interpretacioacuten de la imagen
mejor esteacutetica de la imagen NO COINCIDE CON NINGUacuteN CORTE PREDETERMINADO
Y SE LOGRA INTERACTIVAMENTE EN PANTALLA Y PARA CADA BANDA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
COMPOSICIONES COLOR
ENTENDIENDO LAS IMAacuteGENES
formatos de composiciones
CON LA CRECIENTE APARICIOacuteN DE LOS SENSORES HIPERESPECTRALES LAS POSIBILIDADES DE COMPOSICIONES
COLOREADAS DE BANDAS SON CASI ILIMITADAS
LA ELECCIOacuteN DE LAS BANDAS PARA REALIZAR LA COMPOSICIOacuteN Y EL ORDEN DE LAS BANDAS ASIGANADAS A LOS COLORES
PRIMARIOS DEPENDERAacute DE
Sensor Aplicacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EL SEUDO - COLOR
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm formatos de
composiciones
Ya hemos afirmado de que el ojo humano es maacutes capaz de distinguir tonos de color que intensidades de brillo
Por ello el empleo del color ayuda a la interpretacioacuten incluso cuando podamos tener una sola imagen de una banda
Es aquiacute que hablamos del SEUDO COLOR por no contar con tres bandas
El seudo color implica la creacioacuten de una CLUT que asocie el ND de una sola banda a distintos componentes del R V y A APLICACIONES 1 Para tener una leyenda de colores para una img clasificada 2 Para realzar el anaacutelisis de una determinada banda y sustituir los tonos de gris por una paleta de colores
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CLUT COLOUR LOOK-UP TABLE TABLA DE CONSULTA DE COLOR
ENTENDIENDO LAS IMAacuteGENES
httpsenwikipediaorgwikiColour_look-up_table
creacioacuten del seudo color
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Filtros espaciales Concepto de kernel Filtros paso bajo y paso alto Filtros direccionales Anomaliacuteas y correccioacuten atmosfeacuterica Correcciones radiomeacutetricas Anomaliacuteas radiomeacutetricas Fallos en el sensorCorreccioacuten atmosfeacuterica concepto Meacutetodo valores miacutenimos Regresioacuten entre bandas Dispersioacuten por aerosolesCalibracioacuten Caso misioacuten Landsat
47 Interpretacioacuten de Imaacutegenes
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de que es un filtro
espacial
FUNCIONES PARA MEJORAR ASPECTO DE LAS IMAacuteGENES
REALZAN O DISMINUYEN ELEMENTOS VISUALES DE LA IMG
BASADOS EN LA FRECUENCIA ESPACIAL
FRECUENCIAS ESPACIALES ALTAS Variaciones que se producen en pocos piacutexeles TENDENCIA GENERAL FRECUENCIAS ESPACIALES BAJAS
Variaciones que se producen en muchos piacutexeles CONTRASTES LOCALES
FILTROS Figura - CCRS CCT
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de kernel
FILTRADO ESPACIAL Figura - CCRS CCT FILTRADO EN EL DOMINIO
ESPACIAL Lo mas comuacuten es la aplicacioacuten de una ventana deslizante con valores que son coeficientes fijos de una matriz La MATRIZ se suele llamar KERNEL o nuacutecleo del filtro
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DIGITAL
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
3 x 3 5 x 5 7 x 7
1 1 1
1 2 1
1 1 1 matrices
LOS VALORES DEL KERNEL SE MULTIPLICAN POR EL PIacuteXEL QUE TIENEN DEBAJO Y LUEGO SE SUMAN TODOS LOS PRODUCTOS
Y PARA OBTENER EL VALOR DEL PIacuteXEL CENTRAL EN LA IMAGEN TRANSFORMADA SE LO DIVIDE POR LA SUMA DE LOS PONDERADOS O PESOS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO - PASO BAJO PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
26
FILTROS DE PASO BAJO SE FAVORECEN A LOS PIXELES
PERIFEacuteRICOS SE MINIMIZAN LAS DIFERENCIAS CON LOS VECINOS ES UNA ESPECIE DE SUAVIZADO
FILTRO DE PASO ALTO PONDERACIOacuteN DEL VALOR CENTRAL EN DETRIMENTO DE LOS CIRCUNDANTES
SE EXAGERAN DIFERENCIAS Y SE RESALTAN VARIACIONES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO BAJO
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm
simulacioacuten
IMAGEN ORIGINAL
FILTRO PASO BAJO 3x3 SE TRATA DE ASEMEJAR LOS VALORES DE ND DE UN PIXEL A LOS VALORES VECINOS EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA OFRECE PERFILES MENOS NIacuteTIDOS
FILTRO PASO BAJO 7x7 SIRVE PARA REDUCIR VARIABILIDAD ESPACIAL DE ALGUNA CATEGORIacuteA ANTES DE UN PROCESO DE CLASIFICACIOacuteN
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
IMAGEN ORIGINAL
FILTRO PASO ALTO 3x3 SE TRATA DE AISLAR LOS COMPONENTES DE ALTA FRECUENCIA Y REMARCAR DIGITALMENTE CONTRASTES EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA REFUERZA LOS CONTORNOS EN AacuteREAS HOMOGEacuteNEAS
FILTRO PASO ALTO 7x7 SIRVE PARA LOGRAR REALCES DE RASGOS LINEALES COMO PUEDEN SER EN AacuteREAS URBANAS O RASGOS GEOLOacuteGICOS
simulacioacuten
httpgeograuahesrtm
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
Figura - Landsat USGS
IMAGEN ORIGINAL
FILTRO DIRECCIONAL PERMITEN IDENTIFICAR LOS RASGOS FRONTERIZOS EN LAS IMAacuteGENES COMO LOS FILTROS ANTERIORES PERO AHORA CONSIDERANDO LA ORIENTACIOacuteN
se tiene en cuenta la
orientacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
matrices con direccioacuten
NORTE
1 1 1
1 -2 1
-1 -1 -1
SUR
-1 -1 -1
1 -2 1
1 1 1
ESTE
-1 1 1
-1 -2 1
-1 1 1
OESTE
1 1 -1
1 -2 -1
1 1 -1
SURESTE
-1 -1 1
-1 -2 1
1 1 1
NOROESTE
1 1 1
1 -2 -1
1 -1 -1
SUROESTE
1 -1 -1
1 -2 -1
1 1 1
NORESTE
1 1 1
-1 -2 1
-1 -1 1
OBSERVACIOacuteN
LOS NOMBRES OBEDECEN A LA DIRECCIOacuteN DEL CONTRASTE QUE SENtildeALAN
LA DIRECCIOacuteN QUE REALZAN ES JUSTAMENTE LA PERPENDICULAR
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
48 Interpretacioacuten de Imaacutegenes
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Correcciones geomeacutetricas Georreferenciacioacuten Uso de puntos de control Fuentes de error Procesamiento geomeacutetrico Correccioacuten Transformacioacuten geomeacutetrica Calidad y ajuste Generacioacuten de la nueva imagen Transferencia de ND
INSTITUTO DE AGRIMENSURA - DEPARTAMENTO DE GEOMAacuteTICA PROF ADJUNTO GRADO 3 EDISON J ROSAS BERTON
El tratamiento de una imagen de sateacutelite Georreferenciacioacuten
(paso de un sistema de filas y columnas a un sistema de coordenadas estandard)
Para ello debe obtenerse una muestra de puntos de control de los que conozcamos tanto sus coordenadas reales como sus coordenadas en
la imagen deben ser por tanto objetos de un tamantildeo adecuado para resultar identificables tanto en la imagen como sobre el terreno el tamantildeo
dependeraacute loacutegicamente de la resolucioacuten de la imagen A partir de estos puntos de control se obtendraacuten por regresioacuten unas ecuaciones que permitiraacuten a cada par filacolumna un par de coordenadas
XY
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
GEORREFERENCIACIOacuteN
ENTENDIENDO LAS IMAacuteGENES
georreferenciacioacuten porqueacute
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PUNTOS DE CONTROL
ENTENDIENDO LAS IMAacuteGENES
uso de puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
DISTORSIONES POR LA PLATAFORMA ALTITUD DE LA OacuteRBITA ndash Cambio de escala
VELOCIDAD ndash Cambios de escala ORIENTACIOacuteN DE LOS TRES EJES ndash Distorsiones en la geometriacutea
NO SISTEMAacuteTICOS Y COMPLEJOS DE MODELAR
DISTORSIONES POR ROTACIOacuteN TERRESTRE
CONSIDERANDO ALTITUD (800 Km) y TAMANtildeO DE LA IMAGEN (180 Km)ndashEn latitudes medias tarda en adquirir unos 30 segundos la Tierra se desplaza unos 8 Km
ORIENTACIOacuteN NE SW
DISTORSIONES POR EL SENSOR ANOMALIacuteAS SENSOR y MOVIMIENTO ESPEJO ndash Barrido no lineal o cambio en intervalos
AacuteNGULO DE BARRIDO ndash Variacioacuten en el tamantildeo de pixel
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ERROR EN UNA IMAGEN ESPACIAL
ENTENDIENDO LAS IMAacuteGENES
fuentes de error
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Una correccioacuten geomeacutetrica incluye CUALQUIER CAMBIO EN LA POSICIOacuteN DE LOS PIXELES que
conforman la imagen f (c`) = f1 (c l) f (x y) f (l`) = f2 (c l) f (x y)
COORDENADAS DE IMAGEN CORREGIDA SON FUNCIOacuteN DE COORDENADAS COLUMNA Y LIacuteNEA DE LA
IMAGEN DE ENTRADA O DE LAS COORDENADAS DE MAPA AL QUE SUPERPONDREMOS LA IMAGEN
1 CON OBJETIVO DE REALIZAR UNA TRANSFORMACIOacuteN GEOMEacuteTRICA QUE PERMITA AJUSTARLA A OTRA IMAGEN REFERENCIA NORMALMENTE PARA REALIZAR ESTUDIOS MULTITEMPORALES O MOSAICOS CON EL FIN DE AMPLIAR LOS DATOS E INFORMACIOacuteN DE UNA ZONA
2 ESTO PERMITIRAacute QUE LA NUEVA IMAGEN LA PUEDA INTEGRAR CON INFORMACIOacuteN DE OTRAS FUENTES POR EJEMPLO EN UN AMBIENTE SIG
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
correccioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
asumimos que
NO SE CONOCE EL ORIGEN DE LOS ERRORES
modelamos
ECUACIONES EMPIacuteRICAS
aplicadas a un conjunto de puntos
COORDENADAS CONOCIDAS IMAGEN INPUT e IMAGEN OUTPUT
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
1 ndash SELECCIOacuteN DE REFERENCIAS 2 ndash ECUACIONES DE AJUSTE
3 ndash GENERACIOacuteN DE LA IMAGEN CORREGIDA
ES OBVIO CALIDAD DEL AJUSTE DEPENDERAacute DE PRECISIOacuteN CON QUE SE
LOCALICEN LOS PUNTOS DE CONTROL INEXACTA LOCALIZACIOacuteN
DISTRIBUCIOacuteN MUY SECTORIZADA NUacuteMERO DE PUNTOS DE CONTROL INADECUADO
ESTABLECER LOS PUNTOS DE CONTROL FASE MAS CRUCIAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
procesamiento de la correccioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Resaltamos la importancia de
NUacuteMERO LOCALIZACIOacuteN DISTRIBUCIOacuteN
Que debemos atender Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
que considero UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash Croquis ilustrativos de apoyo
TERRENO O ZONAS PLANAS CON IMG OBTENIDAS POR UN SENSOR DE ESTRECHA VISIOacuteN DE CAMPO
TRANSFORMACIOacuteN
BASADO EN ECUACIONES LINEALES SIMPLES
TERRENO ESCARPADO O RUGOSO O UTILIZACIOacuteN DE IMG OBTENIDAS EN UN SENSOR CON VARIACIONES EN LAS CONDICIONES DE OBSERVACIOacuteN
TRANSFORMACIOacuteN MAacuteS COMPLEJA
POLINOMIOS DE SEGUNDO O TERCER ORDEN
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Desde un punto de vista matemaacutetico
GRADO 1 ndash 3 puntos GRADO 2 ndash 6 puntos GRADO 3 ndash 10 puntos
Seguacuten mis objetivos del trabajo no es conveniente utilizar esos miacutenimos
14 a 20 puntos (Landsat 5 MMS ndash seguacuten Bernstein R y D G Ferneyhough Jr 1978)
100 a 120 puntos (Landsat 7 TM ndash seguacuten el National Remote Sensing Center de Inglaterra)
10 o 12 puntos (Pequentildea zona de 512 x 512 pixeles ndash seguacuten Emilio Chuvieco 2010)
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
matemaacuteticamente UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
QUE DEBEMOS DE CONSIDERAR EN CUANTO A LA LOCALIZACIOacuteN
CLARAMENTE IDENTIFICABLES EN IMAGEN Y MAPA RASGOS HUMANOS DEL PAISAJE NO SUJETOS A DINAMISMO TEMPORAL
CRUCE DE CARRETERAS
CAMINOS VIacuteA FEacuteRREAS
NO CONSIDERAR ELEMENTOS ASOCIADOS AL AGUA
COSTA CURSOS DE AGUA
EMBALSES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
localizacioacuten TCP UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la correccioacuten digital de la geometriacutea de una imagen se realiza a partir de establecer unas funciones que relacionen las coordenadas de la imagen
y las coordenadas del mapa
EJ CASO MAS SIMPLE REGRESIOacuteN LINEAL MUacuteLTIPLE
ci = a0 + a1 Xi + a2 Yi li = b0 + b1 Xi + b2 Yi
EN LA PRAacuteCTICA BASTA UNA FUNCIOacuteN LINEAL PARA ABORDAR UN GRAN NUacuteMERO DE
TRANSFORMACIONES Y SON SUFICIENTES SI LAS IMAacuteGENES NO SON MUY GRANDES ANTE LA NECESIDAD DE OTRAS TRANSFORMACIONES SE UTILIZAN DE 2ordm y 3ordm ORDEN CONSIDERANDO ALTERACIONES GEOMEacuteTRICAS NO LINEALES (FUNCIONES QUE NO SE DEFINEN EN UN PLANO
CON EJES LINEALES SINO QUE SUPERFICIES CON EJES CURVILIacuteNEOS)
LOS COEFICIENTES DE LAS FUNCIONES DE TRANSFORMACIOacuteN SE CALCULAN A PARTIR DE UN AJUSTE POR MIacuteNIMOS CUADRADOS
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
funciones de transformacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash ejemplos de funciones de transformacioacuten geomeacutetrica con el efecto causado
TRASLACIOacuteN
CAMBIO DE ESCALA
INCLINACIOacuteN
PERSPECTIVA
ROTACIOacuteN
x = a0 + xacute y = b0 + yacute
x = xacute + a2 yacute y = yacute
x = a1 xacute y = b1 yacute
x = a3xacute yacute y = yacute
x = a4xacute + a5yacute y = b4xacute + b5yacute a4 = b5 = cos Ɵ a5 = -b4 = sen Ɵ
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
transformacioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
comparacioacuten coordenadas reales y las estimadas por la regresioacuten
el promedio de los residuales se conoce como error medio cuadraacutetico
la calidad del ajuste lo da el RMSE (root mean squared error)
(error medio cuadraacutetico)
RMSE es la raiacutez cuadrada de las desviaciones entre los valores reales y los
calculados
RMSE para cada punto es la raiacutez de los residuales al cuadrado que es la distancia entre ellos
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
RMSE UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la praacutectica hace que fijemos una TOLERANCIA y es que si ese promedio supera un valor fijado previamente haya que rever
el valor fijado previamente generalmente es igual o menor a un PIXEL
una correcta verificacioacuten
NECESITA introducir PUNTOS de VERIFICACIOacuteN
que no hayan sido introducidos en el ajuste
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
tolerancias fijadas
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
traducimos coordenadas de un mapa a la imagen tambieacuten necesitamos a la nueva imagen
TRANSFERIR LOS VALORES DIGITALES no olvidar que lo que queremos es generar una nueva imagen que se
corresponda con las coordenadas y las funciones de ajuste
NO ORIGINAN NUEVA IMAGEN solo colocan a los pixeles en la posicioacuten correcta
en criollo las funciones de transformacioacuten generan una nueva matriz bien posicionada pero vaciacutea
DEBEMOS LLENAR LA MATRIZ problema maacutes complejo de lo que puede
pensarse Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
generacioacuten de la nueva imaacutegen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
cada pixel de la imagen corregida se corresponderiacutea con un pixel de la imagen original
LEJOS DE ESE IDEAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo I
vecino maacutes proacuteximo ( nearest neighbour )
a cada celda de la imagen corregida se asigna el ND del pixel maacutes cercano de la
imagen original
SOLUCIOacuteN RAacutePIDA MENOR DISTORSIOacuteN DE LOS ND
INTRODUCE RASGOS LINEALES QUE DISTORSIONAN
CORRECCIOacuteN DE IMAacuteGENES CLASIFICADAS
CONSERVAR LA RADIOMETRIacuteA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo II
interpolacioacuten bilineal ( bilinear interpolation )
supone promediar los ND de los cuatro pixeles mas cercanos
con ponderacioacuten seguacuten la distancia pixeles originalcorregido
REDUCE EL EFECTO DE DISTORSIOacuteN EN RASGOS LINEALES
TIENDE A DIFUMINAR LOS CONTRASTES ESPACIALES
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE IMAacuteGENES RECTIFICADAS MAPAS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo III
convolusioacuten cuacutebica ( cubic convolution )
supone considerar los ND de los 16 pixeles mas proacuteximos
media ponderada seguacuten la distancia pixeles originalcorregido
EFECTO VISUAL MAS CORRECTO
VOLUacuteMEN DE CAacuteLCULO MUY SUPERIOR TENDENCIA A AGUDIZAR BORDES DE LA IMAGEN
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE ORTOIMAacuteGENES IMPRESIONES DE CALIDAD
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FUENTES DE DISTORSIOacuteN
correcciones
EXPLOTANDO LAS IMAacuteGENES
OSCILACIOacuteN DE LA PLATAFORMA
ROTACIOacuteN TERRESTRE
TIEMPO DE BARRIDO
DISTORSIOacuteN PANORAacuteMICA
CURVATURA DE LA TIERRA
DISTORSIONES RADIOMEacuteTRICAS PEacuteRDIDA DE LIacuteNEAS O CELDAS BANDEADO EFECTO ATMOSFEacuteRICO
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIONES
operadores
EXPLOTANDO LAS IMAacuteGENES
OPERADOR la funcioacuten matemaacutetica que se aplica sobre la imagen
w = f (xyz) T wrsquo = f lsquo (xlsquoyrsquozrsquo) lo desglosamos en componentes
en x e y seraacuten las transformaciones geomeacutetricas y en z la transformaciones radiomeacutetricas
TIPOS DE OPERADORES puntuales cada elemento de la img final es funcioacuten de un solo elemento de la img inicial
locales luminancia de un elemento de la img final es funcioacuten de las luminancias de un entorno de cada elemento de la img inicial globales toda la img final es funcioacuten de toda la img inicial TRANSFORMACIONES Radiomeacutetricas modifican la amplitud de la sentildeal manteniendo invariable las coordenadas de cada celda
Geomeacutetricas modifican la geometriacutea de la imagen dejando constante los valores de su radiometriacutea
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ANAacuteLISIS DIGITAL DE LAS IMAacuteGENES
httpgeograuahesrtm
los valores de asignacioacuten a los
pixeles
Los sensores utilizados en teledeteccioacuten estaacuten calibrados para recibir valores muy altos de radiacioacuten sin llegar a saturarse por lo que lo normal es que todos los valores recibidos esteacuten muy
por debajo de los maacuteximos posibles
La consecuencia es que los valores de ND obtenidos son muy bajos y las imaacutegenes se van a ver oscuras muy poco
contrastadas Una forma de solventar este problema es ajustar el contraste mediante diversas teacutecnicas
EXPLOTANDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
LA MATRIZ DE DATOS
valores de celdas perdidas
A veces se requiere de poder restaurar valores dado que la matriz de datos contiene celdas perdidas y aparecen ND con valores nulos
en el dominio espacial
Una forma de corregir asignar un valor a la celda o liacutenea perdida tomar para cada pixel el ND del vecino
de la liacutenea anterior de la liacutenea siguiente
promedio en el dominio de la frecuencia
Otra manera seguacuten el valor de la celda en otra banda correlacionada
se calculan los histogramas parciales de las celdas en estudio para cada detector se obtiene la media y desviacioacuten estaacutendar de los ND correspondientes a cada detector
Se aplica NDacuteij = ak ND ij + bk
EXPLOTANDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
RESTAURACIOacuteN DE CELDAS PERDIDAS
estudio de histogramas
httpcoelloujaenesAsignaturasteledeteccion
EXPLOTANDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ESTADIacuteSTICAS E HISTOGRAMA DE UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm que es un
histograma
IMAGEN DIGITAL SIMPLE DE 8 x 8 PIXELES EN NIVELES DE GRIS CON UNA PROFUNDIDAD DE 2 BITS
CUATRO VALORES POSIBLES DE BRILLO PASADOS A TONOS DE GRIS NEGRO GRIS OSCURO GRIS CLARO Y BLANCO
ND BRILLO
0 Negro
1 Gris oscuro
2 Gris claro
3 Blanco
veremos entonces que es un HISTOGRAMA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA
ENTENDIENDO LAS IMAacuteGENES
conceptualidades
REPRESENTACIOacuteN GRAacuteFICA DE LOS NIVELES DE GRISES EN FUNCIOacuteN DE LA REPETICIOacuteN DE VECES EN QUE APARECE CADA UNO DE LOS NIVELES DE GRIS
deducciones
11
15
38
0
adaptado de El histograma de una Imagen Digital Universidad
Politeacutecnica de Valencia
La mayor parte de los piacutexeles son blancos por lo que probablemente la imagen tenga un fondo blanco uniforme
Hay un nuacutemero significativo de pixeles negros y pixeles blancos lo que hace que la imagen presente un aspecto bien contrastado
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA IDEAL
ENTENDIENDO LAS IMAacuteGENES
elementos a considerar
Como regla general se considera que una imagen tiene un buen contraste si su histograma se extiende ocupando casi todo el rango
de tonos
adaptado de El histograma de una Imagen Digital Universidad Politeacutecnica de Valencia
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA IDEAL
ENTENDIENDO LAS IMAacuteGENES
elementos a considerar
Por ejemplo en una imagen nocturna el histograma estaacute fuertemente desplazado al lado izquierdo (zona de tonos oscuros) y
evidencia que no hay apenas ninguna zona de la imagen muy brillante
adaptado de El histograma de una Imagen Digital Universidad Politeacutecnica de Valencia
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA IDEAL
ENTENDIENDO LAS IMAacuteGENES
elementos a considerar
En este caso el histograma es marcadamente maacutes alto en la zona de grises claros y blancos y apareceraacute corrido a la derecha hacia el
lado de los valores altos de iluminacioacuten
adaptado de El histograma de una Imagen Digital Universidad Politeacutecnica de Valencia
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA IDEAL
ENTENDIENDO LAS IMAacuteGENES
elementos a considerar
Se entiende por contraste la diferencia de brillo entre las zonas maacutes claras y maacutes oscuras en una imagen En este paisaje con niebla es
un ejemplo de bajo contraste Se traduce en un histograma estrecho Ademaacutes como la toacutenica dominante son los grises medios
se observa que estaacute bastante centrado
adaptado de El histograma de una Imagen Digital Universidad Politeacutecnica de Valencia
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
conjunto de datos
Frente a escenas con una iluminacioacuten maacutes normal y con una gran cantidad de elementos detectados los histogramas deberiacutean ser como en el primer caso que
hemos visto
Si no sucede
Histograma desplazado a la izquierda puede denotar falta de exposicioacuten
Histograma desplazado a la derecha puede ser un exceso de exposicioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
46 Interpretacioacuten de Imaacutegenes
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento digital Optimizacioacuten de las imaacutegenes Realces y mejoras visuales Contraste en una imagen Composiciones color El color verdadero el falso color el pseudo color
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
OPTIMIZACIOacuteN DE LAS IMAacuteGENES
ENTENDIENDO LAS IMAacuteGENES
mejorar visualmente las imaacutegenes
MANIPULAR DE FORMA FLEXIBLE Y SOFISTICADA EL ND DE LOS PIXELES
LUEGO DE CORRECCIONES LAS IMAacuteGENES HAY QUE OPTIMIZARLAS DESDE EL PUNTO DE VISTA VISUAL
diferentes tipos
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
REALCES Y MEJORAS VISUALES
ENTENDIENDO LAS IMAacuteGENES
httpamericalatina-nacblogspotcomuy2009_10_01_archivehtml
optimizacioacuten de las imaacutegenes
proceso destinado a facilitar la interpretacioacuten visual
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
ecualizacioacuten del histograma
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
gaussiano
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
lineal 2
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
lineal
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
raiacutez cuadrada
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
lineal 0 - 255
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PORQUEacute EL REALCE
ENTENDIENDO LAS IMAacuteGENES
LOS SENSORES SON CALIBRADOS PARA ABARCAR TODO EL RANGO POSIBLE DE RADIANCIAS
PARA CADA USO EN CONCRETO ES NECESIDAD IMPERIOSA
EXPANDIR EL HISTOGRAMA Y ASIacute CUBRIR EL RANGO COMPLETO DE NIVELES DE GRIS
histograma UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CONTRASTE EN UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
expansioacuten del contraste
los datos uacutetiles solo ocupan pequentildea parte de los niveles de gris disponibles
expandir o estirar el histograma es cambiar los valores originales de ND para utilizar mayor rango
asiacute incrementar el contraste visual de diferentes objetos
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
ejemplos visuales
sin realce lineal
frecuencial gamma
MEacuteTODOS DE EXPANSIOacuteN DEL CONTRASTE
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
lineal
expansioacuten lineal
lo maacutes simple transformacioacuten en liacutenea llevando el valor miacutenimo a 0 y maacuteximo a 255 o se usa un rango por encima y por debajo de miacutenimo y maacuteximo
EXPANSIOacuteN I
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
lineal
EXPANSIOacuteN I expansioacuten
logariacutetmico exponencial
gamma
curvas de transferencia en lugar de rectas gamma es la curvatura de dicha curva se expanden maacutes el contraste de los extremos o del centro
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
frecuencial
EXPANSIOacuteN II
frecuencial ecualizacioacuten del
histograma
cuando los valores de ND no estaacuten distribuidos uniformemente intentar en la medida de lo posible que los valores de salida de los ND tengan el mismo de pixeles con dicho valor
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CONTRASTE EN UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
compresioacuten del contraste
Ya sabemos que el contraste mide el rango dinaacutemico de los colores en la imagen es decir una imagen muy contrastada tiene un amplio abanico de colores (o tonos de gris) desde valores muy bajos a valores muy altos Para una imagen con poco contraste los colores estaacuten muy juntos el margen dinaacutemico es pequentildeo La variacioacuten en el contraste aparece como una compresioacuten del histograma en caso de una reduccioacuten a la inversa de lo visto en el caso de una expansioacuten
Compresioacuten si el rango excede de las capacidades del sistema
Se ha de comparar el nuacutemero de niveles digitales (ND) de la imagen con los niveles de visualizacioacuten (NV) o grises del sistema Es de menos aplicacioacuten Al igual que el brillo variando el contraste se puede provocar una peacuterdida de informacioacuten de la imagen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
MAYOR APLICABILIDAD DEL REALCE
ENTENDIENDO LAS IMAacuteGENES
realce oacuteptimo
realce frecuencial
realce lineal
laquo r e a l c e oacute p t i m o raquo optimiza interpretacioacuten de la imagen
mejor esteacutetica de la imagen NO COINCIDE CON NINGUacuteN CORTE PREDETERMINADO
Y SE LOGRA INTERACTIVAMENTE EN PANTALLA Y PARA CADA BANDA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
COMPOSICIONES COLOR
ENTENDIENDO LAS IMAacuteGENES
formatos de composiciones
CON LA CRECIENTE APARICIOacuteN DE LOS SENSORES HIPERESPECTRALES LAS POSIBILIDADES DE COMPOSICIONES
COLOREADAS DE BANDAS SON CASI ILIMITADAS
LA ELECCIOacuteN DE LAS BANDAS PARA REALIZAR LA COMPOSICIOacuteN Y EL ORDEN DE LAS BANDAS ASIGANADAS A LOS COLORES
PRIMARIOS DEPENDERAacute DE
Sensor Aplicacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EL SEUDO - COLOR
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm formatos de
composiciones
Ya hemos afirmado de que el ojo humano es maacutes capaz de distinguir tonos de color que intensidades de brillo
Por ello el empleo del color ayuda a la interpretacioacuten incluso cuando podamos tener una sola imagen de una banda
Es aquiacute que hablamos del SEUDO COLOR por no contar con tres bandas
El seudo color implica la creacioacuten de una CLUT que asocie el ND de una sola banda a distintos componentes del R V y A APLICACIONES 1 Para tener una leyenda de colores para una img clasificada 2 Para realzar el anaacutelisis de una determinada banda y sustituir los tonos de gris por una paleta de colores
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CLUT COLOUR LOOK-UP TABLE TABLA DE CONSULTA DE COLOR
ENTENDIENDO LAS IMAacuteGENES
httpsenwikipediaorgwikiColour_look-up_table
creacioacuten del seudo color
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Filtros espaciales Concepto de kernel Filtros paso bajo y paso alto Filtros direccionales Anomaliacuteas y correccioacuten atmosfeacuterica Correcciones radiomeacutetricas Anomaliacuteas radiomeacutetricas Fallos en el sensorCorreccioacuten atmosfeacuterica concepto Meacutetodo valores miacutenimos Regresioacuten entre bandas Dispersioacuten por aerosolesCalibracioacuten Caso misioacuten Landsat
47 Interpretacioacuten de Imaacutegenes
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de que es un filtro
espacial
FUNCIONES PARA MEJORAR ASPECTO DE LAS IMAacuteGENES
REALZAN O DISMINUYEN ELEMENTOS VISUALES DE LA IMG
BASADOS EN LA FRECUENCIA ESPACIAL
FRECUENCIAS ESPACIALES ALTAS Variaciones que se producen en pocos piacutexeles TENDENCIA GENERAL FRECUENCIAS ESPACIALES BAJAS
Variaciones que se producen en muchos piacutexeles CONTRASTES LOCALES
FILTROS Figura - CCRS CCT
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de kernel
FILTRADO ESPACIAL Figura - CCRS CCT FILTRADO EN EL DOMINIO
ESPACIAL Lo mas comuacuten es la aplicacioacuten de una ventana deslizante con valores que son coeficientes fijos de una matriz La MATRIZ se suele llamar KERNEL o nuacutecleo del filtro
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DIGITAL
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
3 x 3 5 x 5 7 x 7
1 1 1
1 2 1
1 1 1 matrices
LOS VALORES DEL KERNEL SE MULTIPLICAN POR EL PIacuteXEL QUE TIENEN DEBAJO Y LUEGO SE SUMAN TODOS LOS PRODUCTOS
Y PARA OBTENER EL VALOR DEL PIacuteXEL CENTRAL EN LA IMAGEN TRANSFORMADA SE LO DIVIDE POR LA SUMA DE LOS PONDERADOS O PESOS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO - PASO BAJO PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
26
FILTROS DE PASO BAJO SE FAVORECEN A LOS PIXELES
PERIFEacuteRICOS SE MINIMIZAN LAS DIFERENCIAS CON LOS VECINOS ES UNA ESPECIE DE SUAVIZADO
FILTRO DE PASO ALTO PONDERACIOacuteN DEL VALOR CENTRAL EN DETRIMENTO DE LOS CIRCUNDANTES
SE EXAGERAN DIFERENCIAS Y SE RESALTAN VARIACIONES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO BAJO
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm
simulacioacuten
IMAGEN ORIGINAL
FILTRO PASO BAJO 3x3 SE TRATA DE ASEMEJAR LOS VALORES DE ND DE UN PIXEL A LOS VALORES VECINOS EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA OFRECE PERFILES MENOS NIacuteTIDOS
FILTRO PASO BAJO 7x7 SIRVE PARA REDUCIR VARIABILIDAD ESPACIAL DE ALGUNA CATEGORIacuteA ANTES DE UN PROCESO DE CLASIFICACIOacuteN
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
IMAGEN ORIGINAL
FILTRO PASO ALTO 3x3 SE TRATA DE AISLAR LOS COMPONENTES DE ALTA FRECUENCIA Y REMARCAR DIGITALMENTE CONTRASTES EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA REFUERZA LOS CONTORNOS EN AacuteREAS HOMOGEacuteNEAS
FILTRO PASO ALTO 7x7 SIRVE PARA LOGRAR REALCES DE RASGOS LINEALES COMO PUEDEN SER EN AacuteREAS URBANAS O RASGOS GEOLOacuteGICOS
simulacioacuten
httpgeograuahesrtm
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
Figura - Landsat USGS
IMAGEN ORIGINAL
FILTRO DIRECCIONAL PERMITEN IDENTIFICAR LOS RASGOS FRONTERIZOS EN LAS IMAacuteGENES COMO LOS FILTROS ANTERIORES PERO AHORA CONSIDERANDO LA ORIENTACIOacuteN
se tiene en cuenta la
orientacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
matrices con direccioacuten
NORTE
1 1 1
1 -2 1
-1 -1 -1
SUR
-1 -1 -1
1 -2 1
1 1 1
ESTE
-1 1 1
-1 -2 1
-1 1 1
OESTE
1 1 -1
1 -2 -1
1 1 -1
SURESTE
-1 -1 1
-1 -2 1
1 1 1
NOROESTE
1 1 1
1 -2 -1
1 -1 -1
SUROESTE
1 -1 -1
1 -2 -1
1 1 1
NORESTE
1 1 1
-1 -2 1
-1 -1 1
OBSERVACIOacuteN
LOS NOMBRES OBEDECEN A LA DIRECCIOacuteN DEL CONTRASTE QUE SENtildeALAN
LA DIRECCIOacuteN QUE REALZAN ES JUSTAMENTE LA PERPENDICULAR
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
48 Interpretacioacuten de Imaacutegenes
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Correcciones geomeacutetricas Georreferenciacioacuten Uso de puntos de control Fuentes de error Procesamiento geomeacutetrico Correccioacuten Transformacioacuten geomeacutetrica Calidad y ajuste Generacioacuten de la nueva imagen Transferencia de ND
INSTITUTO DE AGRIMENSURA - DEPARTAMENTO DE GEOMAacuteTICA PROF ADJUNTO GRADO 3 EDISON J ROSAS BERTON
El tratamiento de una imagen de sateacutelite Georreferenciacioacuten
(paso de un sistema de filas y columnas a un sistema de coordenadas estandard)
Para ello debe obtenerse una muestra de puntos de control de los que conozcamos tanto sus coordenadas reales como sus coordenadas en
la imagen deben ser por tanto objetos de un tamantildeo adecuado para resultar identificables tanto en la imagen como sobre el terreno el tamantildeo
dependeraacute loacutegicamente de la resolucioacuten de la imagen A partir de estos puntos de control se obtendraacuten por regresioacuten unas ecuaciones que permitiraacuten a cada par filacolumna un par de coordenadas
XY
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
GEORREFERENCIACIOacuteN
ENTENDIENDO LAS IMAacuteGENES
georreferenciacioacuten porqueacute
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PUNTOS DE CONTROL
ENTENDIENDO LAS IMAacuteGENES
uso de puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
DISTORSIONES POR LA PLATAFORMA ALTITUD DE LA OacuteRBITA ndash Cambio de escala
VELOCIDAD ndash Cambios de escala ORIENTACIOacuteN DE LOS TRES EJES ndash Distorsiones en la geometriacutea
NO SISTEMAacuteTICOS Y COMPLEJOS DE MODELAR
DISTORSIONES POR ROTACIOacuteN TERRESTRE
CONSIDERANDO ALTITUD (800 Km) y TAMANtildeO DE LA IMAGEN (180 Km)ndashEn latitudes medias tarda en adquirir unos 30 segundos la Tierra se desplaza unos 8 Km
ORIENTACIOacuteN NE SW
DISTORSIONES POR EL SENSOR ANOMALIacuteAS SENSOR y MOVIMIENTO ESPEJO ndash Barrido no lineal o cambio en intervalos
AacuteNGULO DE BARRIDO ndash Variacioacuten en el tamantildeo de pixel
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ERROR EN UNA IMAGEN ESPACIAL
ENTENDIENDO LAS IMAacuteGENES
fuentes de error
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Una correccioacuten geomeacutetrica incluye CUALQUIER CAMBIO EN LA POSICIOacuteN DE LOS PIXELES que
conforman la imagen f (c`) = f1 (c l) f (x y) f (l`) = f2 (c l) f (x y)
COORDENADAS DE IMAGEN CORREGIDA SON FUNCIOacuteN DE COORDENADAS COLUMNA Y LIacuteNEA DE LA
IMAGEN DE ENTRADA O DE LAS COORDENADAS DE MAPA AL QUE SUPERPONDREMOS LA IMAGEN
1 CON OBJETIVO DE REALIZAR UNA TRANSFORMACIOacuteN GEOMEacuteTRICA QUE PERMITA AJUSTARLA A OTRA IMAGEN REFERENCIA NORMALMENTE PARA REALIZAR ESTUDIOS MULTITEMPORALES O MOSAICOS CON EL FIN DE AMPLIAR LOS DATOS E INFORMACIOacuteN DE UNA ZONA
2 ESTO PERMITIRAacute QUE LA NUEVA IMAGEN LA PUEDA INTEGRAR CON INFORMACIOacuteN DE OTRAS FUENTES POR EJEMPLO EN UN AMBIENTE SIG
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
correccioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
asumimos que
NO SE CONOCE EL ORIGEN DE LOS ERRORES
modelamos
ECUACIONES EMPIacuteRICAS
aplicadas a un conjunto de puntos
COORDENADAS CONOCIDAS IMAGEN INPUT e IMAGEN OUTPUT
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
1 ndash SELECCIOacuteN DE REFERENCIAS 2 ndash ECUACIONES DE AJUSTE
3 ndash GENERACIOacuteN DE LA IMAGEN CORREGIDA
ES OBVIO CALIDAD DEL AJUSTE DEPENDERAacute DE PRECISIOacuteN CON QUE SE
LOCALICEN LOS PUNTOS DE CONTROL INEXACTA LOCALIZACIOacuteN
DISTRIBUCIOacuteN MUY SECTORIZADA NUacuteMERO DE PUNTOS DE CONTROL INADECUADO
ESTABLECER LOS PUNTOS DE CONTROL FASE MAS CRUCIAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
procesamiento de la correccioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Resaltamos la importancia de
NUacuteMERO LOCALIZACIOacuteN DISTRIBUCIOacuteN
Que debemos atender Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
que considero UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash Croquis ilustrativos de apoyo
TERRENO O ZONAS PLANAS CON IMG OBTENIDAS POR UN SENSOR DE ESTRECHA VISIOacuteN DE CAMPO
TRANSFORMACIOacuteN
BASADO EN ECUACIONES LINEALES SIMPLES
TERRENO ESCARPADO O RUGOSO O UTILIZACIOacuteN DE IMG OBTENIDAS EN UN SENSOR CON VARIACIONES EN LAS CONDICIONES DE OBSERVACIOacuteN
TRANSFORMACIOacuteN MAacuteS COMPLEJA
POLINOMIOS DE SEGUNDO O TERCER ORDEN
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Desde un punto de vista matemaacutetico
GRADO 1 ndash 3 puntos GRADO 2 ndash 6 puntos GRADO 3 ndash 10 puntos
Seguacuten mis objetivos del trabajo no es conveniente utilizar esos miacutenimos
14 a 20 puntos (Landsat 5 MMS ndash seguacuten Bernstein R y D G Ferneyhough Jr 1978)
100 a 120 puntos (Landsat 7 TM ndash seguacuten el National Remote Sensing Center de Inglaterra)
10 o 12 puntos (Pequentildea zona de 512 x 512 pixeles ndash seguacuten Emilio Chuvieco 2010)
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
matemaacuteticamente UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
QUE DEBEMOS DE CONSIDERAR EN CUANTO A LA LOCALIZACIOacuteN
CLARAMENTE IDENTIFICABLES EN IMAGEN Y MAPA RASGOS HUMANOS DEL PAISAJE NO SUJETOS A DINAMISMO TEMPORAL
CRUCE DE CARRETERAS
CAMINOS VIacuteA FEacuteRREAS
NO CONSIDERAR ELEMENTOS ASOCIADOS AL AGUA
COSTA CURSOS DE AGUA
EMBALSES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
localizacioacuten TCP UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la correccioacuten digital de la geometriacutea de una imagen se realiza a partir de establecer unas funciones que relacionen las coordenadas de la imagen
y las coordenadas del mapa
EJ CASO MAS SIMPLE REGRESIOacuteN LINEAL MUacuteLTIPLE
ci = a0 + a1 Xi + a2 Yi li = b0 + b1 Xi + b2 Yi
EN LA PRAacuteCTICA BASTA UNA FUNCIOacuteN LINEAL PARA ABORDAR UN GRAN NUacuteMERO DE
TRANSFORMACIONES Y SON SUFICIENTES SI LAS IMAacuteGENES NO SON MUY GRANDES ANTE LA NECESIDAD DE OTRAS TRANSFORMACIONES SE UTILIZAN DE 2ordm y 3ordm ORDEN CONSIDERANDO ALTERACIONES GEOMEacuteTRICAS NO LINEALES (FUNCIONES QUE NO SE DEFINEN EN UN PLANO
CON EJES LINEALES SINO QUE SUPERFICIES CON EJES CURVILIacuteNEOS)
LOS COEFICIENTES DE LAS FUNCIONES DE TRANSFORMACIOacuteN SE CALCULAN A PARTIR DE UN AJUSTE POR MIacuteNIMOS CUADRADOS
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
funciones de transformacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash ejemplos de funciones de transformacioacuten geomeacutetrica con el efecto causado
TRASLACIOacuteN
CAMBIO DE ESCALA
INCLINACIOacuteN
PERSPECTIVA
ROTACIOacuteN
x = a0 + xacute y = b0 + yacute
x = xacute + a2 yacute y = yacute
x = a1 xacute y = b1 yacute
x = a3xacute yacute y = yacute
x = a4xacute + a5yacute y = b4xacute + b5yacute a4 = b5 = cos Ɵ a5 = -b4 = sen Ɵ
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
transformacioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
comparacioacuten coordenadas reales y las estimadas por la regresioacuten
el promedio de los residuales se conoce como error medio cuadraacutetico
la calidad del ajuste lo da el RMSE (root mean squared error)
(error medio cuadraacutetico)
RMSE es la raiacutez cuadrada de las desviaciones entre los valores reales y los
calculados
RMSE para cada punto es la raiacutez de los residuales al cuadrado que es la distancia entre ellos
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
RMSE UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la praacutectica hace que fijemos una TOLERANCIA y es que si ese promedio supera un valor fijado previamente haya que rever
el valor fijado previamente generalmente es igual o menor a un PIXEL
una correcta verificacioacuten
NECESITA introducir PUNTOS de VERIFICACIOacuteN
que no hayan sido introducidos en el ajuste
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
tolerancias fijadas
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
traducimos coordenadas de un mapa a la imagen tambieacuten necesitamos a la nueva imagen
TRANSFERIR LOS VALORES DIGITALES no olvidar que lo que queremos es generar una nueva imagen que se
corresponda con las coordenadas y las funciones de ajuste
NO ORIGINAN NUEVA IMAGEN solo colocan a los pixeles en la posicioacuten correcta
en criollo las funciones de transformacioacuten generan una nueva matriz bien posicionada pero vaciacutea
DEBEMOS LLENAR LA MATRIZ problema maacutes complejo de lo que puede
pensarse Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
generacioacuten de la nueva imaacutegen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
cada pixel de la imagen corregida se corresponderiacutea con un pixel de la imagen original
LEJOS DE ESE IDEAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo I
vecino maacutes proacuteximo ( nearest neighbour )
a cada celda de la imagen corregida se asigna el ND del pixel maacutes cercano de la
imagen original
SOLUCIOacuteN RAacutePIDA MENOR DISTORSIOacuteN DE LOS ND
INTRODUCE RASGOS LINEALES QUE DISTORSIONAN
CORRECCIOacuteN DE IMAacuteGENES CLASIFICADAS
CONSERVAR LA RADIOMETRIacuteA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo II
interpolacioacuten bilineal ( bilinear interpolation )
supone promediar los ND de los cuatro pixeles mas cercanos
con ponderacioacuten seguacuten la distancia pixeles originalcorregido
REDUCE EL EFECTO DE DISTORSIOacuteN EN RASGOS LINEALES
TIENDE A DIFUMINAR LOS CONTRASTES ESPACIALES
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE IMAacuteGENES RECTIFICADAS MAPAS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo III
convolusioacuten cuacutebica ( cubic convolution )
supone considerar los ND de los 16 pixeles mas proacuteximos
media ponderada seguacuten la distancia pixeles originalcorregido
EFECTO VISUAL MAS CORRECTO
VOLUacuteMEN DE CAacuteLCULO MUY SUPERIOR TENDENCIA A AGUDIZAR BORDES DE LA IMAGEN
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE ORTOIMAacuteGENES IMPRESIONES DE CALIDAD
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIONES
operadores
EXPLOTANDO LAS IMAacuteGENES
OPERADOR la funcioacuten matemaacutetica que se aplica sobre la imagen
w = f (xyz) T wrsquo = f lsquo (xlsquoyrsquozrsquo) lo desglosamos en componentes
en x e y seraacuten las transformaciones geomeacutetricas y en z la transformaciones radiomeacutetricas
TIPOS DE OPERADORES puntuales cada elemento de la img final es funcioacuten de un solo elemento de la img inicial
locales luminancia de un elemento de la img final es funcioacuten de las luminancias de un entorno de cada elemento de la img inicial globales toda la img final es funcioacuten de toda la img inicial TRANSFORMACIONES Radiomeacutetricas modifican la amplitud de la sentildeal manteniendo invariable las coordenadas de cada celda
Geomeacutetricas modifican la geometriacutea de la imagen dejando constante los valores de su radiometriacutea
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ANAacuteLISIS DIGITAL DE LAS IMAacuteGENES
httpgeograuahesrtm
los valores de asignacioacuten a los
pixeles
Los sensores utilizados en teledeteccioacuten estaacuten calibrados para recibir valores muy altos de radiacioacuten sin llegar a saturarse por lo que lo normal es que todos los valores recibidos esteacuten muy
por debajo de los maacuteximos posibles
La consecuencia es que los valores de ND obtenidos son muy bajos y las imaacutegenes se van a ver oscuras muy poco
contrastadas Una forma de solventar este problema es ajustar el contraste mediante diversas teacutecnicas
EXPLOTANDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
LA MATRIZ DE DATOS
valores de celdas perdidas
A veces se requiere de poder restaurar valores dado que la matriz de datos contiene celdas perdidas y aparecen ND con valores nulos
en el dominio espacial
Una forma de corregir asignar un valor a la celda o liacutenea perdida tomar para cada pixel el ND del vecino
de la liacutenea anterior de la liacutenea siguiente
promedio en el dominio de la frecuencia
Otra manera seguacuten el valor de la celda en otra banda correlacionada
se calculan los histogramas parciales de las celdas en estudio para cada detector se obtiene la media y desviacioacuten estaacutendar de los ND correspondientes a cada detector
Se aplica NDacuteij = ak ND ij + bk
EXPLOTANDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
RESTAURACIOacuteN DE CELDAS PERDIDAS
estudio de histogramas
httpcoelloujaenesAsignaturasteledeteccion
EXPLOTANDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ESTADIacuteSTICAS E HISTOGRAMA DE UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm que es un
histograma
IMAGEN DIGITAL SIMPLE DE 8 x 8 PIXELES EN NIVELES DE GRIS CON UNA PROFUNDIDAD DE 2 BITS
CUATRO VALORES POSIBLES DE BRILLO PASADOS A TONOS DE GRIS NEGRO GRIS OSCURO GRIS CLARO Y BLANCO
ND BRILLO
0 Negro
1 Gris oscuro
2 Gris claro
3 Blanco
veremos entonces que es un HISTOGRAMA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA
ENTENDIENDO LAS IMAacuteGENES
conceptualidades
REPRESENTACIOacuteN GRAacuteFICA DE LOS NIVELES DE GRISES EN FUNCIOacuteN DE LA REPETICIOacuteN DE VECES EN QUE APARECE CADA UNO DE LOS NIVELES DE GRIS
deducciones
11
15
38
0
adaptado de El histograma de una Imagen Digital Universidad
Politeacutecnica de Valencia
La mayor parte de los piacutexeles son blancos por lo que probablemente la imagen tenga un fondo blanco uniforme
Hay un nuacutemero significativo de pixeles negros y pixeles blancos lo que hace que la imagen presente un aspecto bien contrastado
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA IDEAL
ENTENDIENDO LAS IMAacuteGENES
elementos a considerar
Como regla general se considera que una imagen tiene un buen contraste si su histograma se extiende ocupando casi todo el rango
de tonos
adaptado de El histograma de una Imagen Digital Universidad Politeacutecnica de Valencia
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA IDEAL
ENTENDIENDO LAS IMAacuteGENES
elementos a considerar
Por ejemplo en una imagen nocturna el histograma estaacute fuertemente desplazado al lado izquierdo (zona de tonos oscuros) y
evidencia que no hay apenas ninguna zona de la imagen muy brillante
adaptado de El histograma de una Imagen Digital Universidad Politeacutecnica de Valencia
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA IDEAL
ENTENDIENDO LAS IMAacuteGENES
elementos a considerar
En este caso el histograma es marcadamente maacutes alto en la zona de grises claros y blancos y apareceraacute corrido a la derecha hacia el
lado de los valores altos de iluminacioacuten
adaptado de El histograma de una Imagen Digital Universidad Politeacutecnica de Valencia
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA IDEAL
ENTENDIENDO LAS IMAacuteGENES
elementos a considerar
Se entiende por contraste la diferencia de brillo entre las zonas maacutes claras y maacutes oscuras en una imagen En este paisaje con niebla es
un ejemplo de bajo contraste Se traduce en un histograma estrecho Ademaacutes como la toacutenica dominante son los grises medios
se observa que estaacute bastante centrado
adaptado de El histograma de una Imagen Digital Universidad Politeacutecnica de Valencia
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
conjunto de datos
Frente a escenas con una iluminacioacuten maacutes normal y con una gran cantidad de elementos detectados los histogramas deberiacutean ser como en el primer caso que
hemos visto
Si no sucede
Histograma desplazado a la izquierda puede denotar falta de exposicioacuten
Histograma desplazado a la derecha puede ser un exceso de exposicioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
46 Interpretacioacuten de Imaacutegenes
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento digital Optimizacioacuten de las imaacutegenes Realces y mejoras visuales Contraste en una imagen Composiciones color El color verdadero el falso color el pseudo color
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
OPTIMIZACIOacuteN DE LAS IMAacuteGENES
ENTENDIENDO LAS IMAacuteGENES
mejorar visualmente las imaacutegenes
MANIPULAR DE FORMA FLEXIBLE Y SOFISTICADA EL ND DE LOS PIXELES
LUEGO DE CORRECCIONES LAS IMAacuteGENES HAY QUE OPTIMIZARLAS DESDE EL PUNTO DE VISTA VISUAL
diferentes tipos
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
REALCES Y MEJORAS VISUALES
ENTENDIENDO LAS IMAacuteGENES
httpamericalatina-nacblogspotcomuy2009_10_01_archivehtml
optimizacioacuten de las imaacutegenes
proceso destinado a facilitar la interpretacioacuten visual
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
ecualizacioacuten del histograma
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
gaussiano
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
lineal 2
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
lineal
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
raiacutez cuadrada
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
lineal 0 - 255
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PORQUEacute EL REALCE
ENTENDIENDO LAS IMAacuteGENES
LOS SENSORES SON CALIBRADOS PARA ABARCAR TODO EL RANGO POSIBLE DE RADIANCIAS
PARA CADA USO EN CONCRETO ES NECESIDAD IMPERIOSA
EXPANDIR EL HISTOGRAMA Y ASIacute CUBRIR EL RANGO COMPLETO DE NIVELES DE GRIS
histograma UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CONTRASTE EN UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
expansioacuten del contraste
los datos uacutetiles solo ocupan pequentildea parte de los niveles de gris disponibles
expandir o estirar el histograma es cambiar los valores originales de ND para utilizar mayor rango
asiacute incrementar el contraste visual de diferentes objetos
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
ejemplos visuales
sin realce lineal
frecuencial gamma
MEacuteTODOS DE EXPANSIOacuteN DEL CONTRASTE
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
lineal
expansioacuten lineal
lo maacutes simple transformacioacuten en liacutenea llevando el valor miacutenimo a 0 y maacuteximo a 255 o se usa un rango por encima y por debajo de miacutenimo y maacuteximo
EXPANSIOacuteN I
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
lineal
EXPANSIOacuteN I expansioacuten
logariacutetmico exponencial
gamma
curvas de transferencia en lugar de rectas gamma es la curvatura de dicha curva se expanden maacutes el contraste de los extremos o del centro
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
frecuencial
EXPANSIOacuteN II
frecuencial ecualizacioacuten del
histograma
cuando los valores de ND no estaacuten distribuidos uniformemente intentar en la medida de lo posible que los valores de salida de los ND tengan el mismo de pixeles con dicho valor
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CONTRASTE EN UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
compresioacuten del contraste
Ya sabemos que el contraste mide el rango dinaacutemico de los colores en la imagen es decir una imagen muy contrastada tiene un amplio abanico de colores (o tonos de gris) desde valores muy bajos a valores muy altos Para una imagen con poco contraste los colores estaacuten muy juntos el margen dinaacutemico es pequentildeo La variacioacuten en el contraste aparece como una compresioacuten del histograma en caso de una reduccioacuten a la inversa de lo visto en el caso de una expansioacuten
Compresioacuten si el rango excede de las capacidades del sistema
Se ha de comparar el nuacutemero de niveles digitales (ND) de la imagen con los niveles de visualizacioacuten (NV) o grises del sistema Es de menos aplicacioacuten Al igual que el brillo variando el contraste se puede provocar una peacuterdida de informacioacuten de la imagen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
MAYOR APLICABILIDAD DEL REALCE
ENTENDIENDO LAS IMAacuteGENES
realce oacuteptimo
realce frecuencial
realce lineal
laquo r e a l c e oacute p t i m o raquo optimiza interpretacioacuten de la imagen
mejor esteacutetica de la imagen NO COINCIDE CON NINGUacuteN CORTE PREDETERMINADO
Y SE LOGRA INTERACTIVAMENTE EN PANTALLA Y PARA CADA BANDA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
COMPOSICIONES COLOR
ENTENDIENDO LAS IMAacuteGENES
formatos de composiciones
CON LA CRECIENTE APARICIOacuteN DE LOS SENSORES HIPERESPECTRALES LAS POSIBILIDADES DE COMPOSICIONES
COLOREADAS DE BANDAS SON CASI ILIMITADAS
LA ELECCIOacuteN DE LAS BANDAS PARA REALIZAR LA COMPOSICIOacuteN Y EL ORDEN DE LAS BANDAS ASIGANADAS A LOS COLORES
PRIMARIOS DEPENDERAacute DE
Sensor Aplicacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EL SEUDO - COLOR
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm formatos de
composiciones
Ya hemos afirmado de que el ojo humano es maacutes capaz de distinguir tonos de color que intensidades de brillo
Por ello el empleo del color ayuda a la interpretacioacuten incluso cuando podamos tener una sola imagen de una banda
Es aquiacute que hablamos del SEUDO COLOR por no contar con tres bandas
El seudo color implica la creacioacuten de una CLUT que asocie el ND de una sola banda a distintos componentes del R V y A APLICACIONES 1 Para tener una leyenda de colores para una img clasificada 2 Para realzar el anaacutelisis de una determinada banda y sustituir los tonos de gris por una paleta de colores
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CLUT COLOUR LOOK-UP TABLE TABLA DE CONSULTA DE COLOR
ENTENDIENDO LAS IMAacuteGENES
httpsenwikipediaorgwikiColour_look-up_table
creacioacuten del seudo color
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Filtros espaciales Concepto de kernel Filtros paso bajo y paso alto Filtros direccionales Anomaliacuteas y correccioacuten atmosfeacuterica Correcciones radiomeacutetricas Anomaliacuteas radiomeacutetricas Fallos en el sensorCorreccioacuten atmosfeacuterica concepto Meacutetodo valores miacutenimos Regresioacuten entre bandas Dispersioacuten por aerosolesCalibracioacuten Caso misioacuten Landsat
47 Interpretacioacuten de Imaacutegenes
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de que es un filtro
espacial
FUNCIONES PARA MEJORAR ASPECTO DE LAS IMAacuteGENES
REALZAN O DISMINUYEN ELEMENTOS VISUALES DE LA IMG
BASADOS EN LA FRECUENCIA ESPACIAL
FRECUENCIAS ESPACIALES ALTAS Variaciones que se producen en pocos piacutexeles TENDENCIA GENERAL FRECUENCIAS ESPACIALES BAJAS
Variaciones que se producen en muchos piacutexeles CONTRASTES LOCALES
FILTROS Figura - CCRS CCT
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de kernel
FILTRADO ESPACIAL Figura - CCRS CCT FILTRADO EN EL DOMINIO
ESPACIAL Lo mas comuacuten es la aplicacioacuten de una ventana deslizante con valores que son coeficientes fijos de una matriz La MATRIZ se suele llamar KERNEL o nuacutecleo del filtro
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DIGITAL
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
3 x 3 5 x 5 7 x 7
1 1 1
1 2 1
1 1 1 matrices
LOS VALORES DEL KERNEL SE MULTIPLICAN POR EL PIacuteXEL QUE TIENEN DEBAJO Y LUEGO SE SUMAN TODOS LOS PRODUCTOS
Y PARA OBTENER EL VALOR DEL PIacuteXEL CENTRAL EN LA IMAGEN TRANSFORMADA SE LO DIVIDE POR LA SUMA DE LOS PONDERADOS O PESOS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO - PASO BAJO PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
26
FILTROS DE PASO BAJO SE FAVORECEN A LOS PIXELES
PERIFEacuteRICOS SE MINIMIZAN LAS DIFERENCIAS CON LOS VECINOS ES UNA ESPECIE DE SUAVIZADO
FILTRO DE PASO ALTO PONDERACIOacuteN DEL VALOR CENTRAL EN DETRIMENTO DE LOS CIRCUNDANTES
SE EXAGERAN DIFERENCIAS Y SE RESALTAN VARIACIONES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO BAJO
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm
simulacioacuten
IMAGEN ORIGINAL
FILTRO PASO BAJO 3x3 SE TRATA DE ASEMEJAR LOS VALORES DE ND DE UN PIXEL A LOS VALORES VECINOS EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA OFRECE PERFILES MENOS NIacuteTIDOS
FILTRO PASO BAJO 7x7 SIRVE PARA REDUCIR VARIABILIDAD ESPACIAL DE ALGUNA CATEGORIacuteA ANTES DE UN PROCESO DE CLASIFICACIOacuteN
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
IMAGEN ORIGINAL
FILTRO PASO ALTO 3x3 SE TRATA DE AISLAR LOS COMPONENTES DE ALTA FRECUENCIA Y REMARCAR DIGITALMENTE CONTRASTES EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA REFUERZA LOS CONTORNOS EN AacuteREAS HOMOGEacuteNEAS
FILTRO PASO ALTO 7x7 SIRVE PARA LOGRAR REALCES DE RASGOS LINEALES COMO PUEDEN SER EN AacuteREAS URBANAS O RASGOS GEOLOacuteGICOS
simulacioacuten
httpgeograuahesrtm
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
Figura - Landsat USGS
IMAGEN ORIGINAL
FILTRO DIRECCIONAL PERMITEN IDENTIFICAR LOS RASGOS FRONTERIZOS EN LAS IMAacuteGENES COMO LOS FILTROS ANTERIORES PERO AHORA CONSIDERANDO LA ORIENTACIOacuteN
se tiene en cuenta la
orientacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
matrices con direccioacuten
NORTE
1 1 1
1 -2 1
-1 -1 -1
SUR
-1 -1 -1
1 -2 1
1 1 1
ESTE
-1 1 1
-1 -2 1
-1 1 1
OESTE
1 1 -1
1 -2 -1
1 1 -1
SURESTE
-1 -1 1
-1 -2 1
1 1 1
NOROESTE
1 1 1
1 -2 -1
1 -1 -1
SUROESTE
1 -1 -1
1 -2 -1
1 1 1
NORESTE
1 1 1
-1 -2 1
-1 -1 1
OBSERVACIOacuteN
LOS NOMBRES OBEDECEN A LA DIRECCIOacuteN DEL CONTRASTE QUE SENtildeALAN
LA DIRECCIOacuteN QUE REALZAN ES JUSTAMENTE LA PERPENDICULAR
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
48 Interpretacioacuten de Imaacutegenes
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Correcciones geomeacutetricas Georreferenciacioacuten Uso de puntos de control Fuentes de error Procesamiento geomeacutetrico Correccioacuten Transformacioacuten geomeacutetrica Calidad y ajuste Generacioacuten de la nueva imagen Transferencia de ND
INSTITUTO DE AGRIMENSURA - DEPARTAMENTO DE GEOMAacuteTICA PROF ADJUNTO GRADO 3 EDISON J ROSAS BERTON
El tratamiento de una imagen de sateacutelite Georreferenciacioacuten
(paso de un sistema de filas y columnas a un sistema de coordenadas estandard)
Para ello debe obtenerse una muestra de puntos de control de los que conozcamos tanto sus coordenadas reales como sus coordenadas en
la imagen deben ser por tanto objetos de un tamantildeo adecuado para resultar identificables tanto en la imagen como sobre el terreno el tamantildeo
dependeraacute loacutegicamente de la resolucioacuten de la imagen A partir de estos puntos de control se obtendraacuten por regresioacuten unas ecuaciones que permitiraacuten a cada par filacolumna un par de coordenadas
XY
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
GEORREFERENCIACIOacuteN
ENTENDIENDO LAS IMAacuteGENES
georreferenciacioacuten porqueacute
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PUNTOS DE CONTROL
ENTENDIENDO LAS IMAacuteGENES
uso de puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
DISTORSIONES POR LA PLATAFORMA ALTITUD DE LA OacuteRBITA ndash Cambio de escala
VELOCIDAD ndash Cambios de escala ORIENTACIOacuteN DE LOS TRES EJES ndash Distorsiones en la geometriacutea
NO SISTEMAacuteTICOS Y COMPLEJOS DE MODELAR
DISTORSIONES POR ROTACIOacuteN TERRESTRE
CONSIDERANDO ALTITUD (800 Km) y TAMANtildeO DE LA IMAGEN (180 Km)ndashEn latitudes medias tarda en adquirir unos 30 segundos la Tierra se desplaza unos 8 Km
ORIENTACIOacuteN NE SW
DISTORSIONES POR EL SENSOR ANOMALIacuteAS SENSOR y MOVIMIENTO ESPEJO ndash Barrido no lineal o cambio en intervalos
AacuteNGULO DE BARRIDO ndash Variacioacuten en el tamantildeo de pixel
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ERROR EN UNA IMAGEN ESPACIAL
ENTENDIENDO LAS IMAacuteGENES
fuentes de error
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Una correccioacuten geomeacutetrica incluye CUALQUIER CAMBIO EN LA POSICIOacuteN DE LOS PIXELES que
conforman la imagen f (c`) = f1 (c l) f (x y) f (l`) = f2 (c l) f (x y)
COORDENADAS DE IMAGEN CORREGIDA SON FUNCIOacuteN DE COORDENADAS COLUMNA Y LIacuteNEA DE LA
IMAGEN DE ENTRADA O DE LAS COORDENADAS DE MAPA AL QUE SUPERPONDREMOS LA IMAGEN
1 CON OBJETIVO DE REALIZAR UNA TRANSFORMACIOacuteN GEOMEacuteTRICA QUE PERMITA AJUSTARLA A OTRA IMAGEN REFERENCIA NORMALMENTE PARA REALIZAR ESTUDIOS MULTITEMPORALES O MOSAICOS CON EL FIN DE AMPLIAR LOS DATOS E INFORMACIOacuteN DE UNA ZONA
2 ESTO PERMITIRAacute QUE LA NUEVA IMAGEN LA PUEDA INTEGRAR CON INFORMACIOacuteN DE OTRAS FUENTES POR EJEMPLO EN UN AMBIENTE SIG
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
correccioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
asumimos que
NO SE CONOCE EL ORIGEN DE LOS ERRORES
modelamos
ECUACIONES EMPIacuteRICAS
aplicadas a un conjunto de puntos
COORDENADAS CONOCIDAS IMAGEN INPUT e IMAGEN OUTPUT
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
1 ndash SELECCIOacuteN DE REFERENCIAS 2 ndash ECUACIONES DE AJUSTE
3 ndash GENERACIOacuteN DE LA IMAGEN CORREGIDA
ES OBVIO CALIDAD DEL AJUSTE DEPENDERAacute DE PRECISIOacuteN CON QUE SE
LOCALICEN LOS PUNTOS DE CONTROL INEXACTA LOCALIZACIOacuteN
DISTRIBUCIOacuteN MUY SECTORIZADA NUacuteMERO DE PUNTOS DE CONTROL INADECUADO
ESTABLECER LOS PUNTOS DE CONTROL FASE MAS CRUCIAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
procesamiento de la correccioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Resaltamos la importancia de
NUacuteMERO LOCALIZACIOacuteN DISTRIBUCIOacuteN
Que debemos atender Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
que considero UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash Croquis ilustrativos de apoyo
TERRENO O ZONAS PLANAS CON IMG OBTENIDAS POR UN SENSOR DE ESTRECHA VISIOacuteN DE CAMPO
TRANSFORMACIOacuteN
BASADO EN ECUACIONES LINEALES SIMPLES
TERRENO ESCARPADO O RUGOSO O UTILIZACIOacuteN DE IMG OBTENIDAS EN UN SENSOR CON VARIACIONES EN LAS CONDICIONES DE OBSERVACIOacuteN
TRANSFORMACIOacuteN MAacuteS COMPLEJA
POLINOMIOS DE SEGUNDO O TERCER ORDEN
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Desde un punto de vista matemaacutetico
GRADO 1 ndash 3 puntos GRADO 2 ndash 6 puntos GRADO 3 ndash 10 puntos
Seguacuten mis objetivos del trabajo no es conveniente utilizar esos miacutenimos
14 a 20 puntos (Landsat 5 MMS ndash seguacuten Bernstein R y D G Ferneyhough Jr 1978)
100 a 120 puntos (Landsat 7 TM ndash seguacuten el National Remote Sensing Center de Inglaterra)
10 o 12 puntos (Pequentildea zona de 512 x 512 pixeles ndash seguacuten Emilio Chuvieco 2010)
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
matemaacuteticamente UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
QUE DEBEMOS DE CONSIDERAR EN CUANTO A LA LOCALIZACIOacuteN
CLARAMENTE IDENTIFICABLES EN IMAGEN Y MAPA RASGOS HUMANOS DEL PAISAJE NO SUJETOS A DINAMISMO TEMPORAL
CRUCE DE CARRETERAS
CAMINOS VIacuteA FEacuteRREAS
NO CONSIDERAR ELEMENTOS ASOCIADOS AL AGUA
COSTA CURSOS DE AGUA
EMBALSES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
localizacioacuten TCP UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la correccioacuten digital de la geometriacutea de una imagen se realiza a partir de establecer unas funciones que relacionen las coordenadas de la imagen
y las coordenadas del mapa
EJ CASO MAS SIMPLE REGRESIOacuteN LINEAL MUacuteLTIPLE
ci = a0 + a1 Xi + a2 Yi li = b0 + b1 Xi + b2 Yi
EN LA PRAacuteCTICA BASTA UNA FUNCIOacuteN LINEAL PARA ABORDAR UN GRAN NUacuteMERO DE
TRANSFORMACIONES Y SON SUFICIENTES SI LAS IMAacuteGENES NO SON MUY GRANDES ANTE LA NECESIDAD DE OTRAS TRANSFORMACIONES SE UTILIZAN DE 2ordm y 3ordm ORDEN CONSIDERANDO ALTERACIONES GEOMEacuteTRICAS NO LINEALES (FUNCIONES QUE NO SE DEFINEN EN UN PLANO
CON EJES LINEALES SINO QUE SUPERFICIES CON EJES CURVILIacuteNEOS)
LOS COEFICIENTES DE LAS FUNCIONES DE TRANSFORMACIOacuteN SE CALCULAN A PARTIR DE UN AJUSTE POR MIacuteNIMOS CUADRADOS
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
funciones de transformacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash ejemplos de funciones de transformacioacuten geomeacutetrica con el efecto causado
TRASLACIOacuteN
CAMBIO DE ESCALA
INCLINACIOacuteN
PERSPECTIVA
ROTACIOacuteN
x = a0 + xacute y = b0 + yacute
x = xacute + a2 yacute y = yacute
x = a1 xacute y = b1 yacute
x = a3xacute yacute y = yacute
x = a4xacute + a5yacute y = b4xacute + b5yacute a4 = b5 = cos Ɵ a5 = -b4 = sen Ɵ
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
transformacioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
comparacioacuten coordenadas reales y las estimadas por la regresioacuten
el promedio de los residuales se conoce como error medio cuadraacutetico
la calidad del ajuste lo da el RMSE (root mean squared error)
(error medio cuadraacutetico)
RMSE es la raiacutez cuadrada de las desviaciones entre los valores reales y los
calculados
RMSE para cada punto es la raiacutez de los residuales al cuadrado que es la distancia entre ellos
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
RMSE UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la praacutectica hace que fijemos una TOLERANCIA y es que si ese promedio supera un valor fijado previamente haya que rever
el valor fijado previamente generalmente es igual o menor a un PIXEL
una correcta verificacioacuten
NECESITA introducir PUNTOS de VERIFICACIOacuteN
que no hayan sido introducidos en el ajuste
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
tolerancias fijadas
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
traducimos coordenadas de un mapa a la imagen tambieacuten necesitamos a la nueva imagen
TRANSFERIR LOS VALORES DIGITALES no olvidar que lo que queremos es generar una nueva imagen que se
corresponda con las coordenadas y las funciones de ajuste
NO ORIGINAN NUEVA IMAGEN solo colocan a los pixeles en la posicioacuten correcta
en criollo las funciones de transformacioacuten generan una nueva matriz bien posicionada pero vaciacutea
DEBEMOS LLENAR LA MATRIZ problema maacutes complejo de lo que puede
pensarse Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
generacioacuten de la nueva imaacutegen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
cada pixel de la imagen corregida se corresponderiacutea con un pixel de la imagen original
LEJOS DE ESE IDEAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo I
vecino maacutes proacuteximo ( nearest neighbour )
a cada celda de la imagen corregida se asigna el ND del pixel maacutes cercano de la
imagen original
SOLUCIOacuteN RAacutePIDA MENOR DISTORSIOacuteN DE LOS ND
INTRODUCE RASGOS LINEALES QUE DISTORSIONAN
CORRECCIOacuteN DE IMAacuteGENES CLASIFICADAS
CONSERVAR LA RADIOMETRIacuteA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo II
interpolacioacuten bilineal ( bilinear interpolation )
supone promediar los ND de los cuatro pixeles mas cercanos
con ponderacioacuten seguacuten la distancia pixeles originalcorregido
REDUCE EL EFECTO DE DISTORSIOacuteN EN RASGOS LINEALES
TIENDE A DIFUMINAR LOS CONTRASTES ESPACIALES
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE IMAacuteGENES RECTIFICADAS MAPAS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo III
convolusioacuten cuacutebica ( cubic convolution )
supone considerar los ND de los 16 pixeles mas proacuteximos
media ponderada seguacuten la distancia pixeles originalcorregido
EFECTO VISUAL MAS CORRECTO
VOLUacuteMEN DE CAacuteLCULO MUY SUPERIOR TENDENCIA A AGUDIZAR BORDES DE LA IMAGEN
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE ORTOIMAacuteGENES IMPRESIONES DE CALIDAD
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ANAacuteLISIS DIGITAL DE LAS IMAacuteGENES
httpgeograuahesrtm
los valores de asignacioacuten a los
pixeles
Los sensores utilizados en teledeteccioacuten estaacuten calibrados para recibir valores muy altos de radiacioacuten sin llegar a saturarse por lo que lo normal es que todos los valores recibidos esteacuten muy
por debajo de los maacuteximos posibles
La consecuencia es que los valores de ND obtenidos son muy bajos y las imaacutegenes se van a ver oscuras muy poco
contrastadas Una forma de solventar este problema es ajustar el contraste mediante diversas teacutecnicas
EXPLOTANDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
LA MATRIZ DE DATOS
valores de celdas perdidas
A veces se requiere de poder restaurar valores dado que la matriz de datos contiene celdas perdidas y aparecen ND con valores nulos
en el dominio espacial
Una forma de corregir asignar un valor a la celda o liacutenea perdida tomar para cada pixel el ND del vecino
de la liacutenea anterior de la liacutenea siguiente
promedio en el dominio de la frecuencia
Otra manera seguacuten el valor de la celda en otra banda correlacionada
se calculan los histogramas parciales de las celdas en estudio para cada detector se obtiene la media y desviacioacuten estaacutendar de los ND correspondientes a cada detector
Se aplica NDacuteij = ak ND ij + bk
EXPLOTANDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
RESTAURACIOacuteN DE CELDAS PERDIDAS
estudio de histogramas
httpcoelloujaenesAsignaturasteledeteccion
EXPLOTANDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ESTADIacuteSTICAS E HISTOGRAMA DE UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm que es un
histograma
IMAGEN DIGITAL SIMPLE DE 8 x 8 PIXELES EN NIVELES DE GRIS CON UNA PROFUNDIDAD DE 2 BITS
CUATRO VALORES POSIBLES DE BRILLO PASADOS A TONOS DE GRIS NEGRO GRIS OSCURO GRIS CLARO Y BLANCO
ND BRILLO
0 Negro
1 Gris oscuro
2 Gris claro
3 Blanco
veremos entonces que es un HISTOGRAMA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA
ENTENDIENDO LAS IMAacuteGENES
conceptualidades
REPRESENTACIOacuteN GRAacuteFICA DE LOS NIVELES DE GRISES EN FUNCIOacuteN DE LA REPETICIOacuteN DE VECES EN QUE APARECE CADA UNO DE LOS NIVELES DE GRIS
deducciones
11
15
38
0
adaptado de El histograma de una Imagen Digital Universidad
Politeacutecnica de Valencia
La mayor parte de los piacutexeles son blancos por lo que probablemente la imagen tenga un fondo blanco uniforme
Hay un nuacutemero significativo de pixeles negros y pixeles blancos lo que hace que la imagen presente un aspecto bien contrastado
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA IDEAL
ENTENDIENDO LAS IMAacuteGENES
elementos a considerar
Como regla general se considera que una imagen tiene un buen contraste si su histograma se extiende ocupando casi todo el rango
de tonos
adaptado de El histograma de una Imagen Digital Universidad Politeacutecnica de Valencia
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA IDEAL
ENTENDIENDO LAS IMAacuteGENES
elementos a considerar
Por ejemplo en una imagen nocturna el histograma estaacute fuertemente desplazado al lado izquierdo (zona de tonos oscuros) y
evidencia que no hay apenas ninguna zona de la imagen muy brillante
adaptado de El histograma de una Imagen Digital Universidad Politeacutecnica de Valencia
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA IDEAL
ENTENDIENDO LAS IMAacuteGENES
elementos a considerar
En este caso el histograma es marcadamente maacutes alto en la zona de grises claros y blancos y apareceraacute corrido a la derecha hacia el
lado de los valores altos de iluminacioacuten
adaptado de El histograma de una Imagen Digital Universidad Politeacutecnica de Valencia
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA IDEAL
ENTENDIENDO LAS IMAacuteGENES
elementos a considerar
Se entiende por contraste la diferencia de brillo entre las zonas maacutes claras y maacutes oscuras en una imagen En este paisaje con niebla es
un ejemplo de bajo contraste Se traduce en un histograma estrecho Ademaacutes como la toacutenica dominante son los grises medios
se observa que estaacute bastante centrado
adaptado de El histograma de una Imagen Digital Universidad Politeacutecnica de Valencia
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
conjunto de datos
Frente a escenas con una iluminacioacuten maacutes normal y con una gran cantidad de elementos detectados los histogramas deberiacutean ser como en el primer caso que
hemos visto
Si no sucede
Histograma desplazado a la izquierda puede denotar falta de exposicioacuten
Histograma desplazado a la derecha puede ser un exceso de exposicioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
46 Interpretacioacuten de Imaacutegenes
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento digital Optimizacioacuten de las imaacutegenes Realces y mejoras visuales Contraste en una imagen Composiciones color El color verdadero el falso color el pseudo color
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
OPTIMIZACIOacuteN DE LAS IMAacuteGENES
ENTENDIENDO LAS IMAacuteGENES
mejorar visualmente las imaacutegenes
MANIPULAR DE FORMA FLEXIBLE Y SOFISTICADA EL ND DE LOS PIXELES
LUEGO DE CORRECCIONES LAS IMAacuteGENES HAY QUE OPTIMIZARLAS DESDE EL PUNTO DE VISTA VISUAL
diferentes tipos
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
REALCES Y MEJORAS VISUALES
ENTENDIENDO LAS IMAacuteGENES
httpamericalatina-nacblogspotcomuy2009_10_01_archivehtml
optimizacioacuten de las imaacutegenes
proceso destinado a facilitar la interpretacioacuten visual
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
ecualizacioacuten del histograma
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
gaussiano
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
lineal 2
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
lineal
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
raiacutez cuadrada
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
lineal 0 - 255
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PORQUEacute EL REALCE
ENTENDIENDO LAS IMAacuteGENES
LOS SENSORES SON CALIBRADOS PARA ABARCAR TODO EL RANGO POSIBLE DE RADIANCIAS
PARA CADA USO EN CONCRETO ES NECESIDAD IMPERIOSA
EXPANDIR EL HISTOGRAMA Y ASIacute CUBRIR EL RANGO COMPLETO DE NIVELES DE GRIS
histograma UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CONTRASTE EN UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
expansioacuten del contraste
los datos uacutetiles solo ocupan pequentildea parte de los niveles de gris disponibles
expandir o estirar el histograma es cambiar los valores originales de ND para utilizar mayor rango
asiacute incrementar el contraste visual de diferentes objetos
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
ejemplos visuales
sin realce lineal
frecuencial gamma
MEacuteTODOS DE EXPANSIOacuteN DEL CONTRASTE
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
lineal
expansioacuten lineal
lo maacutes simple transformacioacuten en liacutenea llevando el valor miacutenimo a 0 y maacuteximo a 255 o se usa un rango por encima y por debajo de miacutenimo y maacuteximo
EXPANSIOacuteN I
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
lineal
EXPANSIOacuteN I expansioacuten
logariacutetmico exponencial
gamma
curvas de transferencia en lugar de rectas gamma es la curvatura de dicha curva se expanden maacutes el contraste de los extremos o del centro
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
frecuencial
EXPANSIOacuteN II
frecuencial ecualizacioacuten del
histograma
cuando los valores de ND no estaacuten distribuidos uniformemente intentar en la medida de lo posible que los valores de salida de los ND tengan el mismo de pixeles con dicho valor
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CONTRASTE EN UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
compresioacuten del contraste
Ya sabemos que el contraste mide el rango dinaacutemico de los colores en la imagen es decir una imagen muy contrastada tiene un amplio abanico de colores (o tonos de gris) desde valores muy bajos a valores muy altos Para una imagen con poco contraste los colores estaacuten muy juntos el margen dinaacutemico es pequentildeo La variacioacuten en el contraste aparece como una compresioacuten del histograma en caso de una reduccioacuten a la inversa de lo visto en el caso de una expansioacuten
Compresioacuten si el rango excede de las capacidades del sistema
Se ha de comparar el nuacutemero de niveles digitales (ND) de la imagen con los niveles de visualizacioacuten (NV) o grises del sistema Es de menos aplicacioacuten Al igual que el brillo variando el contraste se puede provocar una peacuterdida de informacioacuten de la imagen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
MAYOR APLICABILIDAD DEL REALCE
ENTENDIENDO LAS IMAacuteGENES
realce oacuteptimo
realce frecuencial
realce lineal
laquo r e a l c e oacute p t i m o raquo optimiza interpretacioacuten de la imagen
mejor esteacutetica de la imagen NO COINCIDE CON NINGUacuteN CORTE PREDETERMINADO
Y SE LOGRA INTERACTIVAMENTE EN PANTALLA Y PARA CADA BANDA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
COMPOSICIONES COLOR
ENTENDIENDO LAS IMAacuteGENES
formatos de composiciones
CON LA CRECIENTE APARICIOacuteN DE LOS SENSORES HIPERESPECTRALES LAS POSIBILIDADES DE COMPOSICIONES
COLOREADAS DE BANDAS SON CASI ILIMITADAS
LA ELECCIOacuteN DE LAS BANDAS PARA REALIZAR LA COMPOSICIOacuteN Y EL ORDEN DE LAS BANDAS ASIGANADAS A LOS COLORES
PRIMARIOS DEPENDERAacute DE
Sensor Aplicacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EL SEUDO - COLOR
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm formatos de
composiciones
Ya hemos afirmado de que el ojo humano es maacutes capaz de distinguir tonos de color que intensidades de brillo
Por ello el empleo del color ayuda a la interpretacioacuten incluso cuando podamos tener una sola imagen de una banda
Es aquiacute que hablamos del SEUDO COLOR por no contar con tres bandas
El seudo color implica la creacioacuten de una CLUT que asocie el ND de una sola banda a distintos componentes del R V y A APLICACIONES 1 Para tener una leyenda de colores para una img clasificada 2 Para realzar el anaacutelisis de una determinada banda y sustituir los tonos de gris por una paleta de colores
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CLUT COLOUR LOOK-UP TABLE TABLA DE CONSULTA DE COLOR
ENTENDIENDO LAS IMAacuteGENES
httpsenwikipediaorgwikiColour_look-up_table
creacioacuten del seudo color
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Filtros espaciales Concepto de kernel Filtros paso bajo y paso alto Filtros direccionales Anomaliacuteas y correccioacuten atmosfeacuterica Correcciones radiomeacutetricas Anomaliacuteas radiomeacutetricas Fallos en el sensorCorreccioacuten atmosfeacuterica concepto Meacutetodo valores miacutenimos Regresioacuten entre bandas Dispersioacuten por aerosolesCalibracioacuten Caso misioacuten Landsat
47 Interpretacioacuten de Imaacutegenes
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de que es un filtro
espacial
FUNCIONES PARA MEJORAR ASPECTO DE LAS IMAacuteGENES
REALZAN O DISMINUYEN ELEMENTOS VISUALES DE LA IMG
BASADOS EN LA FRECUENCIA ESPACIAL
FRECUENCIAS ESPACIALES ALTAS Variaciones que se producen en pocos piacutexeles TENDENCIA GENERAL FRECUENCIAS ESPACIALES BAJAS
Variaciones que se producen en muchos piacutexeles CONTRASTES LOCALES
FILTROS Figura - CCRS CCT
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de kernel
FILTRADO ESPACIAL Figura - CCRS CCT FILTRADO EN EL DOMINIO
ESPACIAL Lo mas comuacuten es la aplicacioacuten de una ventana deslizante con valores que son coeficientes fijos de una matriz La MATRIZ se suele llamar KERNEL o nuacutecleo del filtro
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DIGITAL
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
3 x 3 5 x 5 7 x 7
1 1 1
1 2 1
1 1 1 matrices
LOS VALORES DEL KERNEL SE MULTIPLICAN POR EL PIacuteXEL QUE TIENEN DEBAJO Y LUEGO SE SUMAN TODOS LOS PRODUCTOS
Y PARA OBTENER EL VALOR DEL PIacuteXEL CENTRAL EN LA IMAGEN TRANSFORMADA SE LO DIVIDE POR LA SUMA DE LOS PONDERADOS O PESOS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO - PASO BAJO PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
26
FILTROS DE PASO BAJO SE FAVORECEN A LOS PIXELES
PERIFEacuteRICOS SE MINIMIZAN LAS DIFERENCIAS CON LOS VECINOS ES UNA ESPECIE DE SUAVIZADO
FILTRO DE PASO ALTO PONDERACIOacuteN DEL VALOR CENTRAL EN DETRIMENTO DE LOS CIRCUNDANTES
SE EXAGERAN DIFERENCIAS Y SE RESALTAN VARIACIONES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO BAJO
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm
simulacioacuten
IMAGEN ORIGINAL
FILTRO PASO BAJO 3x3 SE TRATA DE ASEMEJAR LOS VALORES DE ND DE UN PIXEL A LOS VALORES VECINOS EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA OFRECE PERFILES MENOS NIacuteTIDOS
FILTRO PASO BAJO 7x7 SIRVE PARA REDUCIR VARIABILIDAD ESPACIAL DE ALGUNA CATEGORIacuteA ANTES DE UN PROCESO DE CLASIFICACIOacuteN
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
IMAGEN ORIGINAL
FILTRO PASO ALTO 3x3 SE TRATA DE AISLAR LOS COMPONENTES DE ALTA FRECUENCIA Y REMARCAR DIGITALMENTE CONTRASTES EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA REFUERZA LOS CONTORNOS EN AacuteREAS HOMOGEacuteNEAS
FILTRO PASO ALTO 7x7 SIRVE PARA LOGRAR REALCES DE RASGOS LINEALES COMO PUEDEN SER EN AacuteREAS URBANAS O RASGOS GEOLOacuteGICOS
simulacioacuten
httpgeograuahesrtm
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
Figura - Landsat USGS
IMAGEN ORIGINAL
FILTRO DIRECCIONAL PERMITEN IDENTIFICAR LOS RASGOS FRONTERIZOS EN LAS IMAacuteGENES COMO LOS FILTROS ANTERIORES PERO AHORA CONSIDERANDO LA ORIENTACIOacuteN
se tiene en cuenta la
orientacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
matrices con direccioacuten
NORTE
1 1 1
1 -2 1
-1 -1 -1
SUR
-1 -1 -1
1 -2 1
1 1 1
ESTE
-1 1 1
-1 -2 1
-1 1 1
OESTE
1 1 -1
1 -2 -1
1 1 -1
SURESTE
-1 -1 1
-1 -2 1
1 1 1
NOROESTE
1 1 1
1 -2 -1
1 -1 -1
SUROESTE
1 -1 -1
1 -2 -1
1 1 1
NORESTE
1 1 1
-1 -2 1
-1 -1 1
OBSERVACIOacuteN
LOS NOMBRES OBEDECEN A LA DIRECCIOacuteN DEL CONTRASTE QUE SENtildeALAN
LA DIRECCIOacuteN QUE REALZAN ES JUSTAMENTE LA PERPENDICULAR
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
48 Interpretacioacuten de Imaacutegenes
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Correcciones geomeacutetricas Georreferenciacioacuten Uso de puntos de control Fuentes de error Procesamiento geomeacutetrico Correccioacuten Transformacioacuten geomeacutetrica Calidad y ajuste Generacioacuten de la nueva imagen Transferencia de ND
INSTITUTO DE AGRIMENSURA - DEPARTAMENTO DE GEOMAacuteTICA PROF ADJUNTO GRADO 3 EDISON J ROSAS BERTON
El tratamiento de una imagen de sateacutelite Georreferenciacioacuten
(paso de un sistema de filas y columnas a un sistema de coordenadas estandard)
Para ello debe obtenerse una muestra de puntos de control de los que conozcamos tanto sus coordenadas reales como sus coordenadas en
la imagen deben ser por tanto objetos de un tamantildeo adecuado para resultar identificables tanto en la imagen como sobre el terreno el tamantildeo
dependeraacute loacutegicamente de la resolucioacuten de la imagen A partir de estos puntos de control se obtendraacuten por regresioacuten unas ecuaciones que permitiraacuten a cada par filacolumna un par de coordenadas
XY
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
GEORREFERENCIACIOacuteN
ENTENDIENDO LAS IMAacuteGENES
georreferenciacioacuten porqueacute
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PUNTOS DE CONTROL
ENTENDIENDO LAS IMAacuteGENES
uso de puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
DISTORSIONES POR LA PLATAFORMA ALTITUD DE LA OacuteRBITA ndash Cambio de escala
VELOCIDAD ndash Cambios de escala ORIENTACIOacuteN DE LOS TRES EJES ndash Distorsiones en la geometriacutea
NO SISTEMAacuteTICOS Y COMPLEJOS DE MODELAR
DISTORSIONES POR ROTACIOacuteN TERRESTRE
CONSIDERANDO ALTITUD (800 Km) y TAMANtildeO DE LA IMAGEN (180 Km)ndashEn latitudes medias tarda en adquirir unos 30 segundos la Tierra se desplaza unos 8 Km
ORIENTACIOacuteN NE SW
DISTORSIONES POR EL SENSOR ANOMALIacuteAS SENSOR y MOVIMIENTO ESPEJO ndash Barrido no lineal o cambio en intervalos
AacuteNGULO DE BARRIDO ndash Variacioacuten en el tamantildeo de pixel
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ERROR EN UNA IMAGEN ESPACIAL
ENTENDIENDO LAS IMAacuteGENES
fuentes de error
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Una correccioacuten geomeacutetrica incluye CUALQUIER CAMBIO EN LA POSICIOacuteN DE LOS PIXELES que
conforman la imagen f (c`) = f1 (c l) f (x y) f (l`) = f2 (c l) f (x y)
COORDENADAS DE IMAGEN CORREGIDA SON FUNCIOacuteN DE COORDENADAS COLUMNA Y LIacuteNEA DE LA
IMAGEN DE ENTRADA O DE LAS COORDENADAS DE MAPA AL QUE SUPERPONDREMOS LA IMAGEN
1 CON OBJETIVO DE REALIZAR UNA TRANSFORMACIOacuteN GEOMEacuteTRICA QUE PERMITA AJUSTARLA A OTRA IMAGEN REFERENCIA NORMALMENTE PARA REALIZAR ESTUDIOS MULTITEMPORALES O MOSAICOS CON EL FIN DE AMPLIAR LOS DATOS E INFORMACIOacuteN DE UNA ZONA
2 ESTO PERMITIRAacute QUE LA NUEVA IMAGEN LA PUEDA INTEGRAR CON INFORMACIOacuteN DE OTRAS FUENTES POR EJEMPLO EN UN AMBIENTE SIG
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
correccioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
asumimos que
NO SE CONOCE EL ORIGEN DE LOS ERRORES
modelamos
ECUACIONES EMPIacuteRICAS
aplicadas a un conjunto de puntos
COORDENADAS CONOCIDAS IMAGEN INPUT e IMAGEN OUTPUT
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
1 ndash SELECCIOacuteN DE REFERENCIAS 2 ndash ECUACIONES DE AJUSTE
3 ndash GENERACIOacuteN DE LA IMAGEN CORREGIDA
ES OBVIO CALIDAD DEL AJUSTE DEPENDERAacute DE PRECISIOacuteN CON QUE SE
LOCALICEN LOS PUNTOS DE CONTROL INEXACTA LOCALIZACIOacuteN
DISTRIBUCIOacuteN MUY SECTORIZADA NUacuteMERO DE PUNTOS DE CONTROL INADECUADO
ESTABLECER LOS PUNTOS DE CONTROL FASE MAS CRUCIAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
procesamiento de la correccioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Resaltamos la importancia de
NUacuteMERO LOCALIZACIOacuteN DISTRIBUCIOacuteN
Que debemos atender Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
que considero UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash Croquis ilustrativos de apoyo
TERRENO O ZONAS PLANAS CON IMG OBTENIDAS POR UN SENSOR DE ESTRECHA VISIOacuteN DE CAMPO
TRANSFORMACIOacuteN
BASADO EN ECUACIONES LINEALES SIMPLES
TERRENO ESCARPADO O RUGOSO O UTILIZACIOacuteN DE IMG OBTENIDAS EN UN SENSOR CON VARIACIONES EN LAS CONDICIONES DE OBSERVACIOacuteN
TRANSFORMACIOacuteN MAacuteS COMPLEJA
POLINOMIOS DE SEGUNDO O TERCER ORDEN
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Desde un punto de vista matemaacutetico
GRADO 1 ndash 3 puntos GRADO 2 ndash 6 puntos GRADO 3 ndash 10 puntos
Seguacuten mis objetivos del trabajo no es conveniente utilizar esos miacutenimos
14 a 20 puntos (Landsat 5 MMS ndash seguacuten Bernstein R y D G Ferneyhough Jr 1978)
100 a 120 puntos (Landsat 7 TM ndash seguacuten el National Remote Sensing Center de Inglaterra)
10 o 12 puntos (Pequentildea zona de 512 x 512 pixeles ndash seguacuten Emilio Chuvieco 2010)
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
matemaacuteticamente UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
QUE DEBEMOS DE CONSIDERAR EN CUANTO A LA LOCALIZACIOacuteN
CLARAMENTE IDENTIFICABLES EN IMAGEN Y MAPA RASGOS HUMANOS DEL PAISAJE NO SUJETOS A DINAMISMO TEMPORAL
CRUCE DE CARRETERAS
CAMINOS VIacuteA FEacuteRREAS
NO CONSIDERAR ELEMENTOS ASOCIADOS AL AGUA
COSTA CURSOS DE AGUA
EMBALSES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
localizacioacuten TCP UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la correccioacuten digital de la geometriacutea de una imagen se realiza a partir de establecer unas funciones que relacionen las coordenadas de la imagen
y las coordenadas del mapa
EJ CASO MAS SIMPLE REGRESIOacuteN LINEAL MUacuteLTIPLE
ci = a0 + a1 Xi + a2 Yi li = b0 + b1 Xi + b2 Yi
EN LA PRAacuteCTICA BASTA UNA FUNCIOacuteN LINEAL PARA ABORDAR UN GRAN NUacuteMERO DE
TRANSFORMACIONES Y SON SUFICIENTES SI LAS IMAacuteGENES NO SON MUY GRANDES ANTE LA NECESIDAD DE OTRAS TRANSFORMACIONES SE UTILIZAN DE 2ordm y 3ordm ORDEN CONSIDERANDO ALTERACIONES GEOMEacuteTRICAS NO LINEALES (FUNCIONES QUE NO SE DEFINEN EN UN PLANO
CON EJES LINEALES SINO QUE SUPERFICIES CON EJES CURVILIacuteNEOS)
LOS COEFICIENTES DE LAS FUNCIONES DE TRANSFORMACIOacuteN SE CALCULAN A PARTIR DE UN AJUSTE POR MIacuteNIMOS CUADRADOS
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
funciones de transformacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash ejemplos de funciones de transformacioacuten geomeacutetrica con el efecto causado
TRASLACIOacuteN
CAMBIO DE ESCALA
INCLINACIOacuteN
PERSPECTIVA
ROTACIOacuteN
x = a0 + xacute y = b0 + yacute
x = xacute + a2 yacute y = yacute
x = a1 xacute y = b1 yacute
x = a3xacute yacute y = yacute
x = a4xacute + a5yacute y = b4xacute + b5yacute a4 = b5 = cos Ɵ a5 = -b4 = sen Ɵ
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
transformacioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
comparacioacuten coordenadas reales y las estimadas por la regresioacuten
el promedio de los residuales se conoce como error medio cuadraacutetico
la calidad del ajuste lo da el RMSE (root mean squared error)
(error medio cuadraacutetico)
RMSE es la raiacutez cuadrada de las desviaciones entre los valores reales y los
calculados
RMSE para cada punto es la raiacutez de los residuales al cuadrado que es la distancia entre ellos
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
RMSE UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la praacutectica hace que fijemos una TOLERANCIA y es que si ese promedio supera un valor fijado previamente haya que rever
el valor fijado previamente generalmente es igual o menor a un PIXEL
una correcta verificacioacuten
NECESITA introducir PUNTOS de VERIFICACIOacuteN
que no hayan sido introducidos en el ajuste
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
tolerancias fijadas
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
traducimos coordenadas de un mapa a la imagen tambieacuten necesitamos a la nueva imagen
TRANSFERIR LOS VALORES DIGITALES no olvidar que lo que queremos es generar una nueva imagen que se
corresponda con las coordenadas y las funciones de ajuste
NO ORIGINAN NUEVA IMAGEN solo colocan a los pixeles en la posicioacuten correcta
en criollo las funciones de transformacioacuten generan una nueva matriz bien posicionada pero vaciacutea
DEBEMOS LLENAR LA MATRIZ problema maacutes complejo de lo que puede
pensarse Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
generacioacuten de la nueva imaacutegen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
cada pixel de la imagen corregida se corresponderiacutea con un pixel de la imagen original
LEJOS DE ESE IDEAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo I
vecino maacutes proacuteximo ( nearest neighbour )
a cada celda de la imagen corregida se asigna el ND del pixel maacutes cercano de la
imagen original
SOLUCIOacuteN RAacutePIDA MENOR DISTORSIOacuteN DE LOS ND
INTRODUCE RASGOS LINEALES QUE DISTORSIONAN
CORRECCIOacuteN DE IMAacuteGENES CLASIFICADAS
CONSERVAR LA RADIOMETRIacuteA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo II
interpolacioacuten bilineal ( bilinear interpolation )
supone promediar los ND de los cuatro pixeles mas cercanos
con ponderacioacuten seguacuten la distancia pixeles originalcorregido
REDUCE EL EFECTO DE DISTORSIOacuteN EN RASGOS LINEALES
TIENDE A DIFUMINAR LOS CONTRASTES ESPACIALES
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE IMAacuteGENES RECTIFICADAS MAPAS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo III
convolusioacuten cuacutebica ( cubic convolution )
supone considerar los ND de los 16 pixeles mas proacuteximos
media ponderada seguacuten la distancia pixeles originalcorregido
EFECTO VISUAL MAS CORRECTO
VOLUacuteMEN DE CAacuteLCULO MUY SUPERIOR TENDENCIA A AGUDIZAR BORDES DE LA IMAGEN
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE ORTOIMAacuteGENES IMPRESIONES DE CALIDAD
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
LA MATRIZ DE DATOS
valores de celdas perdidas
A veces se requiere de poder restaurar valores dado que la matriz de datos contiene celdas perdidas y aparecen ND con valores nulos
en el dominio espacial
Una forma de corregir asignar un valor a la celda o liacutenea perdida tomar para cada pixel el ND del vecino
de la liacutenea anterior de la liacutenea siguiente
promedio en el dominio de la frecuencia
Otra manera seguacuten el valor de la celda en otra banda correlacionada
se calculan los histogramas parciales de las celdas en estudio para cada detector se obtiene la media y desviacioacuten estaacutendar de los ND correspondientes a cada detector
Se aplica NDacuteij = ak ND ij + bk
EXPLOTANDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
RESTAURACIOacuteN DE CELDAS PERDIDAS
estudio de histogramas
httpcoelloujaenesAsignaturasteledeteccion
EXPLOTANDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ESTADIacuteSTICAS E HISTOGRAMA DE UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm que es un
histograma
IMAGEN DIGITAL SIMPLE DE 8 x 8 PIXELES EN NIVELES DE GRIS CON UNA PROFUNDIDAD DE 2 BITS
CUATRO VALORES POSIBLES DE BRILLO PASADOS A TONOS DE GRIS NEGRO GRIS OSCURO GRIS CLARO Y BLANCO
ND BRILLO
0 Negro
1 Gris oscuro
2 Gris claro
3 Blanco
veremos entonces que es un HISTOGRAMA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA
ENTENDIENDO LAS IMAacuteGENES
conceptualidades
REPRESENTACIOacuteN GRAacuteFICA DE LOS NIVELES DE GRISES EN FUNCIOacuteN DE LA REPETICIOacuteN DE VECES EN QUE APARECE CADA UNO DE LOS NIVELES DE GRIS
deducciones
11
15
38
0
adaptado de El histograma de una Imagen Digital Universidad
Politeacutecnica de Valencia
La mayor parte de los piacutexeles son blancos por lo que probablemente la imagen tenga un fondo blanco uniforme
Hay un nuacutemero significativo de pixeles negros y pixeles blancos lo que hace que la imagen presente un aspecto bien contrastado
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA IDEAL
ENTENDIENDO LAS IMAacuteGENES
elementos a considerar
Como regla general se considera que una imagen tiene un buen contraste si su histograma se extiende ocupando casi todo el rango
de tonos
adaptado de El histograma de una Imagen Digital Universidad Politeacutecnica de Valencia
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA IDEAL
ENTENDIENDO LAS IMAacuteGENES
elementos a considerar
Por ejemplo en una imagen nocturna el histograma estaacute fuertemente desplazado al lado izquierdo (zona de tonos oscuros) y
evidencia que no hay apenas ninguna zona de la imagen muy brillante
adaptado de El histograma de una Imagen Digital Universidad Politeacutecnica de Valencia
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA IDEAL
ENTENDIENDO LAS IMAacuteGENES
elementos a considerar
En este caso el histograma es marcadamente maacutes alto en la zona de grises claros y blancos y apareceraacute corrido a la derecha hacia el
lado de los valores altos de iluminacioacuten
adaptado de El histograma de una Imagen Digital Universidad Politeacutecnica de Valencia
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA IDEAL
ENTENDIENDO LAS IMAacuteGENES
elementos a considerar
Se entiende por contraste la diferencia de brillo entre las zonas maacutes claras y maacutes oscuras en una imagen En este paisaje con niebla es
un ejemplo de bajo contraste Se traduce en un histograma estrecho Ademaacutes como la toacutenica dominante son los grises medios
se observa que estaacute bastante centrado
adaptado de El histograma de una Imagen Digital Universidad Politeacutecnica de Valencia
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
conjunto de datos
Frente a escenas con una iluminacioacuten maacutes normal y con una gran cantidad de elementos detectados los histogramas deberiacutean ser como en el primer caso que
hemos visto
Si no sucede
Histograma desplazado a la izquierda puede denotar falta de exposicioacuten
Histograma desplazado a la derecha puede ser un exceso de exposicioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
46 Interpretacioacuten de Imaacutegenes
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento digital Optimizacioacuten de las imaacutegenes Realces y mejoras visuales Contraste en una imagen Composiciones color El color verdadero el falso color el pseudo color
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
OPTIMIZACIOacuteN DE LAS IMAacuteGENES
ENTENDIENDO LAS IMAacuteGENES
mejorar visualmente las imaacutegenes
MANIPULAR DE FORMA FLEXIBLE Y SOFISTICADA EL ND DE LOS PIXELES
LUEGO DE CORRECCIONES LAS IMAacuteGENES HAY QUE OPTIMIZARLAS DESDE EL PUNTO DE VISTA VISUAL
diferentes tipos
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
REALCES Y MEJORAS VISUALES
ENTENDIENDO LAS IMAacuteGENES
httpamericalatina-nacblogspotcomuy2009_10_01_archivehtml
optimizacioacuten de las imaacutegenes
proceso destinado a facilitar la interpretacioacuten visual
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
ecualizacioacuten del histograma
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
gaussiano
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
lineal 2
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
lineal
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
raiacutez cuadrada
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
lineal 0 - 255
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PORQUEacute EL REALCE
ENTENDIENDO LAS IMAacuteGENES
LOS SENSORES SON CALIBRADOS PARA ABARCAR TODO EL RANGO POSIBLE DE RADIANCIAS
PARA CADA USO EN CONCRETO ES NECESIDAD IMPERIOSA
EXPANDIR EL HISTOGRAMA Y ASIacute CUBRIR EL RANGO COMPLETO DE NIVELES DE GRIS
histograma UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CONTRASTE EN UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
expansioacuten del contraste
los datos uacutetiles solo ocupan pequentildea parte de los niveles de gris disponibles
expandir o estirar el histograma es cambiar los valores originales de ND para utilizar mayor rango
asiacute incrementar el contraste visual de diferentes objetos
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
ejemplos visuales
sin realce lineal
frecuencial gamma
MEacuteTODOS DE EXPANSIOacuteN DEL CONTRASTE
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
lineal
expansioacuten lineal
lo maacutes simple transformacioacuten en liacutenea llevando el valor miacutenimo a 0 y maacuteximo a 255 o se usa un rango por encima y por debajo de miacutenimo y maacuteximo
EXPANSIOacuteN I
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
lineal
EXPANSIOacuteN I expansioacuten
logariacutetmico exponencial
gamma
curvas de transferencia en lugar de rectas gamma es la curvatura de dicha curva se expanden maacutes el contraste de los extremos o del centro
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
frecuencial
EXPANSIOacuteN II
frecuencial ecualizacioacuten del
histograma
cuando los valores de ND no estaacuten distribuidos uniformemente intentar en la medida de lo posible que los valores de salida de los ND tengan el mismo de pixeles con dicho valor
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CONTRASTE EN UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
compresioacuten del contraste
Ya sabemos que el contraste mide el rango dinaacutemico de los colores en la imagen es decir una imagen muy contrastada tiene un amplio abanico de colores (o tonos de gris) desde valores muy bajos a valores muy altos Para una imagen con poco contraste los colores estaacuten muy juntos el margen dinaacutemico es pequentildeo La variacioacuten en el contraste aparece como una compresioacuten del histograma en caso de una reduccioacuten a la inversa de lo visto en el caso de una expansioacuten
Compresioacuten si el rango excede de las capacidades del sistema
Se ha de comparar el nuacutemero de niveles digitales (ND) de la imagen con los niveles de visualizacioacuten (NV) o grises del sistema Es de menos aplicacioacuten Al igual que el brillo variando el contraste se puede provocar una peacuterdida de informacioacuten de la imagen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
MAYOR APLICABILIDAD DEL REALCE
ENTENDIENDO LAS IMAacuteGENES
realce oacuteptimo
realce frecuencial
realce lineal
laquo r e a l c e oacute p t i m o raquo optimiza interpretacioacuten de la imagen
mejor esteacutetica de la imagen NO COINCIDE CON NINGUacuteN CORTE PREDETERMINADO
Y SE LOGRA INTERACTIVAMENTE EN PANTALLA Y PARA CADA BANDA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
COMPOSICIONES COLOR
ENTENDIENDO LAS IMAacuteGENES
formatos de composiciones
CON LA CRECIENTE APARICIOacuteN DE LOS SENSORES HIPERESPECTRALES LAS POSIBILIDADES DE COMPOSICIONES
COLOREADAS DE BANDAS SON CASI ILIMITADAS
LA ELECCIOacuteN DE LAS BANDAS PARA REALIZAR LA COMPOSICIOacuteN Y EL ORDEN DE LAS BANDAS ASIGANADAS A LOS COLORES
PRIMARIOS DEPENDERAacute DE
Sensor Aplicacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EL SEUDO - COLOR
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm formatos de
composiciones
Ya hemos afirmado de que el ojo humano es maacutes capaz de distinguir tonos de color que intensidades de brillo
Por ello el empleo del color ayuda a la interpretacioacuten incluso cuando podamos tener una sola imagen de una banda
Es aquiacute que hablamos del SEUDO COLOR por no contar con tres bandas
El seudo color implica la creacioacuten de una CLUT que asocie el ND de una sola banda a distintos componentes del R V y A APLICACIONES 1 Para tener una leyenda de colores para una img clasificada 2 Para realzar el anaacutelisis de una determinada banda y sustituir los tonos de gris por una paleta de colores
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CLUT COLOUR LOOK-UP TABLE TABLA DE CONSULTA DE COLOR
ENTENDIENDO LAS IMAacuteGENES
httpsenwikipediaorgwikiColour_look-up_table
creacioacuten del seudo color
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Filtros espaciales Concepto de kernel Filtros paso bajo y paso alto Filtros direccionales Anomaliacuteas y correccioacuten atmosfeacuterica Correcciones radiomeacutetricas Anomaliacuteas radiomeacutetricas Fallos en el sensorCorreccioacuten atmosfeacuterica concepto Meacutetodo valores miacutenimos Regresioacuten entre bandas Dispersioacuten por aerosolesCalibracioacuten Caso misioacuten Landsat
47 Interpretacioacuten de Imaacutegenes
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de que es un filtro
espacial
FUNCIONES PARA MEJORAR ASPECTO DE LAS IMAacuteGENES
REALZAN O DISMINUYEN ELEMENTOS VISUALES DE LA IMG
BASADOS EN LA FRECUENCIA ESPACIAL
FRECUENCIAS ESPACIALES ALTAS Variaciones que se producen en pocos piacutexeles TENDENCIA GENERAL FRECUENCIAS ESPACIALES BAJAS
Variaciones que se producen en muchos piacutexeles CONTRASTES LOCALES
FILTROS Figura - CCRS CCT
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de kernel
FILTRADO ESPACIAL Figura - CCRS CCT FILTRADO EN EL DOMINIO
ESPACIAL Lo mas comuacuten es la aplicacioacuten de una ventana deslizante con valores que son coeficientes fijos de una matriz La MATRIZ se suele llamar KERNEL o nuacutecleo del filtro
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DIGITAL
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
3 x 3 5 x 5 7 x 7
1 1 1
1 2 1
1 1 1 matrices
LOS VALORES DEL KERNEL SE MULTIPLICAN POR EL PIacuteXEL QUE TIENEN DEBAJO Y LUEGO SE SUMAN TODOS LOS PRODUCTOS
Y PARA OBTENER EL VALOR DEL PIacuteXEL CENTRAL EN LA IMAGEN TRANSFORMADA SE LO DIVIDE POR LA SUMA DE LOS PONDERADOS O PESOS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO - PASO BAJO PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
26
FILTROS DE PASO BAJO SE FAVORECEN A LOS PIXELES
PERIFEacuteRICOS SE MINIMIZAN LAS DIFERENCIAS CON LOS VECINOS ES UNA ESPECIE DE SUAVIZADO
FILTRO DE PASO ALTO PONDERACIOacuteN DEL VALOR CENTRAL EN DETRIMENTO DE LOS CIRCUNDANTES
SE EXAGERAN DIFERENCIAS Y SE RESALTAN VARIACIONES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO BAJO
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm
simulacioacuten
IMAGEN ORIGINAL
FILTRO PASO BAJO 3x3 SE TRATA DE ASEMEJAR LOS VALORES DE ND DE UN PIXEL A LOS VALORES VECINOS EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA OFRECE PERFILES MENOS NIacuteTIDOS
FILTRO PASO BAJO 7x7 SIRVE PARA REDUCIR VARIABILIDAD ESPACIAL DE ALGUNA CATEGORIacuteA ANTES DE UN PROCESO DE CLASIFICACIOacuteN
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
IMAGEN ORIGINAL
FILTRO PASO ALTO 3x3 SE TRATA DE AISLAR LOS COMPONENTES DE ALTA FRECUENCIA Y REMARCAR DIGITALMENTE CONTRASTES EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA REFUERZA LOS CONTORNOS EN AacuteREAS HOMOGEacuteNEAS
FILTRO PASO ALTO 7x7 SIRVE PARA LOGRAR REALCES DE RASGOS LINEALES COMO PUEDEN SER EN AacuteREAS URBANAS O RASGOS GEOLOacuteGICOS
simulacioacuten
httpgeograuahesrtm
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
Figura - Landsat USGS
IMAGEN ORIGINAL
FILTRO DIRECCIONAL PERMITEN IDENTIFICAR LOS RASGOS FRONTERIZOS EN LAS IMAacuteGENES COMO LOS FILTROS ANTERIORES PERO AHORA CONSIDERANDO LA ORIENTACIOacuteN
se tiene en cuenta la
orientacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
matrices con direccioacuten
NORTE
1 1 1
1 -2 1
-1 -1 -1
SUR
-1 -1 -1
1 -2 1
1 1 1
ESTE
-1 1 1
-1 -2 1
-1 1 1
OESTE
1 1 -1
1 -2 -1
1 1 -1
SURESTE
-1 -1 1
-1 -2 1
1 1 1
NOROESTE
1 1 1
1 -2 -1
1 -1 -1
SUROESTE
1 -1 -1
1 -2 -1
1 1 1
NORESTE
1 1 1
-1 -2 1
-1 -1 1
OBSERVACIOacuteN
LOS NOMBRES OBEDECEN A LA DIRECCIOacuteN DEL CONTRASTE QUE SENtildeALAN
LA DIRECCIOacuteN QUE REALZAN ES JUSTAMENTE LA PERPENDICULAR
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
48 Interpretacioacuten de Imaacutegenes
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Correcciones geomeacutetricas Georreferenciacioacuten Uso de puntos de control Fuentes de error Procesamiento geomeacutetrico Correccioacuten Transformacioacuten geomeacutetrica Calidad y ajuste Generacioacuten de la nueva imagen Transferencia de ND
INSTITUTO DE AGRIMENSURA - DEPARTAMENTO DE GEOMAacuteTICA PROF ADJUNTO GRADO 3 EDISON J ROSAS BERTON
El tratamiento de una imagen de sateacutelite Georreferenciacioacuten
(paso de un sistema de filas y columnas a un sistema de coordenadas estandard)
Para ello debe obtenerse una muestra de puntos de control de los que conozcamos tanto sus coordenadas reales como sus coordenadas en
la imagen deben ser por tanto objetos de un tamantildeo adecuado para resultar identificables tanto en la imagen como sobre el terreno el tamantildeo
dependeraacute loacutegicamente de la resolucioacuten de la imagen A partir de estos puntos de control se obtendraacuten por regresioacuten unas ecuaciones que permitiraacuten a cada par filacolumna un par de coordenadas
XY
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
GEORREFERENCIACIOacuteN
ENTENDIENDO LAS IMAacuteGENES
georreferenciacioacuten porqueacute
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PUNTOS DE CONTROL
ENTENDIENDO LAS IMAacuteGENES
uso de puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
DISTORSIONES POR LA PLATAFORMA ALTITUD DE LA OacuteRBITA ndash Cambio de escala
VELOCIDAD ndash Cambios de escala ORIENTACIOacuteN DE LOS TRES EJES ndash Distorsiones en la geometriacutea
NO SISTEMAacuteTICOS Y COMPLEJOS DE MODELAR
DISTORSIONES POR ROTACIOacuteN TERRESTRE
CONSIDERANDO ALTITUD (800 Km) y TAMANtildeO DE LA IMAGEN (180 Km)ndashEn latitudes medias tarda en adquirir unos 30 segundos la Tierra se desplaza unos 8 Km
ORIENTACIOacuteN NE SW
DISTORSIONES POR EL SENSOR ANOMALIacuteAS SENSOR y MOVIMIENTO ESPEJO ndash Barrido no lineal o cambio en intervalos
AacuteNGULO DE BARRIDO ndash Variacioacuten en el tamantildeo de pixel
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ERROR EN UNA IMAGEN ESPACIAL
ENTENDIENDO LAS IMAacuteGENES
fuentes de error
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Una correccioacuten geomeacutetrica incluye CUALQUIER CAMBIO EN LA POSICIOacuteN DE LOS PIXELES que
conforman la imagen f (c`) = f1 (c l) f (x y) f (l`) = f2 (c l) f (x y)
COORDENADAS DE IMAGEN CORREGIDA SON FUNCIOacuteN DE COORDENADAS COLUMNA Y LIacuteNEA DE LA
IMAGEN DE ENTRADA O DE LAS COORDENADAS DE MAPA AL QUE SUPERPONDREMOS LA IMAGEN
1 CON OBJETIVO DE REALIZAR UNA TRANSFORMACIOacuteN GEOMEacuteTRICA QUE PERMITA AJUSTARLA A OTRA IMAGEN REFERENCIA NORMALMENTE PARA REALIZAR ESTUDIOS MULTITEMPORALES O MOSAICOS CON EL FIN DE AMPLIAR LOS DATOS E INFORMACIOacuteN DE UNA ZONA
2 ESTO PERMITIRAacute QUE LA NUEVA IMAGEN LA PUEDA INTEGRAR CON INFORMACIOacuteN DE OTRAS FUENTES POR EJEMPLO EN UN AMBIENTE SIG
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
correccioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
asumimos que
NO SE CONOCE EL ORIGEN DE LOS ERRORES
modelamos
ECUACIONES EMPIacuteRICAS
aplicadas a un conjunto de puntos
COORDENADAS CONOCIDAS IMAGEN INPUT e IMAGEN OUTPUT
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
1 ndash SELECCIOacuteN DE REFERENCIAS 2 ndash ECUACIONES DE AJUSTE
3 ndash GENERACIOacuteN DE LA IMAGEN CORREGIDA
ES OBVIO CALIDAD DEL AJUSTE DEPENDERAacute DE PRECISIOacuteN CON QUE SE
LOCALICEN LOS PUNTOS DE CONTROL INEXACTA LOCALIZACIOacuteN
DISTRIBUCIOacuteN MUY SECTORIZADA NUacuteMERO DE PUNTOS DE CONTROL INADECUADO
ESTABLECER LOS PUNTOS DE CONTROL FASE MAS CRUCIAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
procesamiento de la correccioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Resaltamos la importancia de
NUacuteMERO LOCALIZACIOacuteN DISTRIBUCIOacuteN
Que debemos atender Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
que considero UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash Croquis ilustrativos de apoyo
TERRENO O ZONAS PLANAS CON IMG OBTENIDAS POR UN SENSOR DE ESTRECHA VISIOacuteN DE CAMPO
TRANSFORMACIOacuteN
BASADO EN ECUACIONES LINEALES SIMPLES
TERRENO ESCARPADO O RUGOSO O UTILIZACIOacuteN DE IMG OBTENIDAS EN UN SENSOR CON VARIACIONES EN LAS CONDICIONES DE OBSERVACIOacuteN
TRANSFORMACIOacuteN MAacuteS COMPLEJA
POLINOMIOS DE SEGUNDO O TERCER ORDEN
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Desde un punto de vista matemaacutetico
GRADO 1 ndash 3 puntos GRADO 2 ndash 6 puntos GRADO 3 ndash 10 puntos
Seguacuten mis objetivos del trabajo no es conveniente utilizar esos miacutenimos
14 a 20 puntos (Landsat 5 MMS ndash seguacuten Bernstein R y D G Ferneyhough Jr 1978)
100 a 120 puntos (Landsat 7 TM ndash seguacuten el National Remote Sensing Center de Inglaterra)
10 o 12 puntos (Pequentildea zona de 512 x 512 pixeles ndash seguacuten Emilio Chuvieco 2010)
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
matemaacuteticamente UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
QUE DEBEMOS DE CONSIDERAR EN CUANTO A LA LOCALIZACIOacuteN
CLARAMENTE IDENTIFICABLES EN IMAGEN Y MAPA RASGOS HUMANOS DEL PAISAJE NO SUJETOS A DINAMISMO TEMPORAL
CRUCE DE CARRETERAS
CAMINOS VIacuteA FEacuteRREAS
NO CONSIDERAR ELEMENTOS ASOCIADOS AL AGUA
COSTA CURSOS DE AGUA
EMBALSES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
localizacioacuten TCP UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la correccioacuten digital de la geometriacutea de una imagen se realiza a partir de establecer unas funciones que relacionen las coordenadas de la imagen
y las coordenadas del mapa
EJ CASO MAS SIMPLE REGRESIOacuteN LINEAL MUacuteLTIPLE
ci = a0 + a1 Xi + a2 Yi li = b0 + b1 Xi + b2 Yi
EN LA PRAacuteCTICA BASTA UNA FUNCIOacuteN LINEAL PARA ABORDAR UN GRAN NUacuteMERO DE
TRANSFORMACIONES Y SON SUFICIENTES SI LAS IMAacuteGENES NO SON MUY GRANDES ANTE LA NECESIDAD DE OTRAS TRANSFORMACIONES SE UTILIZAN DE 2ordm y 3ordm ORDEN CONSIDERANDO ALTERACIONES GEOMEacuteTRICAS NO LINEALES (FUNCIONES QUE NO SE DEFINEN EN UN PLANO
CON EJES LINEALES SINO QUE SUPERFICIES CON EJES CURVILIacuteNEOS)
LOS COEFICIENTES DE LAS FUNCIONES DE TRANSFORMACIOacuteN SE CALCULAN A PARTIR DE UN AJUSTE POR MIacuteNIMOS CUADRADOS
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
funciones de transformacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash ejemplos de funciones de transformacioacuten geomeacutetrica con el efecto causado
TRASLACIOacuteN
CAMBIO DE ESCALA
INCLINACIOacuteN
PERSPECTIVA
ROTACIOacuteN
x = a0 + xacute y = b0 + yacute
x = xacute + a2 yacute y = yacute
x = a1 xacute y = b1 yacute
x = a3xacute yacute y = yacute
x = a4xacute + a5yacute y = b4xacute + b5yacute a4 = b5 = cos Ɵ a5 = -b4 = sen Ɵ
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
transformacioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
comparacioacuten coordenadas reales y las estimadas por la regresioacuten
el promedio de los residuales se conoce como error medio cuadraacutetico
la calidad del ajuste lo da el RMSE (root mean squared error)
(error medio cuadraacutetico)
RMSE es la raiacutez cuadrada de las desviaciones entre los valores reales y los
calculados
RMSE para cada punto es la raiacutez de los residuales al cuadrado que es la distancia entre ellos
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
RMSE UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la praacutectica hace que fijemos una TOLERANCIA y es que si ese promedio supera un valor fijado previamente haya que rever
el valor fijado previamente generalmente es igual o menor a un PIXEL
una correcta verificacioacuten
NECESITA introducir PUNTOS de VERIFICACIOacuteN
que no hayan sido introducidos en el ajuste
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
tolerancias fijadas
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
traducimos coordenadas de un mapa a la imagen tambieacuten necesitamos a la nueva imagen
TRANSFERIR LOS VALORES DIGITALES no olvidar que lo que queremos es generar una nueva imagen que se
corresponda con las coordenadas y las funciones de ajuste
NO ORIGINAN NUEVA IMAGEN solo colocan a los pixeles en la posicioacuten correcta
en criollo las funciones de transformacioacuten generan una nueva matriz bien posicionada pero vaciacutea
DEBEMOS LLENAR LA MATRIZ problema maacutes complejo de lo que puede
pensarse Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
generacioacuten de la nueva imaacutegen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
cada pixel de la imagen corregida se corresponderiacutea con un pixel de la imagen original
LEJOS DE ESE IDEAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo I
vecino maacutes proacuteximo ( nearest neighbour )
a cada celda de la imagen corregida se asigna el ND del pixel maacutes cercano de la
imagen original
SOLUCIOacuteN RAacutePIDA MENOR DISTORSIOacuteN DE LOS ND
INTRODUCE RASGOS LINEALES QUE DISTORSIONAN
CORRECCIOacuteN DE IMAacuteGENES CLASIFICADAS
CONSERVAR LA RADIOMETRIacuteA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo II
interpolacioacuten bilineal ( bilinear interpolation )
supone promediar los ND de los cuatro pixeles mas cercanos
con ponderacioacuten seguacuten la distancia pixeles originalcorregido
REDUCE EL EFECTO DE DISTORSIOacuteN EN RASGOS LINEALES
TIENDE A DIFUMINAR LOS CONTRASTES ESPACIALES
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE IMAacuteGENES RECTIFICADAS MAPAS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo III
convolusioacuten cuacutebica ( cubic convolution )
supone considerar los ND de los 16 pixeles mas proacuteximos
media ponderada seguacuten la distancia pixeles originalcorregido
EFECTO VISUAL MAS CORRECTO
VOLUacuteMEN DE CAacuteLCULO MUY SUPERIOR TENDENCIA A AGUDIZAR BORDES DE LA IMAGEN
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE ORTOIMAacuteGENES IMPRESIONES DE CALIDAD
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
RESTAURACIOacuteN DE CELDAS PERDIDAS
estudio de histogramas
httpcoelloujaenesAsignaturasteledeteccion
EXPLOTANDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ESTADIacuteSTICAS E HISTOGRAMA DE UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm que es un
histograma
IMAGEN DIGITAL SIMPLE DE 8 x 8 PIXELES EN NIVELES DE GRIS CON UNA PROFUNDIDAD DE 2 BITS
CUATRO VALORES POSIBLES DE BRILLO PASADOS A TONOS DE GRIS NEGRO GRIS OSCURO GRIS CLARO Y BLANCO
ND BRILLO
0 Negro
1 Gris oscuro
2 Gris claro
3 Blanco
veremos entonces que es un HISTOGRAMA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA
ENTENDIENDO LAS IMAacuteGENES
conceptualidades
REPRESENTACIOacuteN GRAacuteFICA DE LOS NIVELES DE GRISES EN FUNCIOacuteN DE LA REPETICIOacuteN DE VECES EN QUE APARECE CADA UNO DE LOS NIVELES DE GRIS
deducciones
11
15
38
0
adaptado de El histograma de una Imagen Digital Universidad
Politeacutecnica de Valencia
La mayor parte de los piacutexeles son blancos por lo que probablemente la imagen tenga un fondo blanco uniforme
Hay un nuacutemero significativo de pixeles negros y pixeles blancos lo que hace que la imagen presente un aspecto bien contrastado
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA IDEAL
ENTENDIENDO LAS IMAacuteGENES
elementos a considerar
Como regla general se considera que una imagen tiene un buen contraste si su histograma se extiende ocupando casi todo el rango
de tonos
adaptado de El histograma de una Imagen Digital Universidad Politeacutecnica de Valencia
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA IDEAL
ENTENDIENDO LAS IMAacuteGENES
elementos a considerar
Por ejemplo en una imagen nocturna el histograma estaacute fuertemente desplazado al lado izquierdo (zona de tonos oscuros) y
evidencia que no hay apenas ninguna zona de la imagen muy brillante
adaptado de El histograma de una Imagen Digital Universidad Politeacutecnica de Valencia
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA IDEAL
ENTENDIENDO LAS IMAacuteGENES
elementos a considerar
En este caso el histograma es marcadamente maacutes alto en la zona de grises claros y blancos y apareceraacute corrido a la derecha hacia el
lado de los valores altos de iluminacioacuten
adaptado de El histograma de una Imagen Digital Universidad Politeacutecnica de Valencia
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA IDEAL
ENTENDIENDO LAS IMAacuteGENES
elementos a considerar
Se entiende por contraste la diferencia de brillo entre las zonas maacutes claras y maacutes oscuras en una imagen En este paisaje con niebla es
un ejemplo de bajo contraste Se traduce en un histograma estrecho Ademaacutes como la toacutenica dominante son los grises medios
se observa que estaacute bastante centrado
adaptado de El histograma de una Imagen Digital Universidad Politeacutecnica de Valencia
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
conjunto de datos
Frente a escenas con una iluminacioacuten maacutes normal y con una gran cantidad de elementos detectados los histogramas deberiacutean ser como en el primer caso que
hemos visto
Si no sucede
Histograma desplazado a la izquierda puede denotar falta de exposicioacuten
Histograma desplazado a la derecha puede ser un exceso de exposicioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
46 Interpretacioacuten de Imaacutegenes
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento digital Optimizacioacuten de las imaacutegenes Realces y mejoras visuales Contraste en una imagen Composiciones color El color verdadero el falso color el pseudo color
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
OPTIMIZACIOacuteN DE LAS IMAacuteGENES
ENTENDIENDO LAS IMAacuteGENES
mejorar visualmente las imaacutegenes
MANIPULAR DE FORMA FLEXIBLE Y SOFISTICADA EL ND DE LOS PIXELES
LUEGO DE CORRECCIONES LAS IMAacuteGENES HAY QUE OPTIMIZARLAS DESDE EL PUNTO DE VISTA VISUAL
diferentes tipos
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
REALCES Y MEJORAS VISUALES
ENTENDIENDO LAS IMAacuteGENES
httpamericalatina-nacblogspotcomuy2009_10_01_archivehtml
optimizacioacuten de las imaacutegenes
proceso destinado a facilitar la interpretacioacuten visual
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
ecualizacioacuten del histograma
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
gaussiano
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
lineal 2
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
lineal
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
raiacutez cuadrada
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
lineal 0 - 255
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PORQUEacute EL REALCE
ENTENDIENDO LAS IMAacuteGENES
LOS SENSORES SON CALIBRADOS PARA ABARCAR TODO EL RANGO POSIBLE DE RADIANCIAS
PARA CADA USO EN CONCRETO ES NECESIDAD IMPERIOSA
EXPANDIR EL HISTOGRAMA Y ASIacute CUBRIR EL RANGO COMPLETO DE NIVELES DE GRIS
histograma UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CONTRASTE EN UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
expansioacuten del contraste
los datos uacutetiles solo ocupan pequentildea parte de los niveles de gris disponibles
expandir o estirar el histograma es cambiar los valores originales de ND para utilizar mayor rango
asiacute incrementar el contraste visual de diferentes objetos
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
ejemplos visuales
sin realce lineal
frecuencial gamma
MEacuteTODOS DE EXPANSIOacuteN DEL CONTRASTE
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
lineal
expansioacuten lineal
lo maacutes simple transformacioacuten en liacutenea llevando el valor miacutenimo a 0 y maacuteximo a 255 o se usa un rango por encima y por debajo de miacutenimo y maacuteximo
EXPANSIOacuteN I
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
lineal
EXPANSIOacuteN I expansioacuten
logariacutetmico exponencial
gamma
curvas de transferencia en lugar de rectas gamma es la curvatura de dicha curva se expanden maacutes el contraste de los extremos o del centro
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
frecuencial
EXPANSIOacuteN II
frecuencial ecualizacioacuten del
histograma
cuando los valores de ND no estaacuten distribuidos uniformemente intentar en la medida de lo posible que los valores de salida de los ND tengan el mismo de pixeles con dicho valor
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CONTRASTE EN UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
compresioacuten del contraste
Ya sabemos que el contraste mide el rango dinaacutemico de los colores en la imagen es decir una imagen muy contrastada tiene un amplio abanico de colores (o tonos de gris) desde valores muy bajos a valores muy altos Para una imagen con poco contraste los colores estaacuten muy juntos el margen dinaacutemico es pequentildeo La variacioacuten en el contraste aparece como una compresioacuten del histograma en caso de una reduccioacuten a la inversa de lo visto en el caso de una expansioacuten
Compresioacuten si el rango excede de las capacidades del sistema
Se ha de comparar el nuacutemero de niveles digitales (ND) de la imagen con los niveles de visualizacioacuten (NV) o grises del sistema Es de menos aplicacioacuten Al igual que el brillo variando el contraste se puede provocar una peacuterdida de informacioacuten de la imagen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
MAYOR APLICABILIDAD DEL REALCE
ENTENDIENDO LAS IMAacuteGENES
realce oacuteptimo
realce frecuencial
realce lineal
laquo r e a l c e oacute p t i m o raquo optimiza interpretacioacuten de la imagen
mejor esteacutetica de la imagen NO COINCIDE CON NINGUacuteN CORTE PREDETERMINADO
Y SE LOGRA INTERACTIVAMENTE EN PANTALLA Y PARA CADA BANDA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
COMPOSICIONES COLOR
ENTENDIENDO LAS IMAacuteGENES
formatos de composiciones
CON LA CRECIENTE APARICIOacuteN DE LOS SENSORES HIPERESPECTRALES LAS POSIBILIDADES DE COMPOSICIONES
COLOREADAS DE BANDAS SON CASI ILIMITADAS
LA ELECCIOacuteN DE LAS BANDAS PARA REALIZAR LA COMPOSICIOacuteN Y EL ORDEN DE LAS BANDAS ASIGANADAS A LOS COLORES
PRIMARIOS DEPENDERAacute DE
Sensor Aplicacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EL SEUDO - COLOR
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm formatos de
composiciones
Ya hemos afirmado de que el ojo humano es maacutes capaz de distinguir tonos de color que intensidades de brillo
Por ello el empleo del color ayuda a la interpretacioacuten incluso cuando podamos tener una sola imagen de una banda
Es aquiacute que hablamos del SEUDO COLOR por no contar con tres bandas
El seudo color implica la creacioacuten de una CLUT que asocie el ND de una sola banda a distintos componentes del R V y A APLICACIONES 1 Para tener una leyenda de colores para una img clasificada 2 Para realzar el anaacutelisis de una determinada banda y sustituir los tonos de gris por una paleta de colores
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CLUT COLOUR LOOK-UP TABLE TABLA DE CONSULTA DE COLOR
ENTENDIENDO LAS IMAacuteGENES
httpsenwikipediaorgwikiColour_look-up_table
creacioacuten del seudo color
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Filtros espaciales Concepto de kernel Filtros paso bajo y paso alto Filtros direccionales Anomaliacuteas y correccioacuten atmosfeacuterica Correcciones radiomeacutetricas Anomaliacuteas radiomeacutetricas Fallos en el sensorCorreccioacuten atmosfeacuterica concepto Meacutetodo valores miacutenimos Regresioacuten entre bandas Dispersioacuten por aerosolesCalibracioacuten Caso misioacuten Landsat
47 Interpretacioacuten de Imaacutegenes
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de que es un filtro
espacial
FUNCIONES PARA MEJORAR ASPECTO DE LAS IMAacuteGENES
REALZAN O DISMINUYEN ELEMENTOS VISUALES DE LA IMG
BASADOS EN LA FRECUENCIA ESPACIAL
FRECUENCIAS ESPACIALES ALTAS Variaciones que se producen en pocos piacutexeles TENDENCIA GENERAL FRECUENCIAS ESPACIALES BAJAS
Variaciones que se producen en muchos piacutexeles CONTRASTES LOCALES
FILTROS Figura - CCRS CCT
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de kernel
FILTRADO ESPACIAL Figura - CCRS CCT FILTRADO EN EL DOMINIO
ESPACIAL Lo mas comuacuten es la aplicacioacuten de una ventana deslizante con valores que son coeficientes fijos de una matriz La MATRIZ se suele llamar KERNEL o nuacutecleo del filtro
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DIGITAL
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
3 x 3 5 x 5 7 x 7
1 1 1
1 2 1
1 1 1 matrices
LOS VALORES DEL KERNEL SE MULTIPLICAN POR EL PIacuteXEL QUE TIENEN DEBAJO Y LUEGO SE SUMAN TODOS LOS PRODUCTOS
Y PARA OBTENER EL VALOR DEL PIacuteXEL CENTRAL EN LA IMAGEN TRANSFORMADA SE LO DIVIDE POR LA SUMA DE LOS PONDERADOS O PESOS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO - PASO BAJO PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
26
FILTROS DE PASO BAJO SE FAVORECEN A LOS PIXELES
PERIFEacuteRICOS SE MINIMIZAN LAS DIFERENCIAS CON LOS VECINOS ES UNA ESPECIE DE SUAVIZADO
FILTRO DE PASO ALTO PONDERACIOacuteN DEL VALOR CENTRAL EN DETRIMENTO DE LOS CIRCUNDANTES
SE EXAGERAN DIFERENCIAS Y SE RESALTAN VARIACIONES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO BAJO
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm
simulacioacuten
IMAGEN ORIGINAL
FILTRO PASO BAJO 3x3 SE TRATA DE ASEMEJAR LOS VALORES DE ND DE UN PIXEL A LOS VALORES VECINOS EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA OFRECE PERFILES MENOS NIacuteTIDOS
FILTRO PASO BAJO 7x7 SIRVE PARA REDUCIR VARIABILIDAD ESPACIAL DE ALGUNA CATEGORIacuteA ANTES DE UN PROCESO DE CLASIFICACIOacuteN
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
IMAGEN ORIGINAL
FILTRO PASO ALTO 3x3 SE TRATA DE AISLAR LOS COMPONENTES DE ALTA FRECUENCIA Y REMARCAR DIGITALMENTE CONTRASTES EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA REFUERZA LOS CONTORNOS EN AacuteREAS HOMOGEacuteNEAS
FILTRO PASO ALTO 7x7 SIRVE PARA LOGRAR REALCES DE RASGOS LINEALES COMO PUEDEN SER EN AacuteREAS URBANAS O RASGOS GEOLOacuteGICOS
simulacioacuten
httpgeograuahesrtm
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
Figura - Landsat USGS
IMAGEN ORIGINAL
FILTRO DIRECCIONAL PERMITEN IDENTIFICAR LOS RASGOS FRONTERIZOS EN LAS IMAacuteGENES COMO LOS FILTROS ANTERIORES PERO AHORA CONSIDERANDO LA ORIENTACIOacuteN
se tiene en cuenta la
orientacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
matrices con direccioacuten
NORTE
1 1 1
1 -2 1
-1 -1 -1
SUR
-1 -1 -1
1 -2 1
1 1 1
ESTE
-1 1 1
-1 -2 1
-1 1 1
OESTE
1 1 -1
1 -2 -1
1 1 -1
SURESTE
-1 -1 1
-1 -2 1
1 1 1
NOROESTE
1 1 1
1 -2 -1
1 -1 -1
SUROESTE
1 -1 -1
1 -2 -1
1 1 1
NORESTE
1 1 1
-1 -2 1
-1 -1 1
OBSERVACIOacuteN
LOS NOMBRES OBEDECEN A LA DIRECCIOacuteN DEL CONTRASTE QUE SENtildeALAN
LA DIRECCIOacuteN QUE REALZAN ES JUSTAMENTE LA PERPENDICULAR
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
48 Interpretacioacuten de Imaacutegenes
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Correcciones geomeacutetricas Georreferenciacioacuten Uso de puntos de control Fuentes de error Procesamiento geomeacutetrico Correccioacuten Transformacioacuten geomeacutetrica Calidad y ajuste Generacioacuten de la nueva imagen Transferencia de ND
INSTITUTO DE AGRIMENSURA - DEPARTAMENTO DE GEOMAacuteTICA PROF ADJUNTO GRADO 3 EDISON J ROSAS BERTON
El tratamiento de una imagen de sateacutelite Georreferenciacioacuten
(paso de un sistema de filas y columnas a un sistema de coordenadas estandard)
Para ello debe obtenerse una muestra de puntos de control de los que conozcamos tanto sus coordenadas reales como sus coordenadas en
la imagen deben ser por tanto objetos de un tamantildeo adecuado para resultar identificables tanto en la imagen como sobre el terreno el tamantildeo
dependeraacute loacutegicamente de la resolucioacuten de la imagen A partir de estos puntos de control se obtendraacuten por regresioacuten unas ecuaciones que permitiraacuten a cada par filacolumna un par de coordenadas
XY
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
GEORREFERENCIACIOacuteN
ENTENDIENDO LAS IMAacuteGENES
georreferenciacioacuten porqueacute
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PUNTOS DE CONTROL
ENTENDIENDO LAS IMAacuteGENES
uso de puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
DISTORSIONES POR LA PLATAFORMA ALTITUD DE LA OacuteRBITA ndash Cambio de escala
VELOCIDAD ndash Cambios de escala ORIENTACIOacuteN DE LOS TRES EJES ndash Distorsiones en la geometriacutea
NO SISTEMAacuteTICOS Y COMPLEJOS DE MODELAR
DISTORSIONES POR ROTACIOacuteN TERRESTRE
CONSIDERANDO ALTITUD (800 Km) y TAMANtildeO DE LA IMAGEN (180 Km)ndashEn latitudes medias tarda en adquirir unos 30 segundos la Tierra se desplaza unos 8 Km
ORIENTACIOacuteN NE SW
DISTORSIONES POR EL SENSOR ANOMALIacuteAS SENSOR y MOVIMIENTO ESPEJO ndash Barrido no lineal o cambio en intervalos
AacuteNGULO DE BARRIDO ndash Variacioacuten en el tamantildeo de pixel
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ERROR EN UNA IMAGEN ESPACIAL
ENTENDIENDO LAS IMAacuteGENES
fuentes de error
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Una correccioacuten geomeacutetrica incluye CUALQUIER CAMBIO EN LA POSICIOacuteN DE LOS PIXELES que
conforman la imagen f (c`) = f1 (c l) f (x y) f (l`) = f2 (c l) f (x y)
COORDENADAS DE IMAGEN CORREGIDA SON FUNCIOacuteN DE COORDENADAS COLUMNA Y LIacuteNEA DE LA
IMAGEN DE ENTRADA O DE LAS COORDENADAS DE MAPA AL QUE SUPERPONDREMOS LA IMAGEN
1 CON OBJETIVO DE REALIZAR UNA TRANSFORMACIOacuteN GEOMEacuteTRICA QUE PERMITA AJUSTARLA A OTRA IMAGEN REFERENCIA NORMALMENTE PARA REALIZAR ESTUDIOS MULTITEMPORALES O MOSAICOS CON EL FIN DE AMPLIAR LOS DATOS E INFORMACIOacuteN DE UNA ZONA
2 ESTO PERMITIRAacute QUE LA NUEVA IMAGEN LA PUEDA INTEGRAR CON INFORMACIOacuteN DE OTRAS FUENTES POR EJEMPLO EN UN AMBIENTE SIG
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
correccioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
asumimos que
NO SE CONOCE EL ORIGEN DE LOS ERRORES
modelamos
ECUACIONES EMPIacuteRICAS
aplicadas a un conjunto de puntos
COORDENADAS CONOCIDAS IMAGEN INPUT e IMAGEN OUTPUT
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
1 ndash SELECCIOacuteN DE REFERENCIAS 2 ndash ECUACIONES DE AJUSTE
3 ndash GENERACIOacuteN DE LA IMAGEN CORREGIDA
ES OBVIO CALIDAD DEL AJUSTE DEPENDERAacute DE PRECISIOacuteN CON QUE SE
LOCALICEN LOS PUNTOS DE CONTROL INEXACTA LOCALIZACIOacuteN
DISTRIBUCIOacuteN MUY SECTORIZADA NUacuteMERO DE PUNTOS DE CONTROL INADECUADO
ESTABLECER LOS PUNTOS DE CONTROL FASE MAS CRUCIAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
procesamiento de la correccioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Resaltamos la importancia de
NUacuteMERO LOCALIZACIOacuteN DISTRIBUCIOacuteN
Que debemos atender Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
que considero UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash Croquis ilustrativos de apoyo
TERRENO O ZONAS PLANAS CON IMG OBTENIDAS POR UN SENSOR DE ESTRECHA VISIOacuteN DE CAMPO
TRANSFORMACIOacuteN
BASADO EN ECUACIONES LINEALES SIMPLES
TERRENO ESCARPADO O RUGOSO O UTILIZACIOacuteN DE IMG OBTENIDAS EN UN SENSOR CON VARIACIONES EN LAS CONDICIONES DE OBSERVACIOacuteN
TRANSFORMACIOacuteN MAacuteS COMPLEJA
POLINOMIOS DE SEGUNDO O TERCER ORDEN
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Desde un punto de vista matemaacutetico
GRADO 1 ndash 3 puntos GRADO 2 ndash 6 puntos GRADO 3 ndash 10 puntos
Seguacuten mis objetivos del trabajo no es conveniente utilizar esos miacutenimos
14 a 20 puntos (Landsat 5 MMS ndash seguacuten Bernstein R y D G Ferneyhough Jr 1978)
100 a 120 puntos (Landsat 7 TM ndash seguacuten el National Remote Sensing Center de Inglaterra)
10 o 12 puntos (Pequentildea zona de 512 x 512 pixeles ndash seguacuten Emilio Chuvieco 2010)
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
matemaacuteticamente UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
QUE DEBEMOS DE CONSIDERAR EN CUANTO A LA LOCALIZACIOacuteN
CLARAMENTE IDENTIFICABLES EN IMAGEN Y MAPA RASGOS HUMANOS DEL PAISAJE NO SUJETOS A DINAMISMO TEMPORAL
CRUCE DE CARRETERAS
CAMINOS VIacuteA FEacuteRREAS
NO CONSIDERAR ELEMENTOS ASOCIADOS AL AGUA
COSTA CURSOS DE AGUA
EMBALSES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
localizacioacuten TCP UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la correccioacuten digital de la geometriacutea de una imagen se realiza a partir de establecer unas funciones que relacionen las coordenadas de la imagen
y las coordenadas del mapa
EJ CASO MAS SIMPLE REGRESIOacuteN LINEAL MUacuteLTIPLE
ci = a0 + a1 Xi + a2 Yi li = b0 + b1 Xi + b2 Yi
EN LA PRAacuteCTICA BASTA UNA FUNCIOacuteN LINEAL PARA ABORDAR UN GRAN NUacuteMERO DE
TRANSFORMACIONES Y SON SUFICIENTES SI LAS IMAacuteGENES NO SON MUY GRANDES ANTE LA NECESIDAD DE OTRAS TRANSFORMACIONES SE UTILIZAN DE 2ordm y 3ordm ORDEN CONSIDERANDO ALTERACIONES GEOMEacuteTRICAS NO LINEALES (FUNCIONES QUE NO SE DEFINEN EN UN PLANO
CON EJES LINEALES SINO QUE SUPERFICIES CON EJES CURVILIacuteNEOS)
LOS COEFICIENTES DE LAS FUNCIONES DE TRANSFORMACIOacuteN SE CALCULAN A PARTIR DE UN AJUSTE POR MIacuteNIMOS CUADRADOS
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
funciones de transformacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash ejemplos de funciones de transformacioacuten geomeacutetrica con el efecto causado
TRASLACIOacuteN
CAMBIO DE ESCALA
INCLINACIOacuteN
PERSPECTIVA
ROTACIOacuteN
x = a0 + xacute y = b0 + yacute
x = xacute + a2 yacute y = yacute
x = a1 xacute y = b1 yacute
x = a3xacute yacute y = yacute
x = a4xacute + a5yacute y = b4xacute + b5yacute a4 = b5 = cos Ɵ a5 = -b4 = sen Ɵ
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
transformacioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
comparacioacuten coordenadas reales y las estimadas por la regresioacuten
el promedio de los residuales se conoce como error medio cuadraacutetico
la calidad del ajuste lo da el RMSE (root mean squared error)
(error medio cuadraacutetico)
RMSE es la raiacutez cuadrada de las desviaciones entre los valores reales y los
calculados
RMSE para cada punto es la raiacutez de los residuales al cuadrado que es la distancia entre ellos
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
RMSE UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la praacutectica hace que fijemos una TOLERANCIA y es que si ese promedio supera un valor fijado previamente haya que rever
el valor fijado previamente generalmente es igual o menor a un PIXEL
una correcta verificacioacuten
NECESITA introducir PUNTOS de VERIFICACIOacuteN
que no hayan sido introducidos en el ajuste
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
tolerancias fijadas
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
traducimos coordenadas de un mapa a la imagen tambieacuten necesitamos a la nueva imagen
TRANSFERIR LOS VALORES DIGITALES no olvidar que lo que queremos es generar una nueva imagen que se
corresponda con las coordenadas y las funciones de ajuste
NO ORIGINAN NUEVA IMAGEN solo colocan a los pixeles en la posicioacuten correcta
en criollo las funciones de transformacioacuten generan una nueva matriz bien posicionada pero vaciacutea
DEBEMOS LLENAR LA MATRIZ problema maacutes complejo de lo que puede
pensarse Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
generacioacuten de la nueva imaacutegen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
cada pixel de la imagen corregida se corresponderiacutea con un pixel de la imagen original
LEJOS DE ESE IDEAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo I
vecino maacutes proacuteximo ( nearest neighbour )
a cada celda de la imagen corregida se asigna el ND del pixel maacutes cercano de la
imagen original
SOLUCIOacuteN RAacutePIDA MENOR DISTORSIOacuteN DE LOS ND
INTRODUCE RASGOS LINEALES QUE DISTORSIONAN
CORRECCIOacuteN DE IMAacuteGENES CLASIFICADAS
CONSERVAR LA RADIOMETRIacuteA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo II
interpolacioacuten bilineal ( bilinear interpolation )
supone promediar los ND de los cuatro pixeles mas cercanos
con ponderacioacuten seguacuten la distancia pixeles originalcorregido
REDUCE EL EFECTO DE DISTORSIOacuteN EN RASGOS LINEALES
TIENDE A DIFUMINAR LOS CONTRASTES ESPACIALES
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE IMAacuteGENES RECTIFICADAS MAPAS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo III
convolusioacuten cuacutebica ( cubic convolution )
supone considerar los ND de los 16 pixeles mas proacuteximos
media ponderada seguacuten la distancia pixeles originalcorregido
EFECTO VISUAL MAS CORRECTO
VOLUacuteMEN DE CAacuteLCULO MUY SUPERIOR TENDENCIA A AGUDIZAR BORDES DE LA IMAGEN
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE ORTOIMAacuteGENES IMPRESIONES DE CALIDAD
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ESTADIacuteSTICAS E HISTOGRAMA DE UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm que es un
histograma
IMAGEN DIGITAL SIMPLE DE 8 x 8 PIXELES EN NIVELES DE GRIS CON UNA PROFUNDIDAD DE 2 BITS
CUATRO VALORES POSIBLES DE BRILLO PASADOS A TONOS DE GRIS NEGRO GRIS OSCURO GRIS CLARO Y BLANCO
ND BRILLO
0 Negro
1 Gris oscuro
2 Gris claro
3 Blanco
veremos entonces que es un HISTOGRAMA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA
ENTENDIENDO LAS IMAacuteGENES
conceptualidades
REPRESENTACIOacuteN GRAacuteFICA DE LOS NIVELES DE GRISES EN FUNCIOacuteN DE LA REPETICIOacuteN DE VECES EN QUE APARECE CADA UNO DE LOS NIVELES DE GRIS
deducciones
11
15
38
0
adaptado de El histograma de una Imagen Digital Universidad
Politeacutecnica de Valencia
La mayor parte de los piacutexeles son blancos por lo que probablemente la imagen tenga un fondo blanco uniforme
Hay un nuacutemero significativo de pixeles negros y pixeles blancos lo que hace que la imagen presente un aspecto bien contrastado
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA IDEAL
ENTENDIENDO LAS IMAacuteGENES
elementos a considerar
Como regla general se considera que una imagen tiene un buen contraste si su histograma se extiende ocupando casi todo el rango
de tonos
adaptado de El histograma de una Imagen Digital Universidad Politeacutecnica de Valencia
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA IDEAL
ENTENDIENDO LAS IMAacuteGENES
elementos a considerar
Por ejemplo en una imagen nocturna el histograma estaacute fuertemente desplazado al lado izquierdo (zona de tonos oscuros) y
evidencia que no hay apenas ninguna zona de la imagen muy brillante
adaptado de El histograma de una Imagen Digital Universidad Politeacutecnica de Valencia
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA IDEAL
ENTENDIENDO LAS IMAacuteGENES
elementos a considerar
En este caso el histograma es marcadamente maacutes alto en la zona de grises claros y blancos y apareceraacute corrido a la derecha hacia el
lado de los valores altos de iluminacioacuten
adaptado de El histograma de una Imagen Digital Universidad Politeacutecnica de Valencia
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA IDEAL
ENTENDIENDO LAS IMAacuteGENES
elementos a considerar
Se entiende por contraste la diferencia de brillo entre las zonas maacutes claras y maacutes oscuras en una imagen En este paisaje con niebla es
un ejemplo de bajo contraste Se traduce en un histograma estrecho Ademaacutes como la toacutenica dominante son los grises medios
se observa que estaacute bastante centrado
adaptado de El histograma de una Imagen Digital Universidad Politeacutecnica de Valencia
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
conjunto de datos
Frente a escenas con una iluminacioacuten maacutes normal y con una gran cantidad de elementos detectados los histogramas deberiacutean ser como en el primer caso que
hemos visto
Si no sucede
Histograma desplazado a la izquierda puede denotar falta de exposicioacuten
Histograma desplazado a la derecha puede ser un exceso de exposicioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
46 Interpretacioacuten de Imaacutegenes
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento digital Optimizacioacuten de las imaacutegenes Realces y mejoras visuales Contraste en una imagen Composiciones color El color verdadero el falso color el pseudo color
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
OPTIMIZACIOacuteN DE LAS IMAacuteGENES
ENTENDIENDO LAS IMAacuteGENES
mejorar visualmente las imaacutegenes
MANIPULAR DE FORMA FLEXIBLE Y SOFISTICADA EL ND DE LOS PIXELES
LUEGO DE CORRECCIONES LAS IMAacuteGENES HAY QUE OPTIMIZARLAS DESDE EL PUNTO DE VISTA VISUAL
diferentes tipos
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
REALCES Y MEJORAS VISUALES
ENTENDIENDO LAS IMAacuteGENES
httpamericalatina-nacblogspotcomuy2009_10_01_archivehtml
optimizacioacuten de las imaacutegenes
proceso destinado a facilitar la interpretacioacuten visual
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
ecualizacioacuten del histograma
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
gaussiano
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
lineal 2
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
lineal
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
raiacutez cuadrada
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
lineal 0 - 255
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PORQUEacute EL REALCE
ENTENDIENDO LAS IMAacuteGENES
LOS SENSORES SON CALIBRADOS PARA ABARCAR TODO EL RANGO POSIBLE DE RADIANCIAS
PARA CADA USO EN CONCRETO ES NECESIDAD IMPERIOSA
EXPANDIR EL HISTOGRAMA Y ASIacute CUBRIR EL RANGO COMPLETO DE NIVELES DE GRIS
histograma UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CONTRASTE EN UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
expansioacuten del contraste
los datos uacutetiles solo ocupan pequentildea parte de los niveles de gris disponibles
expandir o estirar el histograma es cambiar los valores originales de ND para utilizar mayor rango
asiacute incrementar el contraste visual de diferentes objetos
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
ejemplos visuales
sin realce lineal
frecuencial gamma
MEacuteTODOS DE EXPANSIOacuteN DEL CONTRASTE
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
lineal
expansioacuten lineal
lo maacutes simple transformacioacuten en liacutenea llevando el valor miacutenimo a 0 y maacuteximo a 255 o se usa un rango por encima y por debajo de miacutenimo y maacuteximo
EXPANSIOacuteN I
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
lineal
EXPANSIOacuteN I expansioacuten
logariacutetmico exponencial
gamma
curvas de transferencia en lugar de rectas gamma es la curvatura de dicha curva se expanden maacutes el contraste de los extremos o del centro
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
frecuencial
EXPANSIOacuteN II
frecuencial ecualizacioacuten del
histograma
cuando los valores de ND no estaacuten distribuidos uniformemente intentar en la medida de lo posible que los valores de salida de los ND tengan el mismo de pixeles con dicho valor
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CONTRASTE EN UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
compresioacuten del contraste
Ya sabemos que el contraste mide el rango dinaacutemico de los colores en la imagen es decir una imagen muy contrastada tiene un amplio abanico de colores (o tonos de gris) desde valores muy bajos a valores muy altos Para una imagen con poco contraste los colores estaacuten muy juntos el margen dinaacutemico es pequentildeo La variacioacuten en el contraste aparece como una compresioacuten del histograma en caso de una reduccioacuten a la inversa de lo visto en el caso de una expansioacuten
Compresioacuten si el rango excede de las capacidades del sistema
Se ha de comparar el nuacutemero de niveles digitales (ND) de la imagen con los niveles de visualizacioacuten (NV) o grises del sistema Es de menos aplicacioacuten Al igual que el brillo variando el contraste se puede provocar una peacuterdida de informacioacuten de la imagen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
MAYOR APLICABILIDAD DEL REALCE
ENTENDIENDO LAS IMAacuteGENES
realce oacuteptimo
realce frecuencial
realce lineal
laquo r e a l c e oacute p t i m o raquo optimiza interpretacioacuten de la imagen
mejor esteacutetica de la imagen NO COINCIDE CON NINGUacuteN CORTE PREDETERMINADO
Y SE LOGRA INTERACTIVAMENTE EN PANTALLA Y PARA CADA BANDA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
COMPOSICIONES COLOR
ENTENDIENDO LAS IMAacuteGENES
formatos de composiciones
CON LA CRECIENTE APARICIOacuteN DE LOS SENSORES HIPERESPECTRALES LAS POSIBILIDADES DE COMPOSICIONES
COLOREADAS DE BANDAS SON CASI ILIMITADAS
LA ELECCIOacuteN DE LAS BANDAS PARA REALIZAR LA COMPOSICIOacuteN Y EL ORDEN DE LAS BANDAS ASIGANADAS A LOS COLORES
PRIMARIOS DEPENDERAacute DE
Sensor Aplicacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EL SEUDO - COLOR
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm formatos de
composiciones
Ya hemos afirmado de que el ojo humano es maacutes capaz de distinguir tonos de color que intensidades de brillo
Por ello el empleo del color ayuda a la interpretacioacuten incluso cuando podamos tener una sola imagen de una banda
Es aquiacute que hablamos del SEUDO COLOR por no contar con tres bandas
El seudo color implica la creacioacuten de una CLUT que asocie el ND de una sola banda a distintos componentes del R V y A APLICACIONES 1 Para tener una leyenda de colores para una img clasificada 2 Para realzar el anaacutelisis de una determinada banda y sustituir los tonos de gris por una paleta de colores
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CLUT COLOUR LOOK-UP TABLE TABLA DE CONSULTA DE COLOR
ENTENDIENDO LAS IMAacuteGENES
httpsenwikipediaorgwikiColour_look-up_table
creacioacuten del seudo color
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Filtros espaciales Concepto de kernel Filtros paso bajo y paso alto Filtros direccionales Anomaliacuteas y correccioacuten atmosfeacuterica Correcciones radiomeacutetricas Anomaliacuteas radiomeacutetricas Fallos en el sensorCorreccioacuten atmosfeacuterica concepto Meacutetodo valores miacutenimos Regresioacuten entre bandas Dispersioacuten por aerosolesCalibracioacuten Caso misioacuten Landsat
47 Interpretacioacuten de Imaacutegenes
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de que es un filtro
espacial
FUNCIONES PARA MEJORAR ASPECTO DE LAS IMAacuteGENES
REALZAN O DISMINUYEN ELEMENTOS VISUALES DE LA IMG
BASADOS EN LA FRECUENCIA ESPACIAL
FRECUENCIAS ESPACIALES ALTAS Variaciones que se producen en pocos piacutexeles TENDENCIA GENERAL FRECUENCIAS ESPACIALES BAJAS
Variaciones que se producen en muchos piacutexeles CONTRASTES LOCALES
FILTROS Figura - CCRS CCT
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de kernel
FILTRADO ESPACIAL Figura - CCRS CCT FILTRADO EN EL DOMINIO
ESPACIAL Lo mas comuacuten es la aplicacioacuten de una ventana deslizante con valores que son coeficientes fijos de una matriz La MATRIZ se suele llamar KERNEL o nuacutecleo del filtro
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DIGITAL
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
3 x 3 5 x 5 7 x 7
1 1 1
1 2 1
1 1 1 matrices
LOS VALORES DEL KERNEL SE MULTIPLICAN POR EL PIacuteXEL QUE TIENEN DEBAJO Y LUEGO SE SUMAN TODOS LOS PRODUCTOS
Y PARA OBTENER EL VALOR DEL PIacuteXEL CENTRAL EN LA IMAGEN TRANSFORMADA SE LO DIVIDE POR LA SUMA DE LOS PONDERADOS O PESOS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO - PASO BAJO PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
26
FILTROS DE PASO BAJO SE FAVORECEN A LOS PIXELES
PERIFEacuteRICOS SE MINIMIZAN LAS DIFERENCIAS CON LOS VECINOS ES UNA ESPECIE DE SUAVIZADO
FILTRO DE PASO ALTO PONDERACIOacuteN DEL VALOR CENTRAL EN DETRIMENTO DE LOS CIRCUNDANTES
SE EXAGERAN DIFERENCIAS Y SE RESALTAN VARIACIONES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO BAJO
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm
simulacioacuten
IMAGEN ORIGINAL
FILTRO PASO BAJO 3x3 SE TRATA DE ASEMEJAR LOS VALORES DE ND DE UN PIXEL A LOS VALORES VECINOS EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA OFRECE PERFILES MENOS NIacuteTIDOS
FILTRO PASO BAJO 7x7 SIRVE PARA REDUCIR VARIABILIDAD ESPACIAL DE ALGUNA CATEGORIacuteA ANTES DE UN PROCESO DE CLASIFICACIOacuteN
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
IMAGEN ORIGINAL
FILTRO PASO ALTO 3x3 SE TRATA DE AISLAR LOS COMPONENTES DE ALTA FRECUENCIA Y REMARCAR DIGITALMENTE CONTRASTES EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA REFUERZA LOS CONTORNOS EN AacuteREAS HOMOGEacuteNEAS
FILTRO PASO ALTO 7x7 SIRVE PARA LOGRAR REALCES DE RASGOS LINEALES COMO PUEDEN SER EN AacuteREAS URBANAS O RASGOS GEOLOacuteGICOS
simulacioacuten
httpgeograuahesrtm
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
Figura - Landsat USGS
IMAGEN ORIGINAL
FILTRO DIRECCIONAL PERMITEN IDENTIFICAR LOS RASGOS FRONTERIZOS EN LAS IMAacuteGENES COMO LOS FILTROS ANTERIORES PERO AHORA CONSIDERANDO LA ORIENTACIOacuteN
se tiene en cuenta la
orientacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
matrices con direccioacuten
NORTE
1 1 1
1 -2 1
-1 -1 -1
SUR
-1 -1 -1
1 -2 1
1 1 1
ESTE
-1 1 1
-1 -2 1
-1 1 1
OESTE
1 1 -1
1 -2 -1
1 1 -1
SURESTE
-1 -1 1
-1 -2 1
1 1 1
NOROESTE
1 1 1
1 -2 -1
1 -1 -1
SUROESTE
1 -1 -1
1 -2 -1
1 1 1
NORESTE
1 1 1
-1 -2 1
-1 -1 1
OBSERVACIOacuteN
LOS NOMBRES OBEDECEN A LA DIRECCIOacuteN DEL CONTRASTE QUE SENtildeALAN
LA DIRECCIOacuteN QUE REALZAN ES JUSTAMENTE LA PERPENDICULAR
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
48 Interpretacioacuten de Imaacutegenes
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Correcciones geomeacutetricas Georreferenciacioacuten Uso de puntos de control Fuentes de error Procesamiento geomeacutetrico Correccioacuten Transformacioacuten geomeacutetrica Calidad y ajuste Generacioacuten de la nueva imagen Transferencia de ND
INSTITUTO DE AGRIMENSURA - DEPARTAMENTO DE GEOMAacuteTICA PROF ADJUNTO GRADO 3 EDISON J ROSAS BERTON
El tratamiento de una imagen de sateacutelite Georreferenciacioacuten
(paso de un sistema de filas y columnas a un sistema de coordenadas estandard)
Para ello debe obtenerse una muestra de puntos de control de los que conozcamos tanto sus coordenadas reales como sus coordenadas en
la imagen deben ser por tanto objetos de un tamantildeo adecuado para resultar identificables tanto en la imagen como sobre el terreno el tamantildeo
dependeraacute loacutegicamente de la resolucioacuten de la imagen A partir de estos puntos de control se obtendraacuten por regresioacuten unas ecuaciones que permitiraacuten a cada par filacolumna un par de coordenadas
XY
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
GEORREFERENCIACIOacuteN
ENTENDIENDO LAS IMAacuteGENES
georreferenciacioacuten porqueacute
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PUNTOS DE CONTROL
ENTENDIENDO LAS IMAacuteGENES
uso de puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
DISTORSIONES POR LA PLATAFORMA ALTITUD DE LA OacuteRBITA ndash Cambio de escala
VELOCIDAD ndash Cambios de escala ORIENTACIOacuteN DE LOS TRES EJES ndash Distorsiones en la geometriacutea
NO SISTEMAacuteTICOS Y COMPLEJOS DE MODELAR
DISTORSIONES POR ROTACIOacuteN TERRESTRE
CONSIDERANDO ALTITUD (800 Km) y TAMANtildeO DE LA IMAGEN (180 Km)ndashEn latitudes medias tarda en adquirir unos 30 segundos la Tierra se desplaza unos 8 Km
ORIENTACIOacuteN NE SW
DISTORSIONES POR EL SENSOR ANOMALIacuteAS SENSOR y MOVIMIENTO ESPEJO ndash Barrido no lineal o cambio en intervalos
AacuteNGULO DE BARRIDO ndash Variacioacuten en el tamantildeo de pixel
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ERROR EN UNA IMAGEN ESPACIAL
ENTENDIENDO LAS IMAacuteGENES
fuentes de error
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Una correccioacuten geomeacutetrica incluye CUALQUIER CAMBIO EN LA POSICIOacuteN DE LOS PIXELES que
conforman la imagen f (c`) = f1 (c l) f (x y) f (l`) = f2 (c l) f (x y)
COORDENADAS DE IMAGEN CORREGIDA SON FUNCIOacuteN DE COORDENADAS COLUMNA Y LIacuteNEA DE LA
IMAGEN DE ENTRADA O DE LAS COORDENADAS DE MAPA AL QUE SUPERPONDREMOS LA IMAGEN
1 CON OBJETIVO DE REALIZAR UNA TRANSFORMACIOacuteN GEOMEacuteTRICA QUE PERMITA AJUSTARLA A OTRA IMAGEN REFERENCIA NORMALMENTE PARA REALIZAR ESTUDIOS MULTITEMPORALES O MOSAICOS CON EL FIN DE AMPLIAR LOS DATOS E INFORMACIOacuteN DE UNA ZONA
2 ESTO PERMITIRAacute QUE LA NUEVA IMAGEN LA PUEDA INTEGRAR CON INFORMACIOacuteN DE OTRAS FUENTES POR EJEMPLO EN UN AMBIENTE SIG
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
correccioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
asumimos que
NO SE CONOCE EL ORIGEN DE LOS ERRORES
modelamos
ECUACIONES EMPIacuteRICAS
aplicadas a un conjunto de puntos
COORDENADAS CONOCIDAS IMAGEN INPUT e IMAGEN OUTPUT
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
1 ndash SELECCIOacuteN DE REFERENCIAS 2 ndash ECUACIONES DE AJUSTE
3 ndash GENERACIOacuteN DE LA IMAGEN CORREGIDA
ES OBVIO CALIDAD DEL AJUSTE DEPENDERAacute DE PRECISIOacuteN CON QUE SE
LOCALICEN LOS PUNTOS DE CONTROL INEXACTA LOCALIZACIOacuteN
DISTRIBUCIOacuteN MUY SECTORIZADA NUacuteMERO DE PUNTOS DE CONTROL INADECUADO
ESTABLECER LOS PUNTOS DE CONTROL FASE MAS CRUCIAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
procesamiento de la correccioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Resaltamos la importancia de
NUacuteMERO LOCALIZACIOacuteN DISTRIBUCIOacuteN
Que debemos atender Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
que considero UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash Croquis ilustrativos de apoyo
TERRENO O ZONAS PLANAS CON IMG OBTENIDAS POR UN SENSOR DE ESTRECHA VISIOacuteN DE CAMPO
TRANSFORMACIOacuteN
BASADO EN ECUACIONES LINEALES SIMPLES
TERRENO ESCARPADO O RUGOSO O UTILIZACIOacuteN DE IMG OBTENIDAS EN UN SENSOR CON VARIACIONES EN LAS CONDICIONES DE OBSERVACIOacuteN
TRANSFORMACIOacuteN MAacuteS COMPLEJA
POLINOMIOS DE SEGUNDO O TERCER ORDEN
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Desde un punto de vista matemaacutetico
GRADO 1 ndash 3 puntos GRADO 2 ndash 6 puntos GRADO 3 ndash 10 puntos
Seguacuten mis objetivos del trabajo no es conveniente utilizar esos miacutenimos
14 a 20 puntos (Landsat 5 MMS ndash seguacuten Bernstein R y D G Ferneyhough Jr 1978)
100 a 120 puntos (Landsat 7 TM ndash seguacuten el National Remote Sensing Center de Inglaterra)
10 o 12 puntos (Pequentildea zona de 512 x 512 pixeles ndash seguacuten Emilio Chuvieco 2010)
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
matemaacuteticamente UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
QUE DEBEMOS DE CONSIDERAR EN CUANTO A LA LOCALIZACIOacuteN
CLARAMENTE IDENTIFICABLES EN IMAGEN Y MAPA RASGOS HUMANOS DEL PAISAJE NO SUJETOS A DINAMISMO TEMPORAL
CRUCE DE CARRETERAS
CAMINOS VIacuteA FEacuteRREAS
NO CONSIDERAR ELEMENTOS ASOCIADOS AL AGUA
COSTA CURSOS DE AGUA
EMBALSES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
localizacioacuten TCP UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la correccioacuten digital de la geometriacutea de una imagen se realiza a partir de establecer unas funciones que relacionen las coordenadas de la imagen
y las coordenadas del mapa
EJ CASO MAS SIMPLE REGRESIOacuteN LINEAL MUacuteLTIPLE
ci = a0 + a1 Xi + a2 Yi li = b0 + b1 Xi + b2 Yi
EN LA PRAacuteCTICA BASTA UNA FUNCIOacuteN LINEAL PARA ABORDAR UN GRAN NUacuteMERO DE
TRANSFORMACIONES Y SON SUFICIENTES SI LAS IMAacuteGENES NO SON MUY GRANDES ANTE LA NECESIDAD DE OTRAS TRANSFORMACIONES SE UTILIZAN DE 2ordm y 3ordm ORDEN CONSIDERANDO ALTERACIONES GEOMEacuteTRICAS NO LINEALES (FUNCIONES QUE NO SE DEFINEN EN UN PLANO
CON EJES LINEALES SINO QUE SUPERFICIES CON EJES CURVILIacuteNEOS)
LOS COEFICIENTES DE LAS FUNCIONES DE TRANSFORMACIOacuteN SE CALCULAN A PARTIR DE UN AJUSTE POR MIacuteNIMOS CUADRADOS
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
funciones de transformacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash ejemplos de funciones de transformacioacuten geomeacutetrica con el efecto causado
TRASLACIOacuteN
CAMBIO DE ESCALA
INCLINACIOacuteN
PERSPECTIVA
ROTACIOacuteN
x = a0 + xacute y = b0 + yacute
x = xacute + a2 yacute y = yacute
x = a1 xacute y = b1 yacute
x = a3xacute yacute y = yacute
x = a4xacute + a5yacute y = b4xacute + b5yacute a4 = b5 = cos Ɵ a5 = -b4 = sen Ɵ
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
transformacioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
comparacioacuten coordenadas reales y las estimadas por la regresioacuten
el promedio de los residuales se conoce como error medio cuadraacutetico
la calidad del ajuste lo da el RMSE (root mean squared error)
(error medio cuadraacutetico)
RMSE es la raiacutez cuadrada de las desviaciones entre los valores reales y los
calculados
RMSE para cada punto es la raiacutez de los residuales al cuadrado que es la distancia entre ellos
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
RMSE UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la praacutectica hace que fijemos una TOLERANCIA y es que si ese promedio supera un valor fijado previamente haya que rever
el valor fijado previamente generalmente es igual o menor a un PIXEL
una correcta verificacioacuten
NECESITA introducir PUNTOS de VERIFICACIOacuteN
que no hayan sido introducidos en el ajuste
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
tolerancias fijadas
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
traducimos coordenadas de un mapa a la imagen tambieacuten necesitamos a la nueva imagen
TRANSFERIR LOS VALORES DIGITALES no olvidar que lo que queremos es generar una nueva imagen que se
corresponda con las coordenadas y las funciones de ajuste
NO ORIGINAN NUEVA IMAGEN solo colocan a los pixeles en la posicioacuten correcta
en criollo las funciones de transformacioacuten generan una nueva matriz bien posicionada pero vaciacutea
DEBEMOS LLENAR LA MATRIZ problema maacutes complejo de lo que puede
pensarse Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
generacioacuten de la nueva imaacutegen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
cada pixel de la imagen corregida se corresponderiacutea con un pixel de la imagen original
LEJOS DE ESE IDEAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo I
vecino maacutes proacuteximo ( nearest neighbour )
a cada celda de la imagen corregida se asigna el ND del pixel maacutes cercano de la
imagen original
SOLUCIOacuteN RAacutePIDA MENOR DISTORSIOacuteN DE LOS ND
INTRODUCE RASGOS LINEALES QUE DISTORSIONAN
CORRECCIOacuteN DE IMAacuteGENES CLASIFICADAS
CONSERVAR LA RADIOMETRIacuteA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo II
interpolacioacuten bilineal ( bilinear interpolation )
supone promediar los ND de los cuatro pixeles mas cercanos
con ponderacioacuten seguacuten la distancia pixeles originalcorregido
REDUCE EL EFECTO DE DISTORSIOacuteN EN RASGOS LINEALES
TIENDE A DIFUMINAR LOS CONTRASTES ESPACIALES
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE IMAacuteGENES RECTIFICADAS MAPAS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo III
convolusioacuten cuacutebica ( cubic convolution )
supone considerar los ND de los 16 pixeles mas proacuteximos
media ponderada seguacuten la distancia pixeles originalcorregido
EFECTO VISUAL MAS CORRECTO
VOLUacuteMEN DE CAacuteLCULO MUY SUPERIOR TENDENCIA A AGUDIZAR BORDES DE LA IMAGEN
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE ORTOIMAacuteGENES IMPRESIONES DE CALIDAD
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA
ENTENDIENDO LAS IMAacuteGENES
conceptualidades
REPRESENTACIOacuteN GRAacuteFICA DE LOS NIVELES DE GRISES EN FUNCIOacuteN DE LA REPETICIOacuteN DE VECES EN QUE APARECE CADA UNO DE LOS NIVELES DE GRIS
deducciones
11
15
38
0
adaptado de El histograma de una Imagen Digital Universidad
Politeacutecnica de Valencia
La mayor parte de los piacutexeles son blancos por lo que probablemente la imagen tenga un fondo blanco uniforme
Hay un nuacutemero significativo de pixeles negros y pixeles blancos lo que hace que la imagen presente un aspecto bien contrastado
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA IDEAL
ENTENDIENDO LAS IMAacuteGENES
elementos a considerar
Como regla general se considera que una imagen tiene un buen contraste si su histograma se extiende ocupando casi todo el rango
de tonos
adaptado de El histograma de una Imagen Digital Universidad Politeacutecnica de Valencia
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA IDEAL
ENTENDIENDO LAS IMAacuteGENES
elementos a considerar
Por ejemplo en una imagen nocturna el histograma estaacute fuertemente desplazado al lado izquierdo (zona de tonos oscuros) y
evidencia que no hay apenas ninguna zona de la imagen muy brillante
adaptado de El histograma de una Imagen Digital Universidad Politeacutecnica de Valencia
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA IDEAL
ENTENDIENDO LAS IMAacuteGENES
elementos a considerar
En este caso el histograma es marcadamente maacutes alto en la zona de grises claros y blancos y apareceraacute corrido a la derecha hacia el
lado de los valores altos de iluminacioacuten
adaptado de El histograma de una Imagen Digital Universidad Politeacutecnica de Valencia
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA IDEAL
ENTENDIENDO LAS IMAacuteGENES
elementos a considerar
Se entiende por contraste la diferencia de brillo entre las zonas maacutes claras y maacutes oscuras en una imagen En este paisaje con niebla es
un ejemplo de bajo contraste Se traduce en un histograma estrecho Ademaacutes como la toacutenica dominante son los grises medios
se observa que estaacute bastante centrado
adaptado de El histograma de una Imagen Digital Universidad Politeacutecnica de Valencia
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
conjunto de datos
Frente a escenas con una iluminacioacuten maacutes normal y con una gran cantidad de elementos detectados los histogramas deberiacutean ser como en el primer caso que
hemos visto
Si no sucede
Histograma desplazado a la izquierda puede denotar falta de exposicioacuten
Histograma desplazado a la derecha puede ser un exceso de exposicioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
46 Interpretacioacuten de Imaacutegenes
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento digital Optimizacioacuten de las imaacutegenes Realces y mejoras visuales Contraste en una imagen Composiciones color El color verdadero el falso color el pseudo color
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
OPTIMIZACIOacuteN DE LAS IMAacuteGENES
ENTENDIENDO LAS IMAacuteGENES
mejorar visualmente las imaacutegenes
MANIPULAR DE FORMA FLEXIBLE Y SOFISTICADA EL ND DE LOS PIXELES
LUEGO DE CORRECCIONES LAS IMAacuteGENES HAY QUE OPTIMIZARLAS DESDE EL PUNTO DE VISTA VISUAL
diferentes tipos
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
REALCES Y MEJORAS VISUALES
ENTENDIENDO LAS IMAacuteGENES
httpamericalatina-nacblogspotcomuy2009_10_01_archivehtml
optimizacioacuten de las imaacutegenes
proceso destinado a facilitar la interpretacioacuten visual
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
ecualizacioacuten del histograma
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
gaussiano
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
lineal 2
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
lineal
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
raiacutez cuadrada
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
lineal 0 - 255
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PORQUEacute EL REALCE
ENTENDIENDO LAS IMAacuteGENES
LOS SENSORES SON CALIBRADOS PARA ABARCAR TODO EL RANGO POSIBLE DE RADIANCIAS
PARA CADA USO EN CONCRETO ES NECESIDAD IMPERIOSA
EXPANDIR EL HISTOGRAMA Y ASIacute CUBRIR EL RANGO COMPLETO DE NIVELES DE GRIS
histograma UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CONTRASTE EN UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
expansioacuten del contraste
los datos uacutetiles solo ocupan pequentildea parte de los niveles de gris disponibles
expandir o estirar el histograma es cambiar los valores originales de ND para utilizar mayor rango
asiacute incrementar el contraste visual de diferentes objetos
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
ejemplos visuales
sin realce lineal
frecuencial gamma
MEacuteTODOS DE EXPANSIOacuteN DEL CONTRASTE
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
lineal
expansioacuten lineal
lo maacutes simple transformacioacuten en liacutenea llevando el valor miacutenimo a 0 y maacuteximo a 255 o se usa un rango por encima y por debajo de miacutenimo y maacuteximo
EXPANSIOacuteN I
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
lineal
EXPANSIOacuteN I expansioacuten
logariacutetmico exponencial
gamma
curvas de transferencia en lugar de rectas gamma es la curvatura de dicha curva se expanden maacutes el contraste de los extremos o del centro
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
frecuencial
EXPANSIOacuteN II
frecuencial ecualizacioacuten del
histograma
cuando los valores de ND no estaacuten distribuidos uniformemente intentar en la medida de lo posible que los valores de salida de los ND tengan el mismo de pixeles con dicho valor
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CONTRASTE EN UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
compresioacuten del contraste
Ya sabemos que el contraste mide el rango dinaacutemico de los colores en la imagen es decir una imagen muy contrastada tiene un amplio abanico de colores (o tonos de gris) desde valores muy bajos a valores muy altos Para una imagen con poco contraste los colores estaacuten muy juntos el margen dinaacutemico es pequentildeo La variacioacuten en el contraste aparece como una compresioacuten del histograma en caso de una reduccioacuten a la inversa de lo visto en el caso de una expansioacuten
Compresioacuten si el rango excede de las capacidades del sistema
Se ha de comparar el nuacutemero de niveles digitales (ND) de la imagen con los niveles de visualizacioacuten (NV) o grises del sistema Es de menos aplicacioacuten Al igual que el brillo variando el contraste se puede provocar una peacuterdida de informacioacuten de la imagen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
MAYOR APLICABILIDAD DEL REALCE
ENTENDIENDO LAS IMAacuteGENES
realce oacuteptimo
realce frecuencial
realce lineal
laquo r e a l c e oacute p t i m o raquo optimiza interpretacioacuten de la imagen
mejor esteacutetica de la imagen NO COINCIDE CON NINGUacuteN CORTE PREDETERMINADO
Y SE LOGRA INTERACTIVAMENTE EN PANTALLA Y PARA CADA BANDA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
COMPOSICIONES COLOR
ENTENDIENDO LAS IMAacuteGENES
formatos de composiciones
CON LA CRECIENTE APARICIOacuteN DE LOS SENSORES HIPERESPECTRALES LAS POSIBILIDADES DE COMPOSICIONES
COLOREADAS DE BANDAS SON CASI ILIMITADAS
LA ELECCIOacuteN DE LAS BANDAS PARA REALIZAR LA COMPOSICIOacuteN Y EL ORDEN DE LAS BANDAS ASIGANADAS A LOS COLORES
PRIMARIOS DEPENDERAacute DE
Sensor Aplicacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EL SEUDO - COLOR
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm formatos de
composiciones
Ya hemos afirmado de que el ojo humano es maacutes capaz de distinguir tonos de color que intensidades de brillo
Por ello el empleo del color ayuda a la interpretacioacuten incluso cuando podamos tener una sola imagen de una banda
Es aquiacute que hablamos del SEUDO COLOR por no contar con tres bandas
El seudo color implica la creacioacuten de una CLUT que asocie el ND de una sola banda a distintos componentes del R V y A APLICACIONES 1 Para tener una leyenda de colores para una img clasificada 2 Para realzar el anaacutelisis de una determinada banda y sustituir los tonos de gris por una paleta de colores
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CLUT COLOUR LOOK-UP TABLE TABLA DE CONSULTA DE COLOR
ENTENDIENDO LAS IMAacuteGENES
httpsenwikipediaorgwikiColour_look-up_table
creacioacuten del seudo color
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Filtros espaciales Concepto de kernel Filtros paso bajo y paso alto Filtros direccionales Anomaliacuteas y correccioacuten atmosfeacuterica Correcciones radiomeacutetricas Anomaliacuteas radiomeacutetricas Fallos en el sensorCorreccioacuten atmosfeacuterica concepto Meacutetodo valores miacutenimos Regresioacuten entre bandas Dispersioacuten por aerosolesCalibracioacuten Caso misioacuten Landsat
47 Interpretacioacuten de Imaacutegenes
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de que es un filtro
espacial
FUNCIONES PARA MEJORAR ASPECTO DE LAS IMAacuteGENES
REALZAN O DISMINUYEN ELEMENTOS VISUALES DE LA IMG
BASADOS EN LA FRECUENCIA ESPACIAL
FRECUENCIAS ESPACIALES ALTAS Variaciones que se producen en pocos piacutexeles TENDENCIA GENERAL FRECUENCIAS ESPACIALES BAJAS
Variaciones que se producen en muchos piacutexeles CONTRASTES LOCALES
FILTROS Figura - CCRS CCT
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de kernel
FILTRADO ESPACIAL Figura - CCRS CCT FILTRADO EN EL DOMINIO
ESPACIAL Lo mas comuacuten es la aplicacioacuten de una ventana deslizante con valores que son coeficientes fijos de una matriz La MATRIZ se suele llamar KERNEL o nuacutecleo del filtro
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DIGITAL
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
3 x 3 5 x 5 7 x 7
1 1 1
1 2 1
1 1 1 matrices
LOS VALORES DEL KERNEL SE MULTIPLICAN POR EL PIacuteXEL QUE TIENEN DEBAJO Y LUEGO SE SUMAN TODOS LOS PRODUCTOS
Y PARA OBTENER EL VALOR DEL PIacuteXEL CENTRAL EN LA IMAGEN TRANSFORMADA SE LO DIVIDE POR LA SUMA DE LOS PONDERADOS O PESOS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO - PASO BAJO PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
26
FILTROS DE PASO BAJO SE FAVORECEN A LOS PIXELES
PERIFEacuteRICOS SE MINIMIZAN LAS DIFERENCIAS CON LOS VECINOS ES UNA ESPECIE DE SUAVIZADO
FILTRO DE PASO ALTO PONDERACIOacuteN DEL VALOR CENTRAL EN DETRIMENTO DE LOS CIRCUNDANTES
SE EXAGERAN DIFERENCIAS Y SE RESALTAN VARIACIONES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO BAJO
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm
simulacioacuten
IMAGEN ORIGINAL
FILTRO PASO BAJO 3x3 SE TRATA DE ASEMEJAR LOS VALORES DE ND DE UN PIXEL A LOS VALORES VECINOS EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA OFRECE PERFILES MENOS NIacuteTIDOS
FILTRO PASO BAJO 7x7 SIRVE PARA REDUCIR VARIABILIDAD ESPACIAL DE ALGUNA CATEGORIacuteA ANTES DE UN PROCESO DE CLASIFICACIOacuteN
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
IMAGEN ORIGINAL
FILTRO PASO ALTO 3x3 SE TRATA DE AISLAR LOS COMPONENTES DE ALTA FRECUENCIA Y REMARCAR DIGITALMENTE CONTRASTES EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA REFUERZA LOS CONTORNOS EN AacuteREAS HOMOGEacuteNEAS
FILTRO PASO ALTO 7x7 SIRVE PARA LOGRAR REALCES DE RASGOS LINEALES COMO PUEDEN SER EN AacuteREAS URBANAS O RASGOS GEOLOacuteGICOS
simulacioacuten
httpgeograuahesrtm
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
Figura - Landsat USGS
IMAGEN ORIGINAL
FILTRO DIRECCIONAL PERMITEN IDENTIFICAR LOS RASGOS FRONTERIZOS EN LAS IMAacuteGENES COMO LOS FILTROS ANTERIORES PERO AHORA CONSIDERANDO LA ORIENTACIOacuteN
se tiene en cuenta la
orientacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
matrices con direccioacuten
NORTE
1 1 1
1 -2 1
-1 -1 -1
SUR
-1 -1 -1
1 -2 1
1 1 1
ESTE
-1 1 1
-1 -2 1
-1 1 1
OESTE
1 1 -1
1 -2 -1
1 1 -1
SURESTE
-1 -1 1
-1 -2 1
1 1 1
NOROESTE
1 1 1
1 -2 -1
1 -1 -1
SUROESTE
1 -1 -1
1 -2 -1
1 1 1
NORESTE
1 1 1
-1 -2 1
-1 -1 1
OBSERVACIOacuteN
LOS NOMBRES OBEDECEN A LA DIRECCIOacuteN DEL CONTRASTE QUE SENtildeALAN
LA DIRECCIOacuteN QUE REALZAN ES JUSTAMENTE LA PERPENDICULAR
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
48 Interpretacioacuten de Imaacutegenes
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Correcciones geomeacutetricas Georreferenciacioacuten Uso de puntos de control Fuentes de error Procesamiento geomeacutetrico Correccioacuten Transformacioacuten geomeacutetrica Calidad y ajuste Generacioacuten de la nueva imagen Transferencia de ND
INSTITUTO DE AGRIMENSURA - DEPARTAMENTO DE GEOMAacuteTICA PROF ADJUNTO GRADO 3 EDISON J ROSAS BERTON
El tratamiento de una imagen de sateacutelite Georreferenciacioacuten
(paso de un sistema de filas y columnas a un sistema de coordenadas estandard)
Para ello debe obtenerse una muestra de puntos de control de los que conozcamos tanto sus coordenadas reales como sus coordenadas en
la imagen deben ser por tanto objetos de un tamantildeo adecuado para resultar identificables tanto en la imagen como sobre el terreno el tamantildeo
dependeraacute loacutegicamente de la resolucioacuten de la imagen A partir de estos puntos de control se obtendraacuten por regresioacuten unas ecuaciones que permitiraacuten a cada par filacolumna un par de coordenadas
XY
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
GEORREFERENCIACIOacuteN
ENTENDIENDO LAS IMAacuteGENES
georreferenciacioacuten porqueacute
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PUNTOS DE CONTROL
ENTENDIENDO LAS IMAacuteGENES
uso de puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
DISTORSIONES POR LA PLATAFORMA ALTITUD DE LA OacuteRBITA ndash Cambio de escala
VELOCIDAD ndash Cambios de escala ORIENTACIOacuteN DE LOS TRES EJES ndash Distorsiones en la geometriacutea
NO SISTEMAacuteTICOS Y COMPLEJOS DE MODELAR
DISTORSIONES POR ROTACIOacuteN TERRESTRE
CONSIDERANDO ALTITUD (800 Km) y TAMANtildeO DE LA IMAGEN (180 Km)ndashEn latitudes medias tarda en adquirir unos 30 segundos la Tierra se desplaza unos 8 Km
ORIENTACIOacuteN NE SW
DISTORSIONES POR EL SENSOR ANOMALIacuteAS SENSOR y MOVIMIENTO ESPEJO ndash Barrido no lineal o cambio en intervalos
AacuteNGULO DE BARRIDO ndash Variacioacuten en el tamantildeo de pixel
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ERROR EN UNA IMAGEN ESPACIAL
ENTENDIENDO LAS IMAacuteGENES
fuentes de error
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Una correccioacuten geomeacutetrica incluye CUALQUIER CAMBIO EN LA POSICIOacuteN DE LOS PIXELES que
conforman la imagen f (c`) = f1 (c l) f (x y) f (l`) = f2 (c l) f (x y)
COORDENADAS DE IMAGEN CORREGIDA SON FUNCIOacuteN DE COORDENADAS COLUMNA Y LIacuteNEA DE LA
IMAGEN DE ENTRADA O DE LAS COORDENADAS DE MAPA AL QUE SUPERPONDREMOS LA IMAGEN
1 CON OBJETIVO DE REALIZAR UNA TRANSFORMACIOacuteN GEOMEacuteTRICA QUE PERMITA AJUSTARLA A OTRA IMAGEN REFERENCIA NORMALMENTE PARA REALIZAR ESTUDIOS MULTITEMPORALES O MOSAICOS CON EL FIN DE AMPLIAR LOS DATOS E INFORMACIOacuteN DE UNA ZONA
2 ESTO PERMITIRAacute QUE LA NUEVA IMAGEN LA PUEDA INTEGRAR CON INFORMACIOacuteN DE OTRAS FUENTES POR EJEMPLO EN UN AMBIENTE SIG
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
correccioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
asumimos que
NO SE CONOCE EL ORIGEN DE LOS ERRORES
modelamos
ECUACIONES EMPIacuteRICAS
aplicadas a un conjunto de puntos
COORDENADAS CONOCIDAS IMAGEN INPUT e IMAGEN OUTPUT
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
1 ndash SELECCIOacuteN DE REFERENCIAS 2 ndash ECUACIONES DE AJUSTE
3 ndash GENERACIOacuteN DE LA IMAGEN CORREGIDA
ES OBVIO CALIDAD DEL AJUSTE DEPENDERAacute DE PRECISIOacuteN CON QUE SE
LOCALICEN LOS PUNTOS DE CONTROL INEXACTA LOCALIZACIOacuteN
DISTRIBUCIOacuteN MUY SECTORIZADA NUacuteMERO DE PUNTOS DE CONTROL INADECUADO
ESTABLECER LOS PUNTOS DE CONTROL FASE MAS CRUCIAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
procesamiento de la correccioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Resaltamos la importancia de
NUacuteMERO LOCALIZACIOacuteN DISTRIBUCIOacuteN
Que debemos atender Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
que considero UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash Croquis ilustrativos de apoyo
TERRENO O ZONAS PLANAS CON IMG OBTENIDAS POR UN SENSOR DE ESTRECHA VISIOacuteN DE CAMPO
TRANSFORMACIOacuteN
BASADO EN ECUACIONES LINEALES SIMPLES
TERRENO ESCARPADO O RUGOSO O UTILIZACIOacuteN DE IMG OBTENIDAS EN UN SENSOR CON VARIACIONES EN LAS CONDICIONES DE OBSERVACIOacuteN
TRANSFORMACIOacuteN MAacuteS COMPLEJA
POLINOMIOS DE SEGUNDO O TERCER ORDEN
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Desde un punto de vista matemaacutetico
GRADO 1 ndash 3 puntos GRADO 2 ndash 6 puntos GRADO 3 ndash 10 puntos
Seguacuten mis objetivos del trabajo no es conveniente utilizar esos miacutenimos
14 a 20 puntos (Landsat 5 MMS ndash seguacuten Bernstein R y D G Ferneyhough Jr 1978)
100 a 120 puntos (Landsat 7 TM ndash seguacuten el National Remote Sensing Center de Inglaterra)
10 o 12 puntos (Pequentildea zona de 512 x 512 pixeles ndash seguacuten Emilio Chuvieco 2010)
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
matemaacuteticamente UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
QUE DEBEMOS DE CONSIDERAR EN CUANTO A LA LOCALIZACIOacuteN
CLARAMENTE IDENTIFICABLES EN IMAGEN Y MAPA RASGOS HUMANOS DEL PAISAJE NO SUJETOS A DINAMISMO TEMPORAL
CRUCE DE CARRETERAS
CAMINOS VIacuteA FEacuteRREAS
NO CONSIDERAR ELEMENTOS ASOCIADOS AL AGUA
COSTA CURSOS DE AGUA
EMBALSES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
localizacioacuten TCP UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la correccioacuten digital de la geometriacutea de una imagen se realiza a partir de establecer unas funciones que relacionen las coordenadas de la imagen
y las coordenadas del mapa
EJ CASO MAS SIMPLE REGRESIOacuteN LINEAL MUacuteLTIPLE
ci = a0 + a1 Xi + a2 Yi li = b0 + b1 Xi + b2 Yi
EN LA PRAacuteCTICA BASTA UNA FUNCIOacuteN LINEAL PARA ABORDAR UN GRAN NUacuteMERO DE
TRANSFORMACIONES Y SON SUFICIENTES SI LAS IMAacuteGENES NO SON MUY GRANDES ANTE LA NECESIDAD DE OTRAS TRANSFORMACIONES SE UTILIZAN DE 2ordm y 3ordm ORDEN CONSIDERANDO ALTERACIONES GEOMEacuteTRICAS NO LINEALES (FUNCIONES QUE NO SE DEFINEN EN UN PLANO
CON EJES LINEALES SINO QUE SUPERFICIES CON EJES CURVILIacuteNEOS)
LOS COEFICIENTES DE LAS FUNCIONES DE TRANSFORMACIOacuteN SE CALCULAN A PARTIR DE UN AJUSTE POR MIacuteNIMOS CUADRADOS
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
funciones de transformacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash ejemplos de funciones de transformacioacuten geomeacutetrica con el efecto causado
TRASLACIOacuteN
CAMBIO DE ESCALA
INCLINACIOacuteN
PERSPECTIVA
ROTACIOacuteN
x = a0 + xacute y = b0 + yacute
x = xacute + a2 yacute y = yacute
x = a1 xacute y = b1 yacute
x = a3xacute yacute y = yacute
x = a4xacute + a5yacute y = b4xacute + b5yacute a4 = b5 = cos Ɵ a5 = -b4 = sen Ɵ
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
transformacioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
comparacioacuten coordenadas reales y las estimadas por la regresioacuten
el promedio de los residuales se conoce como error medio cuadraacutetico
la calidad del ajuste lo da el RMSE (root mean squared error)
(error medio cuadraacutetico)
RMSE es la raiacutez cuadrada de las desviaciones entre los valores reales y los
calculados
RMSE para cada punto es la raiacutez de los residuales al cuadrado que es la distancia entre ellos
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
RMSE UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la praacutectica hace que fijemos una TOLERANCIA y es que si ese promedio supera un valor fijado previamente haya que rever
el valor fijado previamente generalmente es igual o menor a un PIXEL
una correcta verificacioacuten
NECESITA introducir PUNTOS de VERIFICACIOacuteN
que no hayan sido introducidos en el ajuste
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
tolerancias fijadas
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
traducimos coordenadas de un mapa a la imagen tambieacuten necesitamos a la nueva imagen
TRANSFERIR LOS VALORES DIGITALES no olvidar que lo que queremos es generar una nueva imagen que se
corresponda con las coordenadas y las funciones de ajuste
NO ORIGINAN NUEVA IMAGEN solo colocan a los pixeles en la posicioacuten correcta
en criollo las funciones de transformacioacuten generan una nueva matriz bien posicionada pero vaciacutea
DEBEMOS LLENAR LA MATRIZ problema maacutes complejo de lo que puede
pensarse Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
generacioacuten de la nueva imaacutegen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
cada pixel de la imagen corregida se corresponderiacutea con un pixel de la imagen original
LEJOS DE ESE IDEAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo I
vecino maacutes proacuteximo ( nearest neighbour )
a cada celda de la imagen corregida se asigna el ND del pixel maacutes cercano de la
imagen original
SOLUCIOacuteN RAacutePIDA MENOR DISTORSIOacuteN DE LOS ND
INTRODUCE RASGOS LINEALES QUE DISTORSIONAN
CORRECCIOacuteN DE IMAacuteGENES CLASIFICADAS
CONSERVAR LA RADIOMETRIacuteA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo II
interpolacioacuten bilineal ( bilinear interpolation )
supone promediar los ND de los cuatro pixeles mas cercanos
con ponderacioacuten seguacuten la distancia pixeles originalcorregido
REDUCE EL EFECTO DE DISTORSIOacuteN EN RASGOS LINEALES
TIENDE A DIFUMINAR LOS CONTRASTES ESPACIALES
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE IMAacuteGENES RECTIFICADAS MAPAS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo III
convolusioacuten cuacutebica ( cubic convolution )
supone considerar los ND de los 16 pixeles mas proacuteximos
media ponderada seguacuten la distancia pixeles originalcorregido
EFECTO VISUAL MAS CORRECTO
VOLUacuteMEN DE CAacuteLCULO MUY SUPERIOR TENDENCIA A AGUDIZAR BORDES DE LA IMAGEN
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE ORTOIMAacuteGENES IMPRESIONES DE CALIDAD
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA IDEAL
ENTENDIENDO LAS IMAacuteGENES
elementos a considerar
Como regla general se considera que una imagen tiene un buen contraste si su histograma se extiende ocupando casi todo el rango
de tonos
adaptado de El histograma de una Imagen Digital Universidad Politeacutecnica de Valencia
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA IDEAL
ENTENDIENDO LAS IMAacuteGENES
elementos a considerar
Por ejemplo en una imagen nocturna el histograma estaacute fuertemente desplazado al lado izquierdo (zona de tonos oscuros) y
evidencia que no hay apenas ninguna zona de la imagen muy brillante
adaptado de El histograma de una Imagen Digital Universidad Politeacutecnica de Valencia
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA IDEAL
ENTENDIENDO LAS IMAacuteGENES
elementos a considerar
En este caso el histograma es marcadamente maacutes alto en la zona de grises claros y blancos y apareceraacute corrido a la derecha hacia el
lado de los valores altos de iluminacioacuten
adaptado de El histograma de una Imagen Digital Universidad Politeacutecnica de Valencia
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA IDEAL
ENTENDIENDO LAS IMAacuteGENES
elementos a considerar
Se entiende por contraste la diferencia de brillo entre las zonas maacutes claras y maacutes oscuras en una imagen En este paisaje con niebla es
un ejemplo de bajo contraste Se traduce en un histograma estrecho Ademaacutes como la toacutenica dominante son los grises medios
se observa que estaacute bastante centrado
adaptado de El histograma de una Imagen Digital Universidad Politeacutecnica de Valencia
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
conjunto de datos
Frente a escenas con una iluminacioacuten maacutes normal y con una gran cantidad de elementos detectados los histogramas deberiacutean ser como en el primer caso que
hemos visto
Si no sucede
Histograma desplazado a la izquierda puede denotar falta de exposicioacuten
Histograma desplazado a la derecha puede ser un exceso de exposicioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
46 Interpretacioacuten de Imaacutegenes
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento digital Optimizacioacuten de las imaacutegenes Realces y mejoras visuales Contraste en una imagen Composiciones color El color verdadero el falso color el pseudo color
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
OPTIMIZACIOacuteN DE LAS IMAacuteGENES
ENTENDIENDO LAS IMAacuteGENES
mejorar visualmente las imaacutegenes
MANIPULAR DE FORMA FLEXIBLE Y SOFISTICADA EL ND DE LOS PIXELES
LUEGO DE CORRECCIONES LAS IMAacuteGENES HAY QUE OPTIMIZARLAS DESDE EL PUNTO DE VISTA VISUAL
diferentes tipos
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
REALCES Y MEJORAS VISUALES
ENTENDIENDO LAS IMAacuteGENES
httpamericalatina-nacblogspotcomuy2009_10_01_archivehtml
optimizacioacuten de las imaacutegenes
proceso destinado a facilitar la interpretacioacuten visual
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
ecualizacioacuten del histograma
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
gaussiano
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
lineal 2
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
lineal
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
raiacutez cuadrada
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
lineal 0 - 255
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PORQUEacute EL REALCE
ENTENDIENDO LAS IMAacuteGENES
LOS SENSORES SON CALIBRADOS PARA ABARCAR TODO EL RANGO POSIBLE DE RADIANCIAS
PARA CADA USO EN CONCRETO ES NECESIDAD IMPERIOSA
EXPANDIR EL HISTOGRAMA Y ASIacute CUBRIR EL RANGO COMPLETO DE NIVELES DE GRIS
histograma UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CONTRASTE EN UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
expansioacuten del contraste
los datos uacutetiles solo ocupan pequentildea parte de los niveles de gris disponibles
expandir o estirar el histograma es cambiar los valores originales de ND para utilizar mayor rango
asiacute incrementar el contraste visual de diferentes objetos
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
ejemplos visuales
sin realce lineal
frecuencial gamma
MEacuteTODOS DE EXPANSIOacuteN DEL CONTRASTE
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
lineal
expansioacuten lineal
lo maacutes simple transformacioacuten en liacutenea llevando el valor miacutenimo a 0 y maacuteximo a 255 o se usa un rango por encima y por debajo de miacutenimo y maacuteximo
EXPANSIOacuteN I
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
lineal
EXPANSIOacuteN I expansioacuten
logariacutetmico exponencial
gamma
curvas de transferencia en lugar de rectas gamma es la curvatura de dicha curva se expanden maacutes el contraste de los extremos o del centro
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
frecuencial
EXPANSIOacuteN II
frecuencial ecualizacioacuten del
histograma
cuando los valores de ND no estaacuten distribuidos uniformemente intentar en la medida de lo posible que los valores de salida de los ND tengan el mismo de pixeles con dicho valor
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CONTRASTE EN UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
compresioacuten del contraste
Ya sabemos que el contraste mide el rango dinaacutemico de los colores en la imagen es decir una imagen muy contrastada tiene un amplio abanico de colores (o tonos de gris) desde valores muy bajos a valores muy altos Para una imagen con poco contraste los colores estaacuten muy juntos el margen dinaacutemico es pequentildeo La variacioacuten en el contraste aparece como una compresioacuten del histograma en caso de una reduccioacuten a la inversa de lo visto en el caso de una expansioacuten
Compresioacuten si el rango excede de las capacidades del sistema
Se ha de comparar el nuacutemero de niveles digitales (ND) de la imagen con los niveles de visualizacioacuten (NV) o grises del sistema Es de menos aplicacioacuten Al igual que el brillo variando el contraste se puede provocar una peacuterdida de informacioacuten de la imagen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
MAYOR APLICABILIDAD DEL REALCE
ENTENDIENDO LAS IMAacuteGENES
realce oacuteptimo
realce frecuencial
realce lineal
laquo r e a l c e oacute p t i m o raquo optimiza interpretacioacuten de la imagen
mejor esteacutetica de la imagen NO COINCIDE CON NINGUacuteN CORTE PREDETERMINADO
Y SE LOGRA INTERACTIVAMENTE EN PANTALLA Y PARA CADA BANDA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
COMPOSICIONES COLOR
ENTENDIENDO LAS IMAacuteGENES
formatos de composiciones
CON LA CRECIENTE APARICIOacuteN DE LOS SENSORES HIPERESPECTRALES LAS POSIBILIDADES DE COMPOSICIONES
COLOREADAS DE BANDAS SON CASI ILIMITADAS
LA ELECCIOacuteN DE LAS BANDAS PARA REALIZAR LA COMPOSICIOacuteN Y EL ORDEN DE LAS BANDAS ASIGANADAS A LOS COLORES
PRIMARIOS DEPENDERAacute DE
Sensor Aplicacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EL SEUDO - COLOR
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm formatos de
composiciones
Ya hemos afirmado de que el ojo humano es maacutes capaz de distinguir tonos de color que intensidades de brillo
Por ello el empleo del color ayuda a la interpretacioacuten incluso cuando podamos tener una sola imagen de una banda
Es aquiacute que hablamos del SEUDO COLOR por no contar con tres bandas
El seudo color implica la creacioacuten de una CLUT que asocie el ND de una sola banda a distintos componentes del R V y A APLICACIONES 1 Para tener una leyenda de colores para una img clasificada 2 Para realzar el anaacutelisis de una determinada banda y sustituir los tonos de gris por una paleta de colores
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CLUT COLOUR LOOK-UP TABLE TABLA DE CONSULTA DE COLOR
ENTENDIENDO LAS IMAacuteGENES
httpsenwikipediaorgwikiColour_look-up_table
creacioacuten del seudo color
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Filtros espaciales Concepto de kernel Filtros paso bajo y paso alto Filtros direccionales Anomaliacuteas y correccioacuten atmosfeacuterica Correcciones radiomeacutetricas Anomaliacuteas radiomeacutetricas Fallos en el sensorCorreccioacuten atmosfeacuterica concepto Meacutetodo valores miacutenimos Regresioacuten entre bandas Dispersioacuten por aerosolesCalibracioacuten Caso misioacuten Landsat
47 Interpretacioacuten de Imaacutegenes
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de que es un filtro
espacial
FUNCIONES PARA MEJORAR ASPECTO DE LAS IMAacuteGENES
REALZAN O DISMINUYEN ELEMENTOS VISUALES DE LA IMG
BASADOS EN LA FRECUENCIA ESPACIAL
FRECUENCIAS ESPACIALES ALTAS Variaciones que se producen en pocos piacutexeles TENDENCIA GENERAL FRECUENCIAS ESPACIALES BAJAS
Variaciones que se producen en muchos piacutexeles CONTRASTES LOCALES
FILTROS Figura - CCRS CCT
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de kernel
FILTRADO ESPACIAL Figura - CCRS CCT FILTRADO EN EL DOMINIO
ESPACIAL Lo mas comuacuten es la aplicacioacuten de una ventana deslizante con valores que son coeficientes fijos de una matriz La MATRIZ se suele llamar KERNEL o nuacutecleo del filtro
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DIGITAL
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
3 x 3 5 x 5 7 x 7
1 1 1
1 2 1
1 1 1 matrices
LOS VALORES DEL KERNEL SE MULTIPLICAN POR EL PIacuteXEL QUE TIENEN DEBAJO Y LUEGO SE SUMAN TODOS LOS PRODUCTOS
Y PARA OBTENER EL VALOR DEL PIacuteXEL CENTRAL EN LA IMAGEN TRANSFORMADA SE LO DIVIDE POR LA SUMA DE LOS PONDERADOS O PESOS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO - PASO BAJO PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
26
FILTROS DE PASO BAJO SE FAVORECEN A LOS PIXELES
PERIFEacuteRICOS SE MINIMIZAN LAS DIFERENCIAS CON LOS VECINOS ES UNA ESPECIE DE SUAVIZADO
FILTRO DE PASO ALTO PONDERACIOacuteN DEL VALOR CENTRAL EN DETRIMENTO DE LOS CIRCUNDANTES
SE EXAGERAN DIFERENCIAS Y SE RESALTAN VARIACIONES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO BAJO
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm
simulacioacuten
IMAGEN ORIGINAL
FILTRO PASO BAJO 3x3 SE TRATA DE ASEMEJAR LOS VALORES DE ND DE UN PIXEL A LOS VALORES VECINOS EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA OFRECE PERFILES MENOS NIacuteTIDOS
FILTRO PASO BAJO 7x7 SIRVE PARA REDUCIR VARIABILIDAD ESPACIAL DE ALGUNA CATEGORIacuteA ANTES DE UN PROCESO DE CLASIFICACIOacuteN
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
IMAGEN ORIGINAL
FILTRO PASO ALTO 3x3 SE TRATA DE AISLAR LOS COMPONENTES DE ALTA FRECUENCIA Y REMARCAR DIGITALMENTE CONTRASTES EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA REFUERZA LOS CONTORNOS EN AacuteREAS HOMOGEacuteNEAS
FILTRO PASO ALTO 7x7 SIRVE PARA LOGRAR REALCES DE RASGOS LINEALES COMO PUEDEN SER EN AacuteREAS URBANAS O RASGOS GEOLOacuteGICOS
simulacioacuten
httpgeograuahesrtm
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
Figura - Landsat USGS
IMAGEN ORIGINAL
FILTRO DIRECCIONAL PERMITEN IDENTIFICAR LOS RASGOS FRONTERIZOS EN LAS IMAacuteGENES COMO LOS FILTROS ANTERIORES PERO AHORA CONSIDERANDO LA ORIENTACIOacuteN
se tiene en cuenta la
orientacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
matrices con direccioacuten
NORTE
1 1 1
1 -2 1
-1 -1 -1
SUR
-1 -1 -1
1 -2 1
1 1 1
ESTE
-1 1 1
-1 -2 1
-1 1 1
OESTE
1 1 -1
1 -2 -1
1 1 -1
SURESTE
-1 -1 1
-1 -2 1
1 1 1
NOROESTE
1 1 1
1 -2 -1
1 -1 -1
SUROESTE
1 -1 -1
1 -2 -1
1 1 1
NORESTE
1 1 1
-1 -2 1
-1 -1 1
OBSERVACIOacuteN
LOS NOMBRES OBEDECEN A LA DIRECCIOacuteN DEL CONTRASTE QUE SENtildeALAN
LA DIRECCIOacuteN QUE REALZAN ES JUSTAMENTE LA PERPENDICULAR
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
48 Interpretacioacuten de Imaacutegenes
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Correcciones geomeacutetricas Georreferenciacioacuten Uso de puntos de control Fuentes de error Procesamiento geomeacutetrico Correccioacuten Transformacioacuten geomeacutetrica Calidad y ajuste Generacioacuten de la nueva imagen Transferencia de ND
INSTITUTO DE AGRIMENSURA - DEPARTAMENTO DE GEOMAacuteTICA PROF ADJUNTO GRADO 3 EDISON J ROSAS BERTON
El tratamiento de una imagen de sateacutelite Georreferenciacioacuten
(paso de un sistema de filas y columnas a un sistema de coordenadas estandard)
Para ello debe obtenerse una muestra de puntos de control de los que conozcamos tanto sus coordenadas reales como sus coordenadas en
la imagen deben ser por tanto objetos de un tamantildeo adecuado para resultar identificables tanto en la imagen como sobre el terreno el tamantildeo
dependeraacute loacutegicamente de la resolucioacuten de la imagen A partir de estos puntos de control se obtendraacuten por regresioacuten unas ecuaciones que permitiraacuten a cada par filacolumna un par de coordenadas
XY
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
GEORREFERENCIACIOacuteN
ENTENDIENDO LAS IMAacuteGENES
georreferenciacioacuten porqueacute
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PUNTOS DE CONTROL
ENTENDIENDO LAS IMAacuteGENES
uso de puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
DISTORSIONES POR LA PLATAFORMA ALTITUD DE LA OacuteRBITA ndash Cambio de escala
VELOCIDAD ndash Cambios de escala ORIENTACIOacuteN DE LOS TRES EJES ndash Distorsiones en la geometriacutea
NO SISTEMAacuteTICOS Y COMPLEJOS DE MODELAR
DISTORSIONES POR ROTACIOacuteN TERRESTRE
CONSIDERANDO ALTITUD (800 Km) y TAMANtildeO DE LA IMAGEN (180 Km)ndashEn latitudes medias tarda en adquirir unos 30 segundos la Tierra se desplaza unos 8 Km
ORIENTACIOacuteN NE SW
DISTORSIONES POR EL SENSOR ANOMALIacuteAS SENSOR y MOVIMIENTO ESPEJO ndash Barrido no lineal o cambio en intervalos
AacuteNGULO DE BARRIDO ndash Variacioacuten en el tamantildeo de pixel
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ERROR EN UNA IMAGEN ESPACIAL
ENTENDIENDO LAS IMAacuteGENES
fuentes de error
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Una correccioacuten geomeacutetrica incluye CUALQUIER CAMBIO EN LA POSICIOacuteN DE LOS PIXELES que
conforman la imagen f (c`) = f1 (c l) f (x y) f (l`) = f2 (c l) f (x y)
COORDENADAS DE IMAGEN CORREGIDA SON FUNCIOacuteN DE COORDENADAS COLUMNA Y LIacuteNEA DE LA
IMAGEN DE ENTRADA O DE LAS COORDENADAS DE MAPA AL QUE SUPERPONDREMOS LA IMAGEN
1 CON OBJETIVO DE REALIZAR UNA TRANSFORMACIOacuteN GEOMEacuteTRICA QUE PERMITA AJUSTARLA A OTRA IMAGEN REFERENCIA NORMALMENTE PARA REALIZAR ESTUDIOS MULTITEMPORALES O MOSAICOS CON EL FIN DE AMPLIAR LOS DATOS E INFORMACIOacuteN DE UNA ZONA
2 ESTO PERMITIRAacute QUE LA NUEVA IMAGEN LA PUEDA INTEGRAR CON INFORMACIOacuteN DE OTRAS FUENTES POR EJEMPLO EN UN AMBIENTE SIG
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
correccioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
asumimos que
NO SE CONOCE EL ORIGEN DE LOS ERRORES
modelamos
ECUACIONES EMPIacuteRICAS
aplicadas a un conjunto de puntos
COORDENADAS CONOCIDAS IMAGEN INPUT e IMAGEN OUTPUT
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
1 ndash SELECCIOacuteN DE REFERENCIAS 2 ndash ECUACIONES DE AJUSTE
3 ndash GENERACIOacuteN DE LA IMAGEN CORREGIDA
ES OBVIO CALIDAD DEL AJUSTE DEPENDERAacute DE PRECISIOacuteN CON QUE SE
LOCALICEN LOS PUNTOS DE CONTROL INEXACTA LOCALIZACIOacuteN
DISTRIBUCIOacuteN MUY SECTORIZADA NUacuteMERO DE PUNTOS DE CONTROL INADECUADO
ESTABLECER LOS PUNTOS DE CONTROL FASE MAS CRUCIAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
procesamiento de la correccioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Resaltamos la importancia de
NUacuteMERO LOCALIZACIOacuteN DISTRIBUCIOacuteN
Que debemos atender Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
que considero UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash Croquis ilustrativos de apoyo
TERRENO O ZONAS PLANAS CON IMG OBTENIDAS POR UN SENSOR DE ESTRECHA VISIOacuteN DE CAMPO
TRANSFORMACIOacuteN
BASADO EN ECUACIONES LINEALES SIMPLES
TERRENO ESCARPADO O RUGOSO O UTILIZACIOacuteN DE IMG OBTENIDAS EN UN SENSOR CON VARIACIONES EN LAS CONDICIONES DE OBSERVACIOacuteN
TRANSFORMACIOacuteN MAacuteS COMPLEJA
POLINOMIOS DE SEGUNDO O TERCER ORDEN
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Desde un punto de vista matemaacutetico
GRADO 1 ndash 3 puntos GRADO 2 ndash 6 puntos GRADO 3 ndash 10 puntos
Seguacuten mis objetivos del trabajo no es conveniente utilizar esos miacutenimos
14 a 20 puntos (Landsat 5 MMS ndash seguacuten Bernstein R y D G Ferneyhough Jr 1978)
100 a 120 puntos (Landsat 7 TM ndash seguacuten el National Remote Sensing Center de Inglaterra)
10 o 12 puntos (Pequentildea zona de 512 x 512 pixeles ndash seguacuten Emilio Chuvieco 2010)
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
matemaacuteticamente UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
QUE DEBEMOS DE CONSIDERAR EN CUANTO A LA LOCALIZACIOacuteN
CLARAMENTE IDENTIFICABLES EN IMAGEN Y MAPA RASGOS HUMANOS DEL PAISAJE NO SUJETOS A DINAMISMO TEMPORAL
CRUCE DE CARRETERAS
CAMINOS VIacuteA FEacuteRREAS
NO CONSIDERAR ELEMENTOS ASOCIADOS AL AGUA
COSTA CURSOS DE AGUA
EMBALSES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
localizacioacuten TCP UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la correccioacuten digital de la geometriacutea de una imagen se realiza a partir de establecer unas funciones que relacionen las coordenadas de la imagen
y las coordenadas del mapa
EJ CASO MAS SIMPLE REGRESIOacuteN LINEAL MUacuteLTIPLE
ci = a0 + a1 Xi + a2 Yi li = b0 + b1 Xi + b2 Yi
EN LA PRAacuteCTICA BASTA UNA FUNCIOacuteN LINEAL PARA ABORDAR UN GRAN NUacuteMERO DE
TRANSFORMACIONES Y SON SUFICIENTES SI LAS IMAacuteGENES NO SON MUY GRANDES ANTE LA NECESIDAD DE OTRAS TRANSFORMACIONES SE UTILIZAN DE 2ordm y 3ordm ORDEN CONSIDERANDO ALTERACIONES GEOMEacuteTRICAS NO LINEALES (FUNCIONES QUE NO SE DEFINEN EN UN PLANO
CON EJES LINEALES SINO QUE SUPERFICIES CON EJES CURVILIacuteNEOS)
LOS COEFICIENTES DE LAS FUNCIONES DE TRANSFORMACIOacuteN SE CALCULAN A PARTIR DE UN AJUSTE POR MIacuteNIMOS CUADRADOS
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
funciones de transformacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash ejemplos de funciones de transformacioacuten geomeacutetrica con el efecto causado
TRASLACIOacuteN
CAMBIO DE ESCALA
INCLINACIOacuteN
PERSPECTIVA
ROTACIOacuteN
x = a0 + xacute y = b0 + yacute
x = xacute + a2 yacute y = yacute
x = a1 xacute y = b1 yacute
x = a3xacute yacute y = yacute
x = a4xacute + a5yacute y = b4xacute + b5yacute a4 = b5 = cos Ɵ a5 = -b4 = sen Ɵ
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
transformacioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
comparacioacuten coordenadas reales y las estimadas por la regresioacuten
el promedio de los residuales se conoce como error medio cuadraacutetico
la calidad del ajuste lo da el RMSE (root mean squared error)
(error medio cuadraacutetico)
RMSE es la raiacutez cuadrada de las desviaciones entre los valores reales y los
calculados
RMSE para cada punto es la raiacutez de los residuales al cuadrado que es la distancia entre ellos
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
RMSE UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la praacutectica hace que fijemos una TOLERANCIA y es que si ese promedio supera un valor fijado previamente haya que rever
el valor fijado previamente generalmente es igual o menor a un PIXEL
una correcta verificacioacuten
NECESITA introducir PUNTOS de VERIFICACIOacuteN
que no hayan sido introducidos en el ajuste
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
tolerancias fijadas
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
traducimos coordenadas de un mapa a la imagen tambieacuten necesitamos a la nueva imagen
TRANSFERIR LOS VALORES DIGITALES no olvidar que lo que queremos es generar una nueva imagen que se
corresponda con las coordenadas y las funciones de ajuste
NO ORIGINAN NUEVA IMAGEN solo colocan a los pixeles en la posicioacuten correcta
en criollo las funciones de transformacioacuten generan una nueva matriz bien posicionada pero vaciacutea
DEBEMOS LLENAR LA MATRIZ problema maacutes complejo de lo que puede
pensarse Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
generacioacuten de la nueva imaacutegen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
cada pixel de la imagen corregida se corresponderiacutea con un pixel de la imagen original
LEJOS DE ESE IDEAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo I
vecino maacutes proacuteximo ( nearest neighbour )
a cada celda de la imagen corregida se asigna el ND del pixel maacutes cercano de la
imagen original
SOLUCIOacuteN RAacutePIDA MENOR DISTORSIOacuteN DE LOS ND
INTRODUCE RASGOS LINEALES QUE DISTORSIONAN
CORRECCIOacuteN DE IMAacuteGENES CLASIFICADAS
CONSERVAR LA RADIOMETRIacuteA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo II
interpolacioacuten bilineal ( bilinear interpolation )
supone promediar los ND de los cuatro pixeles mas cercanos
con ponderacioacuten seguacuten la distancia pixeles originalcorregido
REDUCE EL EFECTO DE DISTORSIOacuteN EN RASGOS LINEALES
TIENDE A DIFUMINAR LOS CONTRASTES ESPACIALES
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE IMAacuteGENES RECTIFICADAS MAPAS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo III
convolusioacuten cuacutebica ( cubic convolution )
supone considerar los ND de los 16 pixeles mas proacuteximos
media ponderada seguacuten la distancia pixeles originalcorregido
EFECTO VISUAL MAS CORRECTO
VOLUacuteMEN DE CAacuteLCULO MUY SUPERIOR TENDENCIA A AGUDIZAR BORDES DE LA IMAGEN
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE ORTOIMAacuteGENES IMPRESIONES DE CALIDAD
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA IDEAL
ENTENDIENDO LAS IMAacuteGENES
elementos a considerar
Por ejemplo en una imagen nocturna el histograma estaacute fuertemente desplazado al lado izquierdo (zona de tonos oscuros) y
evidencia que no hay apenas ninguna zona de la imagen muy brillante
adaptado de El histograma de una Imagen Digital Universidad Politeacutecnica de Valencia
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA IDEAL
ENTENDIENDO LAS IMAacuteGENES
elementos a considerar
En este caso el histograma es marcadamente maacutes alto en la zona de grises claros y blancos y apareceraacute corrido a la derecha hacia el
lado de los valores altos de iluminacioacuten
adaptado de El histograma de una Imagen Digital Universidad Politeacutecnica de Valencia
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA IDEAL
ENTENDIENDO LAS IMAacuteGENES
elementos a considerar
Se entiende por contraste la diferencia de brillo entre las zonas maacutes claras y maacutes oscuras en una imagen En este paisaje con niebla es
un ejemplo de bajo contraste Se traduce en un histograma estrecho Ademaacutes como la toacutenica dominante son los grises medios
se observa que estaacute bastante centrado
adaptado de El histograma de una Imagen Digital Universidad Politeacutecnica de Valencia
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
conjunto de datos
Frente a escenas con una iluminacioacuten maacutes normal y con una gran cantidad de elementos detectados los histogramas deberiacutean ser como en el primer caso que
hemos visto
Si no sucede
Histograma desplazado a la izquierda puede denotar falta de exposicioacuten
Histograma desplazado a la derecha puede ser un exceso de exposicioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
46 Interpretacioacuten de Imaacutegenes
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento digital Optimizacioacuten de las imaacutegenes Realces y mejoras visuales Contraste en una imagen Composiciones color El color verdadero el falso color el pseudo color
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
OPTIMIZACIOacuteN DE LAS IMAacuteGENES
ENTENDIENDO LAS IMAacuteGENES
mejorar visualmente las imaacutegenes
MANIPULAR DE FORMA FLEXIBLE Y SOFISTICADA EL ND DE LOS PIXELES
LUEGO DE CORRECCIONES LAS IMAacuteGENES HAY QUE OPTIMIZARLAS DESDE EL PUNTO DE VISTA VISUAL
diferentes tipos
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
REALCES Y MEJORAS VISUALES
ENTENDIENDO LAS IMAacuteGENES
httpamericalatina-nacblogspotcomuy2009_10_01_archivehtml
optimizacioacuten de las imaacutegenes
proceso destinado a facilitar la interpretacioacuten visual
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
ecualizacioacuten del histograma
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
gaussiano
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
lineal 2
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
lineal
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
raiacutez cuadrada
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
lineal 0 - 255
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PORQUEacute EL REALCE
ENTENDIENDO LAS IMAacuteGENES
LOS SENSORES SON CALIBRADOS PARA ABARCAR TODO EL RANGO POSIBLE DE RADIANCIAS
PARA CADA USO EN CONCRETO ES NECESIDAD IMPERIOSA
EXPANDIR EL HISTOGRAMA Y ASIacute CUBRIR EL RANGO COMPLETO DE NIVELES DE GRIS
histograma UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CONTRASTE EN UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
expansioacuten del contraste
los datos uacutetiles solo ocupan pequentildea parte de los niveles de gris disponibles
expandir o estirar el histograma es cambiar los valores originales de ND para utilizar mayor rango
asiacute incrementar el contraste visual de diferentes objetos
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
ejemplos visuales
sin realce lineal
frecuencial gamma
MEacuteTODOS DE EXPANSIOacuteN DEL CONTRASTE
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
lineal
expansioacuten lineal
lo maacutes simple transformacioacuten en liacutenea llevando el valor miacutenimo a 0 y maacuteximo a 255 o se usa un rango por encima y por debajo de miacutenimo y maacuteximo
EXPANSIOacuteN I
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
lineal
EXPANSIOacuteN I expansioacuten
logariacutetmico exponencial
gamma
curvas de transferencia en lugar de rectas gamma es la curvatura de dicha curva se expanden maacutes el contraste de los extremos o del centro
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
frecuencial
EXPANSIOacuteN II
frecuencial ecualizacioacuten del
histograma
cuando los valores de ND no estaacuten distribuidos uniformemente intentar en la medida de lo posible que los valores de salida de los ND tengan el mismo de pixeles con dicho valor
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CONTRASTE EN UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
compresioacuten del contraste
Ya sabemos que el contraste mide el rango dinaacutemico de los colores en la imagen es decir una imagen muy contrastada tiene un amplio abanico de colores (o tonos de gris) desde valores muy bajos a valores muy altos Para una imagen con poco contraste los colores estaacuten muy juntos el margen dinaacutemico es pequentildeo La variacioacuten en el contraste aparece como una compresioacuten del histograma en caso de una reduccioacuten a la inversa de lo visto en el caso de una expansioacuten
Compresioacuten si el rango excede de las capacidades del sistema
Se ha de comparar el nuacutemero de niveles digitales (ND) de la imagen con los niveles de visualizacioacuten (NV) o grises del sistema Es de menos aplicacioacuten Al igual que el brillo variando el contraste se puede provocar una peacuterdida de informacioacuten de la imagen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
MAYOR APLICABILIDAD DEL REALCE
ENTENDIENDO LAS IMAacuteGENES
realce oacuteptimo
realce frecuencial
realce lineal
laquo r e a l c e oacute p t i m o raquo optimiza interpretacioacuten de la imagen
mejor esteacutetica de la imagen NO COINCIDE CON NINGUacuteN CORTE PREDETERMINADO
Y SE LOGRA INTERACTIVAMENTE EN PANTALLA Y PARA CADA BANDA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
COMPOSICIONES COLOR
ENTENDIENDO LAS IMAacuteGENES
formatos de composiciones
CON LA CRECIENTE APARICIOacuteN DE LOS SENSORES HIPERESPECTRALES LAS POSIBILIDADES DE COMPOSICIONES
COLOREADAS DE BANDAS SON CASI ILIMITADAS
LA ELECCIOacuteN DE LAS BANDAS PARA REALIZAR LA COMPOSICIOacuteN Y EL ORDEN DE LAS BANDAS ASIGANADAS A LOS COLORES
PRIMARIOS DEPENDERAacute DE
Sensor Aplicacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EL SEUDO - COLOR
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm formatos de
composiciones
Ya hemos afirmado de que el ojo humano es maacutes capaz de distinguir tonos de color que intensidades de brillo
Por ello el empleo del color ayuda a la interpretacioacuten incluso cuando podamos tener una sola imagen de una banda
Es aquiacute que hablamos del SEUDO COLOR por no contar con tres bandas
El seudo color implica la creacioacuten de una CLUT que asocie el ND de una sola banda a distintos componentes del R V y A APLICACIONES 1 Para tener una leyenda de colores para una img clasificada 2 Para realzar el anaacutelisis de una determinada banda y sustituir los tonos de gris por una paleta de colores
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CLUT COLOUR LOOK-UP TABLE TABLA DE CONSULTA DE COLOR
ENTENDIENDO LAS IMAacuteGENES
httpsenwikipediaorgwikiColour_look-up_table
creacioacuten del seudo color
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Filtros espaciales Concepto de kernel Filtros paso bajo y paso alto Filtros direccionales Anomaliacuteas y correccioacuten atmosfeacuterica Correcciones radiomeacutetricas Anomaliacuteas radiomeacutetricas Fallos en el sensorCorreccioacuten atmosfeacuterica concepto Meacutetodo valores miacutenimos Regresioacuten entre bandas Dispersioacuten por aerosolesCalibracioacuten Caso misioacuten Landsat
47 Interpretacioacuten de Imaacutegenes
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de que es un filtro
espacial
FUNCIONES PARA MEJORAR ASPECTO DE LAS IMAacuteGENES
REALZAN O DISMINUYEN ELEMENTOS VISUALES DE LA IMG
BASADOS EN LA FRECUENCIA ESPACIAL
FRECUENCIAS ESPACIALES ALTAS Variaciones que se producen en pocos piacutexeles TENDENCIA GENERAL FRECUENCIAS ESPACIALES BAJAS
Variaciones que se producen en muchos piacutexeles CONTRASTES LOCALES
FILTROS Figura - CCRS CCT
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de kernel
FILTRADO ESPACIAL Figura - CCRS CCT FILTRADO EN EL DOMINIO
ESPACIAL Lo mas comuacuten es la aplicacioacuten de una ventana deslizante con valores que son coeficientes fijos de una matriz La MATRIZ se suele llamar KERNEL o nuacutecleo del filtro
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DIGITAL
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
3 x 3 5 x 5 7 x 7
1 1 1
1 2 1
1 1 1 matrices
LOS VALORES DEL KERNEL SE MULTIPLICAN POR EL PIacuteXEL QUE TIENEN DEBAJO Y LUEGO SE SUMAN TODOS LOS PRODUCTOS
Y PARA OBTENER EL VALOR DEL PIacuteXEL CENTRAL EN LA IMAGEN TRANSFORMADA SE LO DIVIDE POR LA SUMA DE LOS PONDERADOS O PESOS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO - PASO BAJO PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
26
FILTROS DE PASO BAJO SE FAVORECEN A LOS PIXELES
PERIFEacuteRICOS SE MINIMIZAN LAS DIFERENCIAS CON LOS VECINOS ES UNA ESPECIE DE SUAVIZADO
FILTRO DE PASO ALTO PONDERACIOacuteN DEL VALOR CENTRAL EN DETRIMENTO DE LOS CIRCUNDANTES
SE EXAGERAN DIFERENCIAS Y SE RESALTAN VARIACIONES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO BAJO
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm
simulacioacuten
IMAGEN ORIGINAL
FILTRO PASO BAJO 3x3 SE TRATA DE ASEMEJAR LOS VALORES DE ND DE UN PIXEL A LOS VALORES VECINOS EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA OFRECE PERFILES MENOS NIacuteTIDOS
FILTRO PASO BAJO 7x7 SIRVE PARA REDUCIR VARIABILIDAD ESPACIAL DE ALGUNA CATEGORIacuteA ANTES DE UN PROCESO DE CLASIFICACIOacuteN
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
IMAGEN ORIGINAL
FILTRO PASO ALTO 3x3 SE TRATA DE AISLAR LOS COMPONENTES DE ALTA FRECUENCIA Y REMARCAR DIGITALMENTE CONTRASTES EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA REFUERZA LOS CONTORNOS EN AacuteREAS HOMOGEacuteNEAS
FILTRO PASO ALTO 7x7 SIRVE PARA LOGRAR REALCES DE RASGOS LINEALES COMO PUEDEN SER EN AacuteREAS URBANAS O RASGOS GEOLOacuteGICOS
simulacioacuten
httpgeograuahesrtm
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
Figura - Landsat USGS
IMAGEN ORIGINAL
FILTRO DIRECCIONAL PERMITEN IDENTIFICAR LOS RASGOS FRONTERIZOS EN LAS IMAacuteGENES COMO LOS FILTROS ANTERIORES PERO AHORA CONSIDERANDO LA ORIENTACIOacuteN
se tiene en cuenta la
orientacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
matrices con direccioacuten
NORTE
1 1 1
1 -2 1
-1 -1 -1
SUR
-1 -1 -1
1 -2 1
1 1 1
ESTE
-1 1 1
-1 -2 1
-1 1 1
OESTE
1 1 -1
1 -2 -1
1 1 -1
SURESTE
-1 -1 1
-1 -2 1
1 1 1
NOROESTE
1 1 1
1 -2 -1
1 -1 -1
SUROESTE
1 -1 -1
1 -2 -1
1 1 1
NORESTE
1 1 1
-1 -2 1
-1 -1 1
OBSERVACIOacuteN
LOS NOMBRES OBEDECEN A LA DIRECCIOacuteN DEL CONTRASTE QUE SENtildeALAN
LA DIRECCIOacuteN QUE REALZAN ES JUSTAMENTE LA PERPENDICULAR
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
48 Interpretacioacuten de Imaacutegenes
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Correcciones geomeacutetricas Georreferenciacioacuten Uso de puntos de control Fuentes de error Procesamiento geomeacutetrico Correccioacuten Transformacioacuten geomeacutetrica Calidad y ajuste Generacioacuten de la nueva imagen Transferencia de ND
INSTITUTO DE AGRIMENSURA - DEPARTAMENTO DE GEOMAacuteTICA PROF ADJUNTO GRADO 3 EDISON J ROSAS BERTON
El tratamiento de una imagen de sateacutelite Georreferenciacioacuten
(paso de un sistema de filas y columnas a un sistema de coordenadas estandard)
Para ello debe obtenerse una muestra de puntos de control de los que conozcamos tanto sus coordenadas reales como sus coordenadas en
la imagen deben ser por tanto objetos de un tamantildeo adecuado para resultar identificables tanto en la imagen como sobre el terreno el tamantildeo
dependeraacute loacutegicamente de la resolucioacuten de la imagen A partir de estos puntos de control se obtendraacuten por regresioacuten unas ecuaciones que permitiraacuten a cada par filacolumna un par de coordenadas
XY
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
GEORREFERENCIACIOacuteN
ENTENDIENDO LAS IMAacuteGENES
georreferenciacioacuten porqueacute
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PUNTOS DE CONTROL
ENTENDIENDO LAS IMAacuteGENES
uso de puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
DISTORSIONES POR LA PLATAFORMA ALTITUD DE LA OacuteRBITA ndash Cambio de escala
VELOCIDAD ndash Cambios de escala ORIENTACIOacuteN DE LOS TRES EJES ndash Distorsiones en la geometriacutea
NO SISTEMAacuteTICOS Y COMPLEJOS DE MODELAR
DISTORSIONES POR ROTACIOacuteN TERRESTRE
CONSIDERANDO ALTITUD (800 Km) y TAMANtildeO DE LA IMAGEN (180 Km)ndashEn latitudes medias tarda en adquirir unos 30 segundos la Tierra se desplaza unos 8 Km
ORIENTACIOacuteN NE SW
DISTORSIONES POR EL SENSOR ANOMALIacuteAS SENSOR y MOVIMIENTO ESPEJO ndash Barrido no lineal o cambio en intervalos
AacuteNGULO DE BARRIDO ndash Variacioacuten en el tamantildeo de pixel
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ERROR EN UNA IMAGEN ESPACIAL
ENTENDIENDO LAS IMAacuteGENES
fuentes de error
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Una correccioacuten geomeacutetrica incluye CUALQUIER CAMBIO EN LA POSICIOacuteN DE LOS PIXELES que
conforman la imagen f (c`) = f1 (c l) f (x y) f (l`) = f2 (c l) f (x y)
COORDENADAS DE IMAGEN CORREGIDA SON FUNCIOacuteN DE COORDENADAS COLUMNA Y LIacuteNEA DE LA
IMAGEN DE ENTRADA O DE LAS COORDENADAS DE MAPA AL QUE SUPERPONDREMOS LA IMAGEN
1 CON OBJETIVO DE REALIZAR UNA TRANSFORMACIOacuteN GEOMEacuteTRICA QUE PERMITA AJUSTARLA A OTRA IMAGEN REFERENCIA NORMALMENTE PARA REALIZAR ESTUDIOS MULTITEMPORALES O MOSAICOS CON EL FIN DE AMPLIAR LOS DATOS E INFORMACIOacuteN DE UNA ZONA
2 ESTO PERMITIRAacute QUE LA NUEVA IMAGEN LA PUEDA INTEGRAR CON INFORMACIOacuteN DE OTRAS FUENTES POR EJEMPLO EN UN AMBIENTE SIG
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
correccioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
asumimos que
NO SE CONOCE EL ORIGEN DE LOS ERRORES
modelamos
ECUACIONES EMPIacuteRICAS
aplicadas a un conjunto de puntos
COORDENADAS CONOCIDAS IMAGEN INPUT e IMAGEN OUTPUT
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
1 ndash SELECCIOacuteN DE REFERENCIAS 2 ndash ECUACIONES DE AJUSTE
3 ndash GENERACIOacuteN DE LA IMAGEN CORREGIDA
ES OBVIO CALIDAD DEL AJUSTE DEPENDERAacute DE PRECISIOacuteN CON QUE SE
LOCALICEN LOS PUNTOS DE CONTROL INEXACTA LOCALIZACIOacuteN
DISTRIBUCIOacuteN MUY SECTORIZADA NUacuteMERO DE PUNTOS DE CONTROL INADECUADO
ESTABLECER LOS PUNTOS DE CONTROL FASE MAS CRUCIAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
procesamiento de la correccioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Resaltamos la importancia de
NUacuteMERO LOCALIZACIOacuteN DISTRIBUCIOacuteN
Que debemos atender Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
que considero UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash Croquis ilustrativos de apoyo
TERRENO O ZONAS PLANAS CON IMG OBTENIDAS POR UN SENSOR DE ESTRECHA VISIOacuteN DE CAMPO
TRANSFORMACIOacuteN
BASADO EN ECUACIONES LINEALES SIMPLES
TERRENO ESCARPADO O RUGOSO O UTILIZACIOacuteN DE IMG OBTENIDAS EN UN SENSOR CON VARIACIONES EN LAS CONDICIONES DE OBSERVACIOacuteN
TRANSFORMACIOacuteN MAacuteS COMPLEJA
POLINOMIOS DE SEGUNDO O TERCER ORDEN
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Desde un punto de vista matemaacutetico
GRADO 1 ndash 3 puntos GRADO 2 ndash 6 puntos GRADO 3 ndash 10 puntos
Seguacuten mis objetivos del trabajo no es conveniente utilizar esos miacutenimos
14 a 20 puntos (Landsat 5 MMS ndash seguacuten Bernstein R y D G Ferneyhough Jr 1978)
100 a 120 puntos (Landsat 7 TM ndash seguacuten el National Remote Sensing Center de Inglaterra)
10 o 12 puntos (Pequentildea zona de 512 x 512 pixeles ndash seguacuten Emilio Chuvieco 2010)
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
matemaacuteticamente UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
QUE DEBEMOS DE CONSIDERAR EN CUANTO A LA LOCALIZACIOacuteN
CLARAMENTE IDENTIFICABLES EN IMAGEN Y MAPA RASGOS HUMANOS DEL PAISAJE NO SUJETOS A DINAMISMO TEMPORAL
CRUCE DE CARRETERAS
CAMINOS VIacuteA FEacuteRREAS
NO CONSIDERAR ELEMENTOS ASOCIADOS AL AGUA
COSTA CURSOS DE AGUA
EMBALSES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
localizacioacuten TCP UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la correccioacuten digital de la geometriacutea de una imagen se realiza a partir de establecer unas funciones que relacionen las coordenadas de la imagen
y las coordenadas del mapa
EJ CASO MAS SIMPLE REGRESIOacuteN LINEAL MUacuteLTIPLE
ci = a0 + a1 Xi + a2 Yi li = b0 + b1 Xi + b2 Yi
EN LA PRAacuteCTICA BASTA UNA FUNCIOacuteN LINEAL PARA ABORDAR UN GRAN NUacuteMERO DE
TRANSFORMACIONES Y SON SUFICIENTES SI LAS IMAacuteGENES NO SON MUY GRANDES ANTE LA NECESIDAD DE OTRAS TRANSFORMACIONES SE UTILIZAN DE 2ordm y 3ordm ORDEN CONSIDERANDO ALTERACIONES GEOMEacuteTRICAS NO LINEALES (FUNCIONES QUE NO SE DEFINEN EN UN PLANO
CON EJES LINEALES SINO QUE SUPERFICIES CON EJES CURVILIacuteNEOS)
LOS COEFICIENTES DE LAS FUNCIONES DE TRANSFORMACIOacuteN SE CALCULAN A PARTIR DE UN AJUSTE POR MIacuteNIMOS CUADRADOS
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
funciones de transformacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash ejemplos de funciones de transformacioacuten geomeacutetrica con el efecto causado
TRASLACIOacuteN
CAMBIO DE ESCALA
INCLINACIOacuteN
PERSPECTIVA
ROTACIOacuteN
x = a0 + xacute y = b0 + yacute
x = xacute + a2 yacute y = yacute
x = a1 xacute y = b1 yacute
x = a3xacute yacute y = yacute
x = a4xacute + a5yacute y = b4xacute + b5yacute a4 = b5 = cos Ɵ a5 = -b4 = sen Ɵ
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
transformacioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
comparacioacuten coordenadas reales y las estimadas por la regresioacuten
el promedio de los residuales se conoce como error medio cuadraacutetico
la calidad del ajuste lo da el RMSE (root mean squared error)
(error medio cuadraacutetico)
RMSE es la raiacutez cuadrada de las desviaciones entre los valores reales y los
calculados
RMSE para cada punto es la raiacutez de los residuales al cuadrado que es la distancia entre ellos
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
RMSE UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la praacutectica hace que fijemos una TOLERANCIA y es que si ese promedio supera un valor fijado previamente haya que rever
el valor fijado previamente generalmente es igual o menor a un PIXEL
una correcta verificacioacuten
NECESITA introducir PUNTOS de VERIFICACIOacuteN
que no hayan sido introducidos en el ajuste
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
tolerancias fijadas
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
traducimos coordenadas de un mapa a la imagen tambieacuten necesitamos a la nueva imagen
TRANSFERIR LOS VALORES DIGITALES no olvidar que lo que queremos es generar una nueva imagen que se
corresponda con las coordenadas y las funciones de ajuste
NO ORIGINAN NUEVA IMAGEN solo colocan a los pixeles en la posicioacuten correcta
en criollo las funciones de transformacioacuten generan una nueva matriz bien posicionada pero vaciacutea
DEBEMOS LLENAR LA MATRIZ problema maacutes complejo de lo que puede
pensarse Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
generacioacuten de la nueva imaacutegen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
cada pixel de la imagen corregida se corresponderiacutea con un pixel de la imagen original
LEJOS DE ESE IDEAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo I
vecino maacutes proacuteximo ( nearest neighbour )
a cada celda de la imagen corregida se asigna el ND del pixel maacutes cercano de la
imagen original
SOLUCIOacuteN RAacutePIDA MENOR DISTORSIOacuteN DE LOS ND
INTRODUCE RASGOS LINEALES QUE DISTORSIONAN
CORRECCIOacuteN DE IMAacuteGENES CLASIFICADAS
CONSERVAR LA RADIOMETRIacuteA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo II
interpolacioacuten bilineal ( bilinear interpolation )
supone promediar los ND de los cuatro pixeles mas cercanos
con ponderacioacuten seguacuten la distancia pixeles originalcorregido
REDUCE EL EFECTO DE DISTORSIOacuteN EN RASGOS LINEALES
TIENDE A DIFUMINAR LOS CONTRASTES ESPACIALES
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE IMAacuteGENES RECTIFICADAS MAPAS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo III
convolusioacuten cuacutebica ( cubic convolution )
supone considerar los ND de los 16 pixeles mas proacuteximos
media ponderada seguacuten la distancia pixeles originalcorregido
EFECTO VISUAL MAS CORRECTO
VOLUacuteMEN DE CAacuteLCULO MUY SUPERIOR TENDENCIA A AGUDIZAR BORDES DE LA IMAGEN
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE ORTOIMAacuteGENES IMPRESIONES DE CALIDAD
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA IDEAL
ENTENDIENDO LAS IMAacuteGENES
elementos a considerar
En este caso el histograma es marcadamente maacutes alto en la zona de grises claros y blancos y apareceraacute corrido a la derecha hacia el
lado de los valores altos de iluminacioacuten
adaptado de El histograma de una Imagen Digital Universidad Politeacutecnica de Valencia
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA IDEAL
ENTENDIENDO LAS IMAacuteGENES
elementos a considerar
Se entiende por contraste la diferencia de brillo entre las zonas maacutes claras y maacutes oscuras en una imagen En este paisaje con niebla es
un ejemplo de bajo contraste Se traduce en un histograma estrecho Ademaacutes como la toacutenica dominante son los grises medios
se observa que estaacute bastante centrado
adaptado de El histograma de una Imagen Digital Universidad Politeacutecnica de Valencia
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
conjunto de datos
Frente a escenas con una iluminacioacuten maacutes normal y con una gran cantidad de elementos detectados los histogramas deberiacutean ser como en el primer caso que
hemos visto
Si no sucede
Histograma desplazado a la izquierda puede denotar falta de exposicioacuten
Histograma desplazado a la derecha puede ser un exceso de exposicioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
46 Interpretacioacuten de Imaacutegenes
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento digital Optimizacioacuten de las imaacutegenes Realces y mejoras visuales Contraste en una imagen Composiciones color El color verdadero el falso color el pseudo color
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
OPTIMIZACIOacuteN DE LAS IMAacuteGENES
ENTENDIENDO LAS IMAacuteGENES
mejorar visualmente las imaacutegenes
MANIPULAR DE FORMA FLEXIBLE Y SOFISTICADA EL ND DE LOS PIXELES
LUEGO DE CORRECCIONES LAS IMAacuteGENES HAY QUE OPTIMIZARLAS DESDE EL PUNTO DE VISTA VISUAL
diferentes tipos
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
REALCES Y MEJORAS VISUALES
ENTENDIENDO LAS IMAacuteGENES
httpamericalatina-nacblogspotcomuy2009_10_01_archivehtml
optimizacioacuten de las imaacutegenes
proceso destinado a facilitar la interpretacioacuten visual
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
ecualizacioacuten del histograma
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
gaussiano
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
lineal 2
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
lineal
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
raiacutez cuadrada
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
lineal 0 - 255
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PORQUEacute EL REALCE
ENTENDIENDO LAS IMAacuteGENES
LOS SENSORES SON CALIBRADOS PARA ABARCAR TODO EL RANGO POSIBLE DE RADIANCIAS
PARA CADA USO EN CONCRETO ES NECESIDAD IMPERIOSA
EXPANDIR EL HISTOGRAMA Y ASIacute CUBRIR EL RANGO COMPLETO DE NIVELES DE GRIS
histograma UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CONTRASTE EN UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
expansioacuten del contraste
los datos uacutetiles solo ocupan pequentildea parte de los niveles de gris disponibles
expandir o estirar el histograma es cambiar los valores originales de ND para utilizar mayor rango
asiacute incrementar el contraste visual de diferentes objetos
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
ejemplos visuales
sin realce lineal
frecuencial gamma
MEacuteTODOS DE EXPANSIOacuteN DEL CONTRASTE
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
lineal
expansioacuten lineal
lo maacutes simple transformacioacuten en liacutenea llevando el valor miacutenimo a 0 y maacuteximo a 255 o se usa un rango por encima y por debajo de miacutenimo y maacuteximo
EXPANSIOacuteN I
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
lineal
EXPANSIOacuteN I expansioacuten
logariacutetmico exponencial
gamma
curvas de transferencia en lugar de rectas gamma es la curvatura de dicha curva se expanden maacutes el contraste de los extremos o del centro
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
frecuencial
EXPANSIOacuteN II
frecuencial ecualizacioacuten del
histograma
cuando los valores de ND no estaacuten distribuidos uniformemente intentar en la medida de lo posible que los valores de salida de los ND tengan el mismo de pixeles con dicho valor
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CONTRASTE EN UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
compresioacuten del contraste
Ya sabemos que el contraste mide el rango dinaacutemico de los colores en la imagen es decir una imagen muy contrastada tiene un amplio abanico de colores (o tonos de gris) desde valores muy bajos a valores muy altos Para una imagen con poco contraste los colores estaacuten muy juntos el margen dinaacutemico es pequentildeo La variacioacuten en el contraste aparece como una compresioacuten del histograma en caso de una reduccioacuten a la inversa de lo visto en el caso de una expansioacuten
Compresioacuten si el rango excede de las capacidades del sistema
Se ha de comparar el nuacutemero de niveles digitales (ND) de la imagen con los niveles de visualizacioacuten (NV) o grises del sistema Es de menos aplicacioacuten Al igual que el brillo variando el contraste se puede provocar una peacuterdida de informacioacuten de la imagen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
MAYOR APLICABILIDAD DEL REALCE
ENTENDIENDO LAS IMAacuteGENES
realce oacuteptimo
realce frecuencial
realce lineal
laquo r e a l c e oacute p t i m o raquo optimiza interpretacioacuten de la imagen
mejor esteacutetica de la imagen NO COINCIDE CON NINGUacuteN CORTE PREDETERMINADO
Y SE LOGRA INTERACTIVAMENTE EN PANTALLA Y PARA CADA BANDA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
COMPOSICIONES COLOR
ENTENDIENDO LAS IMAacuteGENES
formatos de composiciones
CON LA CRECIENTE APARICIOacuteN DE LOS SENSORES HIPERESPECTRALES LAS POSIBILIDADES DE COMPOSICIONES
COLOREADAS DE BANDAS SON CASI ILIMITADAS
LA ELECCIOacuteN DE LAS BANDAS PARA REALIZAR LA COMPOSICIOacuteN Y EL ORDEN DE LAS BANDAS ASIGANADAS A LOS COLORES
PRIMARIOS DEPENDERAacute DE
Sensor Aplicacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EL SEUDO - COLOR
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm formatos de
composiciones
Ya hemos afirmado de que el ojo humano es maacutes capaz de distinguir tonos de color que intensidades de brillo
Por ello el empleo del color ayuda a la interpretacioacuten incluso cuando podamos tener una sola imagen de una banda
Es aquiacute que hablamos del SEUDO COLOR por no contar con tres bandas
El seudo color implica la creacioacuten de una CLUT que asocie el ND de una sola banda a distintos componentes del R V y A APLICACIONES 1 Para tener una leyenda de colores para una img clasificada 2 Para realzar el anaacutelisis de una determinada banda y sustituir los tonos de gris por una paleta de colores
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CLUT COLOUR LOOK-UP TABLE TABLA DE CONSULTA DE COLOR
ENTENDIENDO LAS IMAacuteGENES
httpsenwikipediaorgwikiColour_look-up_table
creacioacuten del seudo color
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Filtros espaciales Concepto de kernel Filtros paso bajo y paso alto Filtros direccionales Anomaliacuteas y correccioacuten atmosfeacuterica Correcciones radiomeacutetricas Anomaliacuteas radiomeacutetricas Fallos en el sensorCorreccioacuten atmosfeacuterica concepto Meacutetodo valores miacutenimos Regresioacuten entre bandas Dispersioacuten por aerosolesCalibracioacuten Caso misioacuten Landsat
47 Interpretacioacuten de Imaacutegenes
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de que es un filtro
espacial
FUNCIONES PARA MEJORAR ASPECTO DE LAS IMAacuteGENES
REALZAN O DISMINUYEN ELEMENTOS VISUALES DE LA IMG
BASADOS EN LA FRECUENCIA ESPACIAL
FRECUENCIAS ESPACIALES ALTAS Variaciones que se producen en pocos piacutexeles TENDENCIA GENERAL FRECUENCIAS ESPACIALES BAJAS
Variaciones que se producen en muchos piacutexeles CONTRASTES LOCALES
FILTROS Figura - CCRS CCT
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de kernel
FILTRADO ESPACIAL Figura - CCRS CCT FILTRADO EN EL DOMINIO
ESPACIAL Lo mas comuacuten es la aplicacioacuten de una ventana deslizante con valores que son coeficientes fijos de una matriz La MATRIZ se suele llamar KERNEL o nuacutecleo del filtro
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DIGITAL
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
3 x 3 5 x 5 7 x 7
1 1 1
1 2 1
1 1 1 matrices
LOS VALORES DEL KERNEL SE MULTIPLICAN POR EL PIacuteXEL QUE TIENEN DEBAJO Y LUEGO SE SUMAN TODOS LOS PRODUCTOS
Y PARA OBTENER EL VALOR DEL PIacuteXEL CENTRAL EN LA IMAGEN TRANSFORMADA SE LO DIVIDE POR LA SUMA DE LOS PONDERADOS O PESOS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO - PASO BAJO PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
26
FILTROS DE PASO BAJO SE FAVORECEN A LOS PIXELES
PERIFEacuteRICOS SE MINIMIZAN LAS DIFERENCIAS CON LOS VECINOS ES UNA ESPECIE DE SUAVIZADO
FILTRO DE PASO ALTO PONDERACIOacuteN DEL VALOR CENTRAL EN DETRIMENTO DE LOS CIRCUNDANTES
SE EXAGERAN DIFERENCIAS Y SE RESALTAN VARIACIONES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO BAJO
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm
simulacioacuten
IMAGEN ORIGINAL
FILTRO PASO BAJO 3x3 SE TRATA DE ASEMEJAR LOS VALORES DE ND DE UN PIXEL A LOS VALORES VECINOS EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA OFRECE PERFILES MENOS NIacuteTIDOS
FILTRO PASO BAJO 7x7 SIRVE PARA REDUCIR VARIABILIDAD ESPACIAL DE ALGUNA CATEGORIacuteA ANTES DE UN PROCESO DE CLASIFICACIOacuteN
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
IMAGEN ORIGINAL
FILTRO PASO ALTO 3x3 SE TRATA DE AISLAR LOS COMPONENTES DE ALTA FRECUENCIA Y REMARCAR DIGITALMENTE CONTRASTES EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA REFUERZA LOS CONTORNOS EN AacuteREAS HOMOGEacuteNEAS
FILTRO PASO ALTO 7x7 SIRVE PARA LOGRAR REALCES DE RASGOS LINEALES COMO PUEDEN SER EN AacuteREAS URBANAS O RASGOS GEOLOacuteGICOS
simulacioacuten
httpgeograuahesrtm
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
Figura - Landsat USGS
IMAGEN ORIGINAL
FILTRO DIRECCIONAL PERMITEN IDENTIFICAR LOS RASGOS FRONTERIZOS EN LAS IMAacuteGENES COMO LOS FILTROS ANTERIORES PERO AHORA CONSIDERANDO LA ORIENTACIOacuteN
se tiene en cuenta la
orientacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
matrices con direccioacuten
NORTE
1 1 1
1 -2 1
-1 -1 -1
SUR
-1 -1 -1
1 -2 1
1 1 1
ESTE
-1 1 1
-1 -2 1
-1 1 1
OESTE
1 1 -1
1 -2 -1
1 1 -1
SURESTE
-1 -1 1
-1 -2 1
1 1 1
NOROESTE
1 1 1
1 -2 -1
1 -1 -1
SUROESTE
1 -1 -1
1 -2 -1
1 1 1
NORESTE
1 1 1
-1 -2 1
-1 -1 1
OBSERVACIOacuteN
LOS NOMBRES OBEDECEN A LA DIRECCIOacuteN DEL CONTRASTE QUE SENtildeALAN
LA DIRECCIOacuteN QUE REALZAN ES JUSTAMENTE LA PERPENDICULAR
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
48 Interpretacioacuten de Imaacutegenes
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Correcciones geomeacutetricas Georreferenciacioacuten Uso de puntos de control Fuentes de error Procesamiento geomeacutetrico Correccioacuten Transformacioacuten geomeacutetrica Calidad y ajuste Generacioacuten de la nueva imagen Transferencia de ND
INSTITUTO DE AGRIMENSURA - DEPARTAMENTO DE GEOMAacuteTICA PROF ADJUNTO GRADO 3 EDISON J ROSAS BERTON
El tratamiento de una imagen de sateacutelite Georreferenciacioacuten
(paso de un sistema de filas y columnas a un sistema de coordenadas estandard)
Para ello debe obtenerse una muestra de puntos de control de los que conozcamos tanto sus coordenadas reales como sus coordenadas en
la imagen deben ser por tanto objetos de un tamantildeo adecuado para resultar identificables tanto en la imagen como sobre el terreno el tamantildeo
dependeraacute loacutegicamente de la resolucioacuten de la imagen A partir de estos puntos de control se obtendraacuten por regresioacuten unas ecuaciones que permitiraacuten a cada par filacolumna un par de coordenadas
XY
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
GEORREFERENCIACIOacuteN
ENTENDIENDO LAS IMAacuteGENES
georreferenciacioacuten porqueacute
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PUNTOS DE CONTROL
ENTENDIENDO LAS IMAacuteGENES
uso de puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
DISTORSIONES POR LA PLATAFORMA ALTITUD DE LA OacuteRBITA ndash Cambio de escala
VELOCIDAD ndash Cambios de escala ORIENTACIOacuteN DE LOS TRES EJES ndash Distorsiones en la geometriacutea
NO SISTEMAacuteTICOS Y COMPLEJOS DE MODELAR
DISTORSIONES POR ROTACIOacuteN TERRESTRE
CONSIDERANDO ALTITUD (800 Km) y TAMANtildeO DE LA IMAGEN (180 Km)ndashEn latitudes medias tarda en adquirir unos 30 segundos la Tierra se desplaza unos 8 Km
ORIENTACIOacuteN NE SW
DISTORSIONES POR EL SENSOR ANOMALIacuteAS SENSOR y MOVIMIENTO ESPEJO ndash Barrido no lineal o cambio en intervalos
AacuteNGULO DE BARRIDO ndash Variacioacuten en el tamantildeo de pixel
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ERROR EN UNA IMAGEN ESPACIAL
ENTENDIENDO LAS IMAacuteGENES
fuentes de error
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Una correccioacuten geomeacutetrica incluye CUALQUIER CAMBIO EN LA POSICIOacuteN DE LOS PIXELES que
conforman la imagen f (c`) = f1 (c l) f (x y) f (l`) = f2 (c l) f (x y)
COORDENADAS DE IMAGEN CORREGIDA SON FUNCIOacuteN DE COORDENADAS COLUMNA Y LIacuteNEA DE LA
IMAGEN DE ENTRADA O DE LAS COORDENADAS DE MAPA AL QUE SUPERPONDREMOS LA IMAGEN
1 CON OBJETIVO DE REALIZAR UNA TRANSFORMACIOacuteN GEOMEacuteTRICA QUE PERMITA AJUSTARLA A OTRA IMAGEN REFERENCIA NORMALMENTE PARA REALIZAR ESTUDIOS MULTITEMPORALES O MOSAICOS CON EL FIN DE AMPLIAR LOS DATOS E INFORMACIOacuteN DE UNA ZONA
2 ESTO PERMITIRAacute QUE LA NUEVA IMAGEN LA PUEDA INTEGRAR CON INFORMACIOacuteN DE OTRAS FUENTES POR EJEMPLO EN UN AMBIENTE SIG
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
correccioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
asumimos que
NO SE CONOCE EL ORIGEN DE LOS ERRORES
modelamos
ECUACIONES EMPIacuteRICAS
aplicadas a un conjunto de puntos
COORDENADAS CONOCIDAS IMAGEN INPUT e IMAGEN OUTPUT
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
1 ndash SELECCIOacuteN DE REFERENCIAS 2 ndash ECUACIONES DE AJUSTE
3 ndash GENERACIOacuteN DE LA IMAGEN CORREGIDA
ES OBVIO CALIDAD DEL AJUSTE DEPENDERAacute DE PRECISIOacuteN CON QUE SE
LOCALICEN LOS PUNTOS DE CONTROL INEXACTA LOCALIZACIOacuteN
DISTRIBUCIOacuteN MUY SECTORIZADA NUacuteMERO DE PUNTOS DE CONTROL INADECUADO
ESTABLECER LOS PUNTOS DE CONTROL FASE MAS CRUCIAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
procesamiento de la correccioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Resaltamos la importancia de
NUacuteMERO LOCALIZACIOacuteN DISTRIBUCIOacuteN
Que debemos atender Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
que considero UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash Croquis ilustrativos de apoyo
TERRENO O ZONAS PLANAS CON IMG OBTENIDAS POR UN SENSOR DE ESTRECHA VISIOacuteN DE CAMPO
TRANSFORMACIOacuteN
BASADO EN ECUACIONES LINEALES SIMPLES
TERRENO ESCARPADO O RUGOSO O UTILIZACIOacuteN DE IMG OBTENIDAS EN UN SENSOR CON VARIACIONES EN LAS CONDICIONES DE OBSERVACIOacuteN
TRANSFORMACIOacuteN MAacuteS COMPLEJA
POLINOMIOS DE SEGUNDO O TERCER ORDEN
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Desde un punto de vista matemaacutetico
GRADO 1 ndash 3 puntos GRADO 2 ndash 6 puntos GRADO 3 ndash 10 puntos
Seguacuten mis objetivos del trabajo no es conveniente utilizar esos miacutenimos
14 a 20 puntos (Landsat 5 MMS ndash seguacuten Bernstein R y D G Ferneyhough Jr 1978)
100 a 120 puntos (Landsat 7 TM ndash seguacuten el National Remote Sensing Center de Inglaterra)
10 o 12 puntos (Pequentildea zona de 512 x 512 pixeles ndash seguacuten Emilio Chuvieco 2010)
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
matemaacuteticamente UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
QUE DEBEMOS DE CONSIDERAR EN CUANTO A LA LOCALIZACIOacuteN
CLARAMENTE IDENTIFICABLES EN IMAGEN Y MAPA RASGOS HUMANOS DEL PAISAJE NO SUJETOS A DINAMISMO TEMPORAL
CRUCE DE CARRETERAS
CAMINOS VIacuteA FEacuteRREAS
NO CONSIDERAR ELEMENTOS ASOCIADOS AL AGUA
COSTA CURSOS DE AGUA
EMBALSES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
localizacioacuten TCP UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la correccioacuten digital de la geometriacutea de una imagen se realiza a partir de establecer unas funciones que relacionen las coordenadas de la imagen
y las coordenadas del mapa
EJ CASO MAS SIMPLE REGRESIOacuteN LINEAL MUacuteLTIPLE
ci = a0 + a1 Xi + a2 Yi li = b0 + b1 Xi + b2 Yi
EN LA PRAacuteCTICA BASTA UNA FUNCIOacuteN LINEAL PARA ABORDAR UN GRAN NUacuteMERO DE
TRANSFORMACIONES Y SON SUFICIENTES SI LAS IMAacuteGENES NO SON MUY GRANDES ANTE LA NECESIDAD DE OTRAS TRANSFORMACIONES SE UTILIZAN DE 2ordm y 3ordm ORDEN CONSIDERANDO ALTERACIONES GEOMEacuteTRICAS NO LINEALES (FUNCIONES QUE NO SE DEFINEN EN UN PLANO
CON EJES LINEALES SINO QUE SUPERFICIES CON EJES CURVILIacuteNEOS)
LOS COEFICIENTES DE LAS FUNCIONES DE TRANSFORMACIOacuteN SE CALCULAN A PARTIR DE UN AJUSTE POR MIacuteNIMOS CUADRADOS
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
funciones de transformacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash ejemplos de funciones de transformacioacuten geomeacutetrica con el efecto causado
TRASLACIOacuteN
CAMBIO DE ESCALA
INCLINACIOacuteN
PERSPECTIVA
ROTACIOacuteN
x = a0 + xacute y = b0 + yacute
x = xacute + a2 yacute y = yacute
x = a1 xacute y = b1 yacute
x = a3xacute yacute y = yacute
x = a4xacute + a5yacute y = b4xacute + b5yacute a4 = b5 = cos Ɵ a5 = -b4 = sen Ɵ
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
transformacioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
comparacioacuten coordenadas reales y las estimadas por la regresioacuten
el promedio de los residuales se conoce como error medio cuadraacutetico
la calidad del ajuste lo da el RMSE (root mean squared error)
(error medio cuadraacutetico)
RMSE es la raiacutez cuadrada de las desviaciones entre los valores reales y los
calculados
RMSE para cada punto es la raiacutez de los residuales al cuadrado que es la distancia entre ellos
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
RMSE UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la praacutectica hace que fijemos una TOLERANCIA y es que si ese promedio supera un valor fijado previamente haya que rever
el valor fijado previamente generalmente es igual o menor a un PIXEL
una correcta verificacioacuten
NECESITA introducir PUNTOS de VERIFICACIOacuteN
que no hayan sido introducidos en el ajuste
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
tolerancias fijadas
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
traducimos coordenadas de un mapa a la imagen tambieacuten necesitamos a la nueva imagen
TRANSFERIR LOS VALORES DIGITALES no olvidar que lo que queremos es generar una nueva imagen que se
corresponda con las coordenadas y las funciones de ajuste
NO ORIGINAN NUEVA IMAGEN solo colocan a los pixeles en la posicioacuten correcta
en criollo las funciones de transformacioacuten generan una nueva matriz bien posicionada pero vaciacutea
DEBEMOS LLENAR LA MATRIZ problema maacutes complejo de lo que puede
pensarse Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
generacioacuten de la nueva imaacutegen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
cada pixel de la imagen corregida se corresponderiacutea con un pixel de la imagen original
LEJOS DE ESE IDEAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo I
vecino maacutes proacuteximo ( nearest neighbour )
a cada celda de la imagen corregida se asigna el ND del pixel maacutes cercano de la
imagen original
SOLUCIOacuteN RAacutePIDA MENOR DISTORSIOacuteN DE LOS ND
INTRODUCE RASGOS LINEALES QUE DISTORSIONAN
CORRECCIOacuteN DE IMAacuteGENES CLASIFICADAS
CONSERVAR LA RADIOMETRIacuteA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo II
interpolacioacuten bilineal ( bilinear interpolation )
supone promediar los ND de los cuatro pixeles mas cercanos
con ponderacioacuten seguacuten la distancia pixeles originalcorregido
REDUCE EL EFECTO DE DISTORSIOacuteN EN RASGOS LINEALES
TIENDE A DIFUMINAR LOS CONTRASTES ESPACIALES
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE IMAacuteGENES RECTIFICADAS MAPAS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo III
convolusioacuten cuacutebica ( cubic convolution )
supone considerar los ND de los 16 pixeles mas proacuteximos
media ponderada seguacuten la distancia pixeles originalcorregido
EFECTO VISUAL MAS CORRECTO
VOLUacuteMEN DE CAacuteLCULO MUY SUPERIOR TENDENCIA A AGUDIZAR BORDES DE LA IMAGEN
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE ORTOIMAacuteGENES IMPRESIONES DE CALIDAD
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
HISTOGRAMA IDEAL
ENTENDIENDO LAS IMAacuteGENES
elementos a considerar
Se entiende por contraste la diferencia de brillo entre las zonas maacutes claras y maacutes oscuras en una imagen En este paisaje con niebla es
un ejemplo de bajo contraste Se traduce en un histograma estrecho Ademaacutes como la toacutenica dominante son los grises medios
se observa que estaacute bastante centrado
adaptado de El histograma de una Imagen Digital Universidad Politeacutecnica de Valencia
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
conjunto de datos
Frente a escenas con una iluminacioacuten maacutes normal y con una gran cantidad de elementos detectados los histogramas deberiacutean ser como en el primer caso que
hemos visto
Si no sucede
Histograma desplazado a la izquierda puede denotar falta de exposicioacuten
Histograma desplazado a la derecha puede ser un exceso de exposicioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
46 Interpretacioacuten de Imaacutegenes
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento digital Optimizacioacuten de las imaacutegenes Realces y mejoras visuales Contraste en una imagen Composiciones color El color verdadero el falso color el pseudo color
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
OPTIMIZACIOacuteN DE LAS IMAacuteGENES
ENTENDIENDO LAS IMAacuteGENES
mejorar visualmente las imaacutegenes
MANIPULAR DE FORMA FLEXIBLE Y SOFISTICADA EL ND DE LOS PIXELES
LUEGO DE CORRECCIONES LAS IMAacuteGENES HAY QUE OPTIMIZARLAS DESDE EL PUNTO DE VISTA VISUAL
diferentes tipos
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
REALCES Y MEJORAS VISUALES
ENTENDIENDO LAS IMAacuteGENES
httpamericalatina-nacblogspotcomuy2009_10_01_archivehtml
optimizacioacuten de las imaacutegenes
proceso destinado a facilitar la interpretacioacuten visual
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
ecualizacioacuten del histograma
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
gaussiano
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
lineal 2
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
lineal
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
raiacutez cuadrada
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
lineal 0 - 255
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PORQUEacute EL REALCE
ENTENDIENDO LAS IMAacuteGENES
LOS SENSORES SON CALIBRADOS PARA ABARCAR TODO EL RANGO POSIBLE DE RADIANCIAS
PARA CADA USO EN CONCRETO ES NECESIDAD IMPERIOSA
EXPANDIR EL HISTOGRAMA Y ASIacute CUBRIR EL RANGO COMPLETO DE NIVELES DE GRIS
histograma UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CONTRASTE EN UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
expansioacuten del contraste
los datos uacutetiles solo ocupan pequentildea parte de los niveles de gris disponibles
expandir o estirar el histograma es cambiar los valores originales de ND para utilizar mayor rango
asiacute incrementar el contraste visual de diferentes objetos
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
ejemplos visuales
sin realce lineal
frecuencial gamma
MEacuteTODOS DE EXPANSIOacuteN DEL CONTRASTE
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
lineal
expansioacuten lineal
lo maacutes simple transformacioacuten en liacutenea llevando el valor miacutenimo a 0 y maacuteximo a 255 o se usa un rango por encima y por debajo de miacutenimo y maacuteximo
EXPANSIOacuteN I
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
lineal
EXPANSIOacuteN I expansioacuten
logariacutetmico exponencial
gamma
curvas de transferencia en lugar de rectas gamma es la curvatura de dicha curva se expanden maacutes el contraste de los extremos o del centro
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
frecuencial
EXPANSIOacuteN II
frecuencial ecualizacioacuten del
histograma
cuando los valores de ND no estaacuten distribuidos uniformemente intentar en la medida de lo posible que los valores de salida de los ND tengan el mismo de pixeles con dicho valor
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CONTRASTE EN UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
compresioacuten del contraste
Ya sabemos que el contraste mide el rango dinaacutemico de los colores en la imagen es decir una imagen muy contrastada tiene un amplio abanico de colores (o tonos de gris) desde valores muy bajos a valores muy altos Para una imagen con poco contraste los colores estaacuten muy juntos el margen dinaacutemico es pequentildeo La variacioacuten en el contraste aparece como una compresioacuten del histograma en caso de una reduccioacuten a la inversa de lo visto en el caso de una expansioacuten
Compresioacuten si el rango excede de las capacidades del sistema
Se ha de comparar el nuacutemero de niveles digitales (ND) de la imagen con los niveles de visualizacioacuten (NV) o grises del sistema Es de menos aplicacioacuten Al igual que el brillo variando el contraste se puede provocar una peacuterdida de informacioacuten de la imagen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
MAYOR APLICABILIDAD DEL REALCE
ENTENDIENDO LAS IMAacuteGENES
realce oacuteptimo
realce frecuencial
realce lineal
laquo r e a l c e oacute p t i m o raquo optimiza interpretacioacuten de la imagen
mejor esteacutetica de la imagen NO COINCIDE CON NINGUacuteN CORTE PREDETERMINADO
Y SE LOGRA INTERACTIVAMENTE EN PANTALLA Y PARA CADA BANDA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
COMPOSICIONES COLOR
ENTENDIENDO LAS IMAacuteGENES
formatos de composiciones
CON LA CRECIENTE APARICIOacuteN DE LOS SENSORES HIPERESPECTRALES LAS POSIBILIDADES DE COMPOSICIONES
COLOREADAS DE BANDAS SON CASI ILIMITADAS
LA ELECCIOacuteN DE LAS BANDAS PARA REALIZAR LA COMPOSICIOacuteN Y EL ORDEN DE LAS BANDAS ASIGANADAS A LOS COLORES
PRIMARIOS DEPENDERAacute DE
Sensor Aplicacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EL SEUDO - COLOR
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm formatos de
composiciones
Ya hemos afirmado de que el ojo humano es maacutes capaz de distinguir tonos de color que intensidades de brillo
Por ello el empleo del color ayuda a la interpretacioacuten incluso cuando podamos tener una sola imagen de una banda
Es aquiacute que hablamos del SEUDO COLOR por no contar con tres bandas
El seudo color implica la creacioacuten de una CLUT que asocie el ND de una sola banda a distintos componentes del R V y A APLICACIONES 1 Para tener una leyenda de colores para una img clasificada 2 Para realzar el anaacutelisis de una determinada banda y sustituir los tonos de gris por una paleta de colores
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CLUT COLOUR LOOK-UP TABLE TABLA DE CONSULTA DE COLOR
ENTENDIENDO LAS IMAacuteGENES
httpsenwikipediaorgwikiColour_look-up_table
creacioacuten del seudo color
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Filtros espaciales Concepto de kernel Filtros paso bajo y paso alto Filtros direccionales Anomaliacuteas y correccioacuten atmosfeacuterica Correcciones radiomeacutetricas Anomaliacuteas radiomeacutetricas Fallos en el sensorCorreccioacuten atmosfeacuterica concepto Meacutetodo valores miacutenimos Regresioacuten entre bandas Dispersioacuten por aerosolesCalibracioacuten Caso misioacuten Landsat
47 Interpretacioacuten de Imaacutegenes
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de que es un filtro
espacial
FUNCIONES PARA MEJORAR ASPECTO DE LAS IMAacuteGENES
REALZAN O DISMINUYEN ELEMENTOS VISUALES DE LA IMG
BASADOS EN LA FRECUENCIA ESPACIAL
FRECUENCIAS ESPACIALES ALTAS Variaciones que se producen en pocos piacutexeles TENDENCIA GENERAL FRECUENCIAS ESPACIALES BAJAS
Variaciones que se producen en muchos piacutexeles CONTRASTES LOCALES
FILTROS Figura - CCRS CCT
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de kernel
FILTRADO ESPACIAL Figura - CCRS CCT FILTRADO EN EL DOMINIO
ESPACIAL Lo mas comuacuten es la aplicacioacuten de una ventana deslizante con valores que son coeficientes fijos de una matriz La MATRIZ se suele llamar KERNEL o nuacutecleo del filtro
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DIGITAL
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
3 x 3 5 x 5 7 x 7
1 1 1
1 2 1
1 1 1 matrices
LOS VALORES DEL KERNEL SE MULTIPLICAN POR EL PIacuteXEL QUE TIENEN DEBAJO Y LUEGO SE SUMAN TODOS LOS PRODUCTOS
Y PARA OBTENER EL VALOR DEL PIacuteXEL CENTRAL EN LA IMAGEN TRANSFORMADA SE LO DIVIDE POR LA SUMA DE LOS PONDERADOS O PESOS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO - PASO BAJO PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
26
FILTROS DE PASO BAJO SE FAVORECEN A LOS PIXELES
PERIFEacuteRICOS SE MINIMIZAN LAS DIFERENCIAS CON LOS VECINOS ES UNA ESPECIE DE SUAVIZADO
FILTRO DE PASO ALTO PONDERACIOacuteN DEL VALOR CENTRAL EN DETRIMENTO DE LOS CIRCUNDANTES
SE EXAGERAN DIFERENCIAS Y SE RESALTAN VARIACIONES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO BAJO
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm
simulacioacuten
IMAGEN ORIGINAL
FILTRO PASO BAJO 3x3 SE TRATA DE ASEMEJAR LOS VALORES DE ND DE UN PIXEL A LOS VALORES VECINOS EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA OFRECE PERFILES MENOS NIacuteTIDOS
FILTRO PASO BAJO 7x7 SIRVE PARA REDUCIR VARIABILIDAD ESPACIAL DE ALGUNA CATEGORIacuteA ANTES DE UN PROCESO DE CLASIFICACIOacuteN
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
IMAGEN ORIGINAL
FILTRO PASO ALTO 3x3 SE TRATA DE AISLAR LOS COMPONENTES DE ALTA FRECUENCIA Y REMARCAR DIGITALMENTE CONTRASTES EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA REFUERZA LOS CONTORNOS EN AacuteREAS HOMOGEacuteNEAS
FILTRO PASO ALTO 7x7 SIRVE PARA LOGRAR REALCES DE RASGOS LINEALES COMO PUEDEN SER EN AacuteREAS URBANAS O RASGOS GEOLOacuteGICOS
simulacioacuten
httpgeograuahesrtm
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
Figura - Landsat USGS
IMAGEN ORIGINAL
FILTRO DIRECCIONAL PERMITEN IDENTIFICAR LOS RASGOS FRONTERIZOS EN LAS IMAacuteGENES COMO LOS FILTROS ANTERIORES PERO AHORA CONSIDERANDO LA ORIENTACIOacuteN
se tiene en cuenta la
orientacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
matrices con direccioacuten
NORTE
1 1 1
1 -2 1
-1 -1 -1
SUR
-1 -1 -1
1 -2 1
1 1 1
ESTE
-1 1 1
-1 -2 1
-1 1 1
OESTE
1 1 -1
1 -2 -1
1 1 -1
SURESTE
-1 -1 1
-1 -2 1
1 1 1
NOROESTE
1 1 1
1 -2 -1
1 -1 -1
SUROESTE
1 -1 -1
1 -2 -1
1 1 1
NORESTE
1 1 1
-1 -2 1
-1 -1 1
OBSERVACIOacuteN
LOS NOMBRES OBEDECEN A LA DIRECCIOacuteN DEL CONTRASTE QUE SENtildeALAN
LA DIRECCIOacuteN QUE REALZAN ES JUSTAMENTE LA PERPENDICULAR
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
48 Interpretacioacuten de Imaacutegenes
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Correcciones geomeacutetricas Georreferenciacioacuten Uso de puntos de control Fuentes de error Procesamiento geomeacutetrico Correccioacuten Transformacioacuten geomeacutetrica Calidad y ajuste Generacioacuten de la nueva imagen Transferencia de ND
INSTITUTO DE AGRIMENSURA - DEPARTAMENTO DE GEOMAacuteTICA PROF ADJUNTO GRADO 3 EDISON J ROSAS BERTON
El tratamiento de una imagen de sateacutelite Georreferenciacioacuten
(paso de un sistema de filas y columnas a un sistema de coordenadas estandard)
Para ello debe obtenerse una muestra de puntos de control de los que conozcamos tanto sus coordenadas reales como sus coordenadas en
la imagen deben ser por tanto objetos de un tamantildeo adecuado para resultar identificables tanto en la imagen como sobre el terreno el tamantildeo
dependeraacute loacutegicamente de la resolucioacuten de la imagen A partir de estos puntos de control se obtendraacuten por regresioacuten unas ecuaciones que permitiraacuten a cada par filacolumna un par de coordenadas
XY
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
GEORREFERENCIACIOacuteN
ENTENDIENDO LAS IMAacuteGENES
georreferenciacioacuten porqueacute
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PUNTOS DE CONTROL
ENTENDIENDO LAS IMAacuteGENES
uso de puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
DISTORSIONES POR LA PLATAFORMA ALTITUD DE LA OacuteRBITA ndash Cambio de escala
VELOCIDAD ndash Cambios de escala ORIENTACIOacuteN DE LOS TRES EJES ndash Distorsiones en la geometriacutea
NO SISTEMAacuteTICOS Y COMPLEJOS DE MODELAR
DISTORSIONES POR ROTACIOacuteN TERRESTRE
CONSIDERANDO ALTITUD (800 Km) y TAMANtildeO DE LA IMAGEN (180 Km)ndashEn latitudes medias tarda en adquirir unos 30 segundos la Tierra se desplaza unos 8 Km
ORIENTACIOacuteN NE SW
DISTORSIONES POR EL SENSOR ANOMALIacuteAS SENSOR y MOVIMIENTO ESPEJO ndash Barrido no lineal o cambio en intervalos
AacuteNGULO DE BARRIDO ndash Variacioacuten en el tamantildeo de pixel
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ERROR EN UNA IMAGEN ESPACIAL
ENTENDIENDO LAS IMAacuteGENES
fuentes de error
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Una correccioacuten geomeacutetrica incluye CUALQUIER CAMBIO EN LA POSICIOacuteN DE LOS PIXELES que
conforman la imagen f (c`) = f1 (c l) f (x y) f (l`) = f2 (c l) f (x y)
COORDENADAS DE IMAGEN CORREGIDA SON FUNCIOacuteN DE COORDENADAS COLUMNA Y LIacuteNEA DE LA
IMAGEN DE ENTRADA O DE LAS COORDENADAS DE MAPA AL QUE SUPERPONDREMOS LA IMAGEN
1 CON OBJETIVO DE REALIZAR UNA TRANSFORMACIOacuteN GEOMEacuteTRICA QUE PERMITA AJUSTARLA A OTRA IMAGEN REFERENCIA NORMALMENTE PARA REALIZAR ESTUDIOS MULTITEMPORALES O MOSAICOS CON EL FIN DE AMPLIAR LOS DATOS E INFORMACIOacuteN DE UNA ZONA
2 ESTO PERMITIRAacute QUE LA NUEVA IMAGEN LA PUEDA INTEGRAR CON INFORMACIOacuteN DE OTRAS FUENTES POR EJEMPLO EN UN AMBIENTE SIG
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
correccioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
asumimos que
NO SE CONOCE EL ORIGEN DE LOS ERRORES
modelamos
ECUACIONES EMPIacuteRICAS
aplicadas a un conjunto de puntos
COORDENADAS CONOCIDAS IMAGEN INPUT e IMAGEN OUTPUT
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
1 ndash SELECCIOacuteN DE REFERENCIAS 2 ndash ECUACIONES DE AJUSTE
3 ndash GENERACIOacuteN DE LA IMAGEN CORREGIDA
ES OBVIO CALIDAD DEL AJUSTE DEPENDERAacute DE PRECISIOacuteN CON QUE SE
LOCALICEN LOS PUNTOS DE CONTROL INEXACTA LOCALIZACIOacuteN
DISTRIBUCIOacuteN MUY SECTORIZADA NUacuteMERO DE PUNTOS DE CONTROL INADECUADO
ESTABLECER LOS PUNTOS DE CONTROL FASE MAS CRUCIAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
procesamiento de la correccioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Resaltamos la importancia de
NUacuteMERO LOCALIZACIOacuteN DISTRIBUCIOacuteN
Que debemos atender Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
que considero UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash Croquis ilustrativos de apoyo
TERRENO O ZONAS PLANAS CON IMG OBTENIDAS POR UN SENSOR DE ESTRECHA VISIOacuteN DE CAMPO
TRANSFORMACIOacuteN
BASADO EN ECUACIONES LINEALES SIMPLES
TERRENO ESCARPADO O RUGOSO O UTILIZACIOacuteN DE IMG OBTENIDAS EN UN SENSOR CON VARIACIONES EN LAS CONDICIONES DE OBSERVACIOacuteN
TRANSFORMACIOacuteN MAacuteS COMPLEJA
POLINOMIOS DE SEGUNDO O TERCER ORDEN
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Desde un punto de vista matemaacutetico
GRADO 1 ndash 3 puntos GRADO 2 ndash 6 puntos GRADO 3 ndash 10 puntos
Seguacuten mis objetivos del trabajo no es conveniente utilizar esos miacutenimos
14 a 20 puntos (Landsat 5 MMS ndash seguacuten Bernstein R y D G Ferneyhough Jr 1978)
100 a 120 puntos (Landsat 7 TM ndash seguacuten el National Remote Sensing Center de Inglaterra)
10 o 12 puntos (Pequentildea zona de 512 x 512 pixeles ndash seguacuten Emilio Chuvieco 2010)
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
matemaacuteticamente UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
QUE DEBEMOS DE CONSIDERAR EN CUANTO A LA LOCALIZACIOacuteN
CLARAMENTE IDENTIFICABLES EN IMAGEN Y MAPA RASGOS HUMANOS DEL PAISAJE NO SUJETOS A DINAMISMO TEMPORAL
CRUCE DE CARRETERAS
CAMINOS VIacuteA FEacuteRREAS
NO CONSIDERAR ELEMENTOS ASOCIADOS AL AGUA
COSTA CURSOS DE AGUA
EMBALSES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
localizacioacuten TCP UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la correccioacuten digital de la geometriacutea de una imagen se realiza a partir de establecer unas funciones que relacionen las coordenadas de la imagen
y las coordenadas del mapa
EJ CASO MAS SIMPLE REGRESIOacuteN LINEAL MUacuteLTIPLE
ci = a0 + a1 Xi + a2 Yi li = b0 + b1 Xi + b2 Yi
EN LA PRAacuteCTICA BASTA UNA FUNCIOacuteN LINEAL PARA ABORDAR UN GRAN NUacuteMERO DE
TRANSFORMACIONES Y SON SUFICIENTES SI LAS IMAacuteGENES NO SON MUY GRANDES ANTE LA NECESIDAD DE OTRAS TRANSFORMACIONES SE UTILIZAN DE 2ordm y 3ordm ORDEN CONSIDERANDO ALTERACIONES GEOMEacuteTRICAS NO LINEALES (FUNCIONES QUE NO SE DEFINEN EN UN PLANO
CON EJES LINEALES SINO QUE SUPERFICIES CON EJES CURVILIacuteNEOS)
LOS COEFICIENTES DE LAS FUNCIONES DE TRANSFORMACIOacuteN SE CALCULAN A PARTIR DE UN AJUSTE POR MIacuteNIMOS CUADRADOS
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
funciones de transformacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash ejemplos de funciones de transformacioacuten geomeacutetrica con el efecto causado
TRASLACIOacuteN
CAMBIO DE ESCALA
INCLINACIOacuteN
PERSPECTIVA
ROTACIOacuteN
x = a0 + xacute y = b0 + yacute
x = xacute + a2 yacute y = yacute
x = a1 xacute y = b1 yacute
x = a3xacute yacute y = yacute
x = a4xacute + a5yacute y = b4xacute + b5yacute a4 = b5 = cos Ɵ a5 = -b4 = sen Ɵ
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
transformacioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
comparacioacuten coordenadas reales y las estimadas por la regresioacuten
el promedio de los residuales se conoce como error medio cuadraacutetico
la calidad del ajuste lo da el RMSE (root mean squared error)
(error medio cuadraacutetico)
RMSE es la raiacutez cuadrada de las desviaciones entre los valores reales y los
calculados
RMSE para cada punto es la raiacutez de los residuales al cuadrado que es la distancia entre ellos
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
RMSE UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la praacutectica hace que fijemos una TOLERANCIA y es que si ese promedio supera un valor fijado previamente haya que rever
el valor fijado previamente generalmente es igual o menor a un PIXEL
una correcta verificacioacuten
NECESITA introducir PUNTOS de VERIFICACIOacuteN
que no hayan sido introducidos en el ajuste
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
tolerancias fijadas
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
traducimos coordenadas de un mapa a la imagen tambieacuten necesitamos a la nueva imagen
TRANSFERIR LOS VALORES DIGITALES no olvidar que lo que queremos es generar una nueva imagen que se
corresponda con las coordenadas y las funciones de ajuste
NO ORIGINAN NUEVA IMAGEN solo colocan a los pixeles en la posicioacuten correcta
en criollo las funciones de transformacioacuten generan una nueva matriz bien posicionada pero vaciacutea
DEBEMOS LLENAR LA MATRIZ problema maacutes complejo de lo que puede
pensarse Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
generacioacuten de la nueva imaacutegen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
cada pixel de la imagen corregida se corresponderiacutea con un pixel de la imagen original
LEJOS DE ESE IDEAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo I
vecino maacutes proacuteximo ( nearest neighbour )
a cada celda de la imagen corregida se asigna el ND del pixel maacutes cercano de la
imagen original
SOLUCIOacuteN RAacutePIDA MENOR DISTORSIOacuteN DE LOS ND
INTRODUCE RASGOS LINEALES QUE DISTORSIONAN
CORRECCIOacuteN DE IMAacuteGENES CLASIFICADAS
CONSERVAR LA RADIOMETRIacuteA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo II
interpolacioacuten bilineal ( bilinear interpolation )
supone promediar los ND de los cuatro pixeles mas cercanos
con ponderacioacuten seguacuten la distancia pixeles originalcorregido
REDUCE EL EFECTO DE DISTORSIOacuteN EN RASGOS LINEALES
TIENDE A DIFUMINAR LOS CONTRASTES ESPACIALES
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE IMAacuteGENES RECTIFICADAS MAPAS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo III
convolusioacuten cuacutebica ( cubic convolution )
supone considerar los ND de los 16 pixeles mas proacuteximos
media ponderada seguacuten la distancia pixeles originalcorregido
EFECTO VISUAL MAS CORRECTO
VOLUacuteMEN DE CAacuteLCULO MUY SUPERIOR TENDENCIA A AGUDIZAR BORDES DE LA IMAGEN
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE ORTOIMAacuteGENES IMPRESIONES DE CALIDAD
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
conjunto de datos
Frente a escenas con una iluminacioacuten maacutes normal y con una gran cantidad de elementos detectados los histogramas deberiacutean ser como en el primer caso que
hemos visto
Si no sucede
Histograma desplazado a la izquierda puede denotar falta de exposicioacuten
Histograma desplazado a la derecha puede ser un exceso de exposicioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
46 Interpretacioacuten de Imaacutegenes
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento digital Optimizacioacuten de las imaacutegenes Realces y mejoras visuales Contraste en una imagen Composiciones color El color verdadero el falso color el pseudo color
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
OPTIMIZACIOacuteN DE LAS IMAacuteGENES
ENTENDIENDO LAS IMAacuteGENES
mejorar visualmente las imaacutegenes
MANIPULAR DE FORMA FLEXIBLE Y SOFISTICADA EL ND DE LOS PIXELES
LUEGO DE CORRECCIONES LAS IMAacuteGENES HAY QUE OPTIMIZARLAS DESDE EL PUNTO DE VISTA VISUAL
diferentes tipos
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
REALCES Y MEJORAS VISUALES
ENTENDIENDO LAS IMAacuteGENES
httpamericalatina-nacblogspotcomuy2009_10_01_archivehtml
optimizacioacuten de las imaacutegenes
proceso destinado a facilitar la interpretacioacuten visual
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
ecualizacioacuten del histograma
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
gaussiano
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
lineal 2
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
lineal
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
raiacutez cuadrada
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
lineal 0 - 255
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PORQUEacute EL REALCE
ENTENDIENDO LAS IMAacuteGENES
LOS SENSORES SON CALIBRADOS PARA ABARCAR TODO EL RANGO POSIBLE DE RADIANCIAS
PARA CADA USO EN CONCRETO ES NECESIDAD IMPERIOSA
EXPANDIR EL HISTOGRAMA Y ASIacute CUBRIR EL RANGO COMPLETO DE NIVELES DE GRIS
histograma UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CONTRASTE EN UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
expansioacuten del contraste
los datos uacutetiles solo ocupan pequentildea parte de los niveles de gris disponibles
expandir o estirar el histograma es cambiar los valores originales de ND para utilizar mayor rango
asiacute incrementar el contraste visual de diferentes objetos
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
ejemplos visuales
sin realce lineal
frecuencial gamma
MEacuteTODOS DE EXPANSIOacuteN DEL CONTRASTE
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
lineal
expansioacuten lineal
lo maacutes simple transformacioacuten en liacutenea llevando el valor miacutenimo a 0 y maacuteximo a 255 o se usa un rango por encima y por debajo de miacutenimo y maacuteximo
EXPANSIOacuteN I
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
lineal
EXPANSIOacuteN I expansioacuten
logariacutetmico exponencial
gamma
curvas de transferencia en lugar de rectas gamma es la curvatura de dicha curva se expanden maacutes el contraste de los extremos o del centro
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
frecuencial
EXPANSIOacuteN II
frecuencial ecualizacioacuten del
histograma
cuando los valores de ND no estaacuten distribuidos uniformemente intentar en la medida de lo posible que los valores de salida de los ND tengan el mismo de pixeles con dicho valor
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CONTRASTE EN UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
compresioacuten del contraste
Ya sabemos que el contraste mide el rango dinaacutemico de los colores en la imagen es decir una imagen muy contrastada tiene un amplio abanico de colores (o tonos de gris) desde valores muy bajos a valores muy altos Para una imagen con poco contraste los colores estaacuten muy juntos el margen dinaacutemico es pequentildeo La variacioacuten en el contraste aparece como una compresioacuten del histograma en caso de una reduccioacuten a la inversa de lo visto en el caso de una expansioacuten
Compresioacuten si el rango excede de las capacidades del sistema
Se ha de comparar el nuacutemero de niveles digitales (ND) de la imagen con los niveles de visualizacioacuten (NV) o grises del sistema Es de menos aplicacioacuten Al igual que el brillo variando el contraste se puede provocar una peacuterdida de informacioacuten de la imagen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
MAYOR APLICABILIDAD DEL REALCE
ENTENDIENDO LAS IMAacuteGENES
realce oacuteptimo
realce frecuencial
realce lineal
laquo r e a l c e oacute p t i m o raquo optimiza interpretacioacuten de la imagen
mejor esteacutetica de la imagen NO COINCIDE CON NINGUacuteN CORTE PREDETERMINADO
Y SE LOGRA INTERACTIVAMENTE EN PANTALLA Y PARA CADA BANDA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
COMPOSICIONES COLOR
ENTENDIENDO LAS IMAacuteGENES
formatos de composiciones
CON LA CRECIENTE APARICIOacuteN DE LOS SENSORES HIPERESPECTRALES LAS POSIBILIDADES DE COMPOSICIONES
COLOREADAS DE BANDAS SON CASI ILIMITADAS
LA ELECCIOacuteN DE LAS BANDAS PARA REALIZAR LA COMPOSICIOacuteN Y EL ORDEN DE LAS BANDAS ASIGANADAS A LOS COLORES
PRIMARIOS DEPENDERAacute DE
Sensor Aplicacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EL SEUDO - COLOR
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm formatos de
composiciones
Ya hemos afirmado de que el ojo humano es maacutes capaz de distinguir tonos de color que intensidades de brillo
Por ello el empleo del color ayuda a la interpretacioacuten incluso cuando podamos tener una sola imagen de una banda
Es aquiacute que hablamos del SEUDO COLOR por no contar con tres bandas
El seudo color implica la creacioacuten de una CLUT que asocie el ND de una sola banda a distintos componentes del R V y A APLICACIONES 1 Para tener una leyenda de colores para una img clasificada 2 Para realzar el anaacutelisis de una determinada banda y sustituir los tonos de gris por una paleta de colores
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CLUT COLOUR LOOK-UP TABLE TABLA DE CONSULTA DE COLOR
ENTENDIENDO LAS IMAacuteGENES
httpsenwikipediaorgwikiColour_look-up_table
creacioacuten del seudo color
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Filtros espaciales Concepto de kernel Filtros paso bajo y paso alto Filtros direccionales Anomaliacuteas y correccioacuten atmosfeacuterica Correcciones radiomeacutetricas Anomaliacuteas radiomeacutetricas Fallos en el sensorCorreccioacuten atmosfeacuterica concepto Meacutetodo valores miacutenimos Regresioacuten entre bandas Dispersioacuten por aerosolesCalibracioacuten Caso misioacuten Landsat
47 Interpretacioacuten de Imaacutegenes
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de que es un filtro
espacial
FUNCIONES PARA MEJORAR ASPECTO DE LAS IMAacuteGENES
REALZAN O DISMINUYEN ELEMENTOS VISUALES DE LA IMG
BASADOS EN LA FRECUENCIA ESPACIAL
FRECUENCIAS ESPACIALES ALTAS Variaciones que se producen en pocos piacutexeles TENDENCIA GENERAL FRECUENCIAS ESPACIALES BAJAS
Variaciones que se producen en muchos piacutexeles CONTRASTES LOCALES
FILTROS Figura - CCRS CCT
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de kernel
FILTRADO ESPACIAL Figura - CCRS CCT FILTRADO EN EL DOMINIO
ESPACIAL Lo mas comuacuten es la aplicacioacuten de una ventana deslizante con valores que son coeficientes fijos de una matriz La MATRIZ se suele llamar KERNEL o nuacutecleo del filtro
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DIGITAL
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
3 x 3 5 x 5 7 x 7
1 1 1
1 2 1
1 1 1 matrices
LOS VALORES DEL KERNEL SE MULTIPLICAN POR EL PIacuteXEL QUE TIENEN DEBAJO Y LUEGO SE SUMAN TODOS LOS PRODUCTOS
Y PARA OBTENER EL VALOR DEL PIacuteXEL CENTRAL EN LA IMAGEN TRANSFORMADA SE LO DIVIDE POR LA SUMA DE LOS PONDERADOS O PESOS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO - PASO BAJO PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
26
FILTROS DE PASO BAJO SE FAVORECEN A LOS PIXELES
PERIFEacuteRICOS SE MINIMIZAN LAS DIFERENCIAS CON LOS VECINOS ES UNA ESPECIE DE SUAVIZADO
FILTRO DE PASO ALTO PONDERACIOacuteN DEL VALOR CENTRAL EN DETRIMENTO DE LOS CIRCUNDANTES
SE EXAGERAN DIFERENCIAS Y SE RESALTAN VARIACIONES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO BAJO
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm
simulacioacuten
IMAGEN ORIGINAL
FILTRO PASO BAJO 3x3 SE TRATA DE ASEMEJAR LOS VALORES DE ND DE UN PIXEL A LOS VALORES VECINOS EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA OFRECE PERFILES MENOS NIacuteTIDOS
FILTRO PASO BAJO 7x7 SIRVE PARA REDUCIR VARIABILIDAD ESPACIAL DE ALGUNA CATEGORIacuteA ANTES DE UN PROCESO DE CLASIFICACIOacuteN
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
IMAGEN ORIGINAL
FILTRO PASO ALTO 3x3 SE TRATA DE AISLAR LOS COMPONENTES DE ALTA FRECUENCIA Y REMARCAR DIGITALMENTE CONTRASTES EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA REFUERZA LOS CONTORNOS EN AacuteREAS HOMOGEacuteNEAS
FILTRO PASO ALTO 7x7 SIRVE PARA LOGRAR REALCES DE RASGOS LINEALES COMO PUEDEN SER EN AacuteREAS URBANAS O RASGOS GEOLOacuteGICOS
simulacioacuten
httpgeograuahesrtm
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
Figura - Landsat USGS
IMAGEN ORIGINAL
FILTRO DIRECCIONAL PERMITEN IDENTIFICAR LOS RASGOS FRONTERIZOS EN LAS IMAacuteGENES COMO LOS FILTROS ANTERIORES PERO AHORA CONSIDERANDO LA ORIENTACIOacuteN
se tiene en cuenta la
orientacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
matrices con direccioacuten
NORTE
1 1 1
1 -2 1
-1 -1 -1
SUR
-1 -1 -1
1 -2 1
1 1 1
ESTE
-1 1 1
-1 -2 1
-1 1 1
OESTE
1 1 -1
1 -2 -1
1 1 -1
SURESTE
-1 -1 1
-1 -2 1
1 1 1
NOROESTE
1 1 1
1 -2 -1
1 -1 -1
SUROESTE
1 -1 -1
1 -2 -1
1 1 1
NORESTE
1 1 1
-1 -2 1
-1 -1 1
OBSERVACIOacuteN
LOS NOMBRES OBEDECEN A LA DIRECCIOacuteN DEL CONTRASTE QUE SENtildeALAN
LA DIRECCIOacuteN QUE REALZAN ES JUSTAMENTE LA PERPENDICULAR
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
48 Interpretacioacuten de Imaacutegenes
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Correcciones geomeacutetricas Georreferenciacioacuten Uso de puntos de control Fuentes de error Procesamiento geomeacutetrico Correccioacuten Transformacioacuten geomeacutetrica Calidad y ajuste Generacioacuten de la nueva imagen Transferencia de ND
INSTITUTO DE AGRIMENSURA - DEPARTAMENTO DE GEOMAacuteTICA PROF ADJUNTO GRADO 3 EDISON J ROSAS BERTON
El tratamiento de una imagen de sateacutelite Georreferenciacioacuten
(paso de un sistema de filas y columnas a un sistema de coordenadas estandard)
Para ello debe obtenerse una muestra de puntos de control de los que conozcamos tanto sus coordenadas reales como sus coordenadas en
la imagen deben ser por tanto objetos de un tamantildeo adecuado para resultar identificables tanto en la imagen como sobre el terreno el tamantildeo
dependeraacute loacutegicamente de la resolucioacuten de la imagen A partir de estos puntos de control se obtendraacuten por regresioacuten unas ecuaciones que permitiraacuten a cada par filacolumna un par de coordenadas
XY
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
GEORREFERENCIACIOacuteN
ENTENDIENDO LAS IMAacuteGENES
georreferenciacioacuten porqueacute
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PUNTOS DE CONTROL
ENTENDIENDO LAS IMAacuteGENES
uso de puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
DISTORSIONES POR LA PLATAFORMA ALTITUD DE LA OacuteRBITA ndash Cambio de escala
VELOCIDAD ndash Cambios de escala ORIENTACIOacuteN DE LOS TRES EJES ndash Distorsiones en la geometriacutea
NO SISTEMAacuteTICOS Y COMPLEJOS DE MODELAR
DISTORSIONES POR ROTACIOacuteN TERRESTRE
CONSIDERANDO ALTITUD (800 Km) y TAMANtildeO DE LA IMAGEN (180 Km)ndashEn latitudes medias tarda en adquirir unos 30 segundos la Tierra se desplaza unos 8 Km
ORIENTACIOacuteN NE SW
DISTORSIONES POR EL SENSOR ANOMALIacuteAS SENSOR y MOVIMIENTO ESPEJO ndash Barrido no lineal o cambio en intervalos
AacuteNGULO DE BARRIDO ndash Variacioacuten en el tamantildeo de pixel
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ERROR EN UNA IMAGEN ESPACIAL
ENTENDIENDO LAS IMAacuteGENES
fuentes de error
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Una correccioacuten geomeacutetrica incluye CUALQUIER CAMBIO EN LA POSICIOacuteN DE LOS PIXELES que
conforman la imagen f (c`) = f1 (c l) f (x y) f (l`) = f2 (c l) f (x y)
COORDENADAS DE IMAGEN CORREGIDA SON FUNCIOacuteN DE COORDENADAS COLUMNA Y LIacuteNEA DE LA
IMAGEN DE ENTRADA O DE LAS COORDENADAS DE MAPA AL QUE SUPERPONDREMOS LA IMAGEN
1 CON OBJETIVO DE REALIZAR UNA TRANSFORMACIOacuteN GEOMEacuteTRICA QUE PERMITA AJUSTARLA A OTRA IMAGEN REFERENCIA NORMALMENTE PARA REALIZAR ESTUDIOS MULTITEMPORALES O MOSAICOS CON EL FIN DE AMPLIAR LOS DATOS E INFORMACIOacuteN DE UNA ZONA
2 ESTO PERMITIRAacute QUE LA NUEVA IMAGEN LA PUEDA INTEGRAR CON INFORMACIOacuteN DE OTRAS FUENTES POR EJEMPLO EN UN AMBIENTE SIG
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
correccioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
asumimos que
NO SE CONOCE EL ORIGEN DE LOS ERRORES
modelamos
ECUACIONES EMPIacuteRICAS
aplicadas a un conjunto de puntos
COORDENADAS CONOCIDAS IMAGEN INPUT e IMAGEN OUTPUT
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
1 ndash SELECCIOacuteN DE REFERENCIAS 2 ndash ECUACIONES DE AJUSTE
3 ndash GENERACIOacuteN DE LA IMAGEN CORREGIDA
ES OBVIO CALIDAD DEL AJUSTE DEPENDERAacute DE PRECISIOacuteN CON QUE SE
LOCALICEN LOS PUNTOS DE CONTROL INEXACTA LOCALIZACIOacuteN
DISTRIBUCIOacuteN MUY SECTORIZADA NUacuteMERO DE PUNTOS DE CONTROL INADECUADO
ESTABLECER LOS PUNTOS DE CONTROL FASE MAS CRUCIAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
procesamiento de la correccioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Resaltamos la importancia de
NUacuteMERO LOCALIZACIOacuteN DISTRIBUCIOacuteN
Que debemos atender Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
que considero UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash Croquis ilustrativos de apoyo
TERRENO O ZONAS PLANAS CON IMG OBTENIDAS POR UN SENSOR DE ESTRECHA VISIOacuteN DE CAMPO
TRANSFORMACIOacuteN
BASADO EN ECUACIONES LINEALES SIMPLES
TERRENO ESCARPADO O RUGOSO O UTILIZACIOacuteN DE IMG OBTENIDAS EN UN SENSOR CON VARIACIONES EN LAS CONDICIONES DE OBSERVACIOacuteN
TRANSFORMACIOacuteN MAacuteS COMPLEJA
POLINOMIOS DE SEGUNDO O TERCER ORDEN
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Desde un punto de vista matemaacutetico
GRADO 1 ndash 3 puntos GRADO 2 ndash 6 puntos GRADO 3 ndash 10 puntos
Seguacuten mis objetivos del trabajo no es conveniente utilizar esos miacutenimos
14 a 20 puntos (Landsat 5 MMS ndash seguacuten Bernstein R y D G Ferneyhough Jr 1978)
100 a 120 puntos (Landsat 7 TM ndash seguacuten el National Remote Sensing Center de Inglaterra)
10 o 12 puntos (Pequentildea zona de 512 x 512 pixeles ndash seguacuten Emilio Chuvieco 2010)
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
matemaacuteticamente UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
QUE DEBEMOS DE CONSIDERAR EN CUANTO A LA LOCALIZACIOacuteN
CLARAMENTE IDENTIFICABLES EN IMAGEN Y MAPA RASGOS HUMANOS DEL PAISAJE NO SUJETOS A DINAMISMO TEMPORAL
CRUCE DE CARRETERAS
CAMINOS VIacuteA FEacuteRREAS
NO CONSIDERAR ELEMENTOS ASOCIADOS AL AGUA
COSTA CURSOS DE AGUA
EMBALSES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
localizacioacuten TCP UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la correccioacuten digital de la geometriacutea de una imagen se realiza a partir de establecer unas funciones que relacionen las coordenadas de la imagen
y las coordenadas del mapa
EJ CASO MAS SIMPLE REGRESIOacuteN LINEAL MUacuteLTIPLE
ci = a0 + a1 Xi + a2 Yi li = b0 + b1 Xi + b2 Yi
EN LA PRAacuteCTICA BASTA UNA FUNCIOacuteN LINEAL PARA ABORDAR UN GRAN NUacuteMERO DE
TRANSFORMACIONES Y SON SUFICIENTES SI LAS IMAacuteGENES NO SON MUY GRANDES ANTE LA NECESIDAD DE OTRAS TRANSFORMACIONES SE UTILIZAN DE 2ordm y 3ordm ORDEN CONSIDERANDO ALTERACIONES GEOMEacuteTRICAS NO LINEALES (FUNCIONES QUE NO SE DEFINEN EN UN PLANO
CON EJES LINEALES SINO QUE SUPERFICIES CON EJES CURVILIacuteNEOS)
LOS COEFICIENTES DE LAS FUNCIONES DE TRANSFORMACIOacuteN SE CALCULAN A PARTIR DE UN AJUSTE POR MIacuteNIMOS CUADRADOS
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
funciones de transformacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash ejemplos de funciones de transformacioacuten geomeacutetrica con el efecto causado
TRASLACIOacuteN
CAMBIO DE ESCALA
INCLINACIOacuteN
PERSPECTIVA
ROTACIOacuteN
x = a0 + xacute y = b0 + yacute
x = xacute + a2 yacute y = yacute
x = a1 xacute y = b1 yacute
x = a3xacute yacute y = yacute
x = a4xacute + a5yacute y = b4xacute + b5yacute a4 = b5 = cos Ɵ a5 = -b4 = sen Ɵ
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
transformacioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
comparacioacuten coordenadas reales y las estimadas por la regresioacuten
el promedio de los residuales se conoce como error medio cuadraacutetico
la calidad del ajuste lo da el RMSE (root mean squared error)
(error medio cuadraacutetico)
RMSE es la raiacutez cuadrada de las desviaciones entre los valores reales y los
calculados
RMSE para cada punto es la raiacutez de los residuales al cuadrado que es la distancia entre ellos
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
RMSE UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la praacutectica hace que fijemos una TOLERANCIA y es que si ese promedio supera un valor fijado previamente haya que rever
el valor fijado previamente generalmente es igual o menor a un PIXEL
una correcta verificacioacuten
NECESITA introducir PUNTOS de VERIFICACIOacuteN
que no hayan sido introducidos en el ajuste
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
tolerancias fijadas
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
traducimos coordenadas de un mapa a la imagen tambieacuten necesitamos a la nueva imagen
TRANSFERIR LOS VALORES DIGITALES no olvidar que lo que queremos es generar una nueva imagen que se
corresponda con las coordenadas y las funciones de ajuste
NO ORIGINAN NUEVA IMAGEN solo colocan a los pixeles en la posicioacuten correcta
en criollo las funciones de transformacioacuten generan una nueva matriz bien posicionada pero vaciacutea
DEBEMOS LLENAR LA MATRIZ problema maacutes complejo de lo que puede
pensarse Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
generacioacuten de la nueva imaacutegen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
cada pixel de la imagen corregida se corresponderiacutea con un pixel de la imagen original
LEJOS DE ESE IDEAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo I
vecino maacutes proacuteximo ( nearest neighbour )
a cada celda de la imagen corregida se asigna el ND del pixel maacutes cercano de la
imagen original
SOLUCIOacuteN RAacutePIDA MENOR DISTORSIOacuteN DE LOS ND
INTRODUCE RASGOS LINEALES QUE DISTORSIONAN
CORRECCIOacuteN DE IMAacuteGENES CLASIFICADAS
CONSERVAR LA RADIOMETRIacuteA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo II
interpolacioacuten bilineal ( bilinear interpolation )
supone promediar los ND de los cuatro pixeles mas cercanos
con ponderacioacuten seguacuten la distancia pixeles originalcorregido
REDUCE EL EFECTO DE DISTORSIOacuteN EN RASGOS LINEALES
TIENDE A DIFUMINAR LOS CONTRASTES ESPACIALES
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE IMAacuteGENES RECTIFICADAS MAPAS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo III
convolusioacuten cuacutebica ( cubic convolution )
supone considerar los ND de los 16 pixeles mas proacuteximos
media ponderada seguacuten la distancia pixeles originalcorregido
EFECTO VISUAL MAS CORRECTO
VOLUacuteMEN DE CAacuteLCULO MUY SUPERIOR TENDENCIA A AGUDIZAR BORDES DE LA IMAGEN
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE ORTOIMAacuteGENES IMPRESIONES DE CALIDAD
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
46 Interpretacioacuten de Imaacutegenes
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento digital Optimizacioacuten de las imaacutegenes Realces y mejoras visuales Contraste en una imagen Composiciones color El color verdadero el falso color el pseudo color
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
OPTIMIZACIOacuteN DE LAS IMAacuteGENES
ENTENDIENDO LAS IMAacuteGENES
mejorar visualmente las imaacutegenes
MANIPULAR DE FORMA FLEXIBLE Y SOFISTICADA EL ND DE LOS PIXELES
LUEGO DE CORRECCIONES LAS IMAacuteGENES HAY QUE OPTIMIZARLAS DESDE EL PUNTO DE VISTA VISUAL
diferentes tipos
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
REALCES Y MEJORAS VISUALES
ENTENDIENDO LAS IMAacuteGENES
httpamericalatina-nacblogspotcomuy2009_10_01_archivehtml
optimizacioacuten de las imaacutegenes
proceso destinado a facilitar la interpretacioacuten visual
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
ecualizacioacuten del histograma
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
gaussiano
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
lineal 2
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
lineal
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
raiacutez cuadrada
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
lineal 0 - 255
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PORQUEacute EL REALCE
ENTENDIENDO LAS IMAacuteGENES
LOS SENSORES SON CALIBRADOS PARA ABARCAR TODO EL RANGO POSIBLE DE RADIANCIAS
PARA CADA USO EN CONCRETO ES NECESIDAD IMPERIOSA
EXPANDIR EL HISTOGRAMA Y ASIacute CUBRIR EL RANGO COMPLETO DE NIVELES DE GRIS
histograma UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CONTRASTE EN UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
expansioacuten del contraste
los datos uacutetiles solo ocupan pequentildea parte de los niveles de gris disponibles
expandir o estirar el histograma es cambiar los valores originales de ND para utilizar mayor rango
asiacute incrementar el contraste visual de diferentes objetos
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
ejemplos visuales
sin realce lineal
frecuencial gamma
MEacuteTODOS DE EXPANSIOacuteN DEL CONTRASTE
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
lineal
expansioacuten lineal
lo maacutes simple transformacioacuten en liacutenea llevando el valor miacutenimo a 0 y maacuteximo a 255 o se usa un rango por encima y por debajo de miacutenimo y maacuteximo
EXPANSIOacuteN I
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
lineal
EXPANSIOacuteN I expansioacuten
logariacutetmico exponencial
gamma
curvas de transferencia en lugar de rectas gamma es la curvatura de dicha curva se expanden maacutes el contraste de los extremos o del centro
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
frecuencial
EXPANSIOacuteN II
frecuencial ecualizacioacuten del
histograma
cuando los valores de ND no estaacuten distribuidos uniformemente intentar en la medida de lo posible que los valores de salida de los ND tengan el mismo de pixeles con dicho valor
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CONTRASTE EN UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
compresioacuten del contraste
Ya sabemos que el contraste mide el rango dinaacutemico de los colores en la imagen es decir una imagen muy contrastada tiene un amplio abanico de colores (o tonos de gris) desde valores muy bajos a valores muy altos Para una imagen con poco contraste los colores estaacuten muy juntos el margen dinaacutemico es pequentildeo La variacioacuten en el contraste aparece como una compresioacuten del histograma en caso de una reduccioacuten a la inversa de lo visto en el caso de una expansioacuten
Compresioacuten si el rango excede de las capacidades del sistema
Se ha de comparar el nuacutemero de niveles digitales (ND) de la imagen con los niveles de visualizacioacuten (NV) o grises del sistema Es de menos aplicacioacuten Al igual que el brillo variando el contraste se puede provocar una peacuterdida de informacioacuten de la imagen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
MAYOR APLICABILIDAD DEL REALCE
ENTENDIENDO LAS IMAacuteGENES
realce oacuteptimo
realce frecuencial
realce lineal
laquo r e a l c e oacute p t i m o raquo optimiza interpretacioacuten de la imagen
mejor esteacutetica de la imagen NO COINCIDE CON NINGUacuteN CORTE PREDETERMINADO
Y SE LOGRA INTERACTIVAMENTE EN PANTALLA Y PARA CADA BANDA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
COMPOSICIONES COLOR
ENTENDIENDO LAS IMAacuteGENES
formatos de composiciones
CON LA CRECIENTE APARICIOacuteN DE LOS SENSORES HIPERESPECTRALES LAS POSIBILIDADES DE COMPOSICIONES
COLOREADAS DE BANDAS SON CASI ILIMITADAS
LA ELECCIOacuteN DE LAS BANDAS PARA REALIZAR LA COMPOSICIOacuteN Y EL ORDEN DE LAS BANDAS ASIGANADAS A LOS COLORES
PRIMARIOS DEPENDERAacute DE
Sensor Aplicacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EL SEUDO - COLOR
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm formatos de
composiciones
Ya hemos afirmado de que el ojo humano es maacutes capaz de distinguir tonos de color que intensidades de brillo
Por ello el empleo del color ayuda a la interpretacioacuten incluso cuando podamos tener una sola imagen de una banda
Es aquiacute que hablamos del SEUDO COLOR por no contar con tres bandas
El seudo color implica la creacioacuten de una CLUT que asocie el ND de una sola banda a distintos componentes del R V y A APLICACIONES 1 Para tener una leyenda de colores para una img clasificada 2 Para realzar el anaacutelisis de una determinada banda y sustituir los tonos de gris por una paleta de colores
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CLUT COLOUR LOOK-UP TABLE TABLA DE CONSULTA DE COLOR
ENTENDIENDO LAS IMAacuteGENES
httpsenwikipediaorgwikiColour_look-up_table
creacioacuten del seudo color
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Filtros espaciales Concepto de kernel Filtros paso bajo y paso alto Filtros direccionales Anomaliacuteas y correccioacuten atmosfeacuterica Correcciones radiomeacutetricas Anomaliacuteas radiomeacutetricas Fallos en el sensorCorreccioacuten atmosfeacuterica concepto Meacutetodo valores miacutenimos Regresioacuten entre bandas Dispersioacuten por aerosolesCalibracioacuten Caso misioacuten Landsat
47 Interpretacioacuten de Imaacutegenes
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de que es un filtro
espacial
FUNCIONES PARA MEJORAR ASPECTO DE LAS IMAacuteGENES
REALZAN O DISMINUYEN ELEMENTOS VISUALES DE LA IMG
BASADOS EN LA FRECUENCIA ESPACIAL
FRECUENCIAS ESPACIALES ALTAS Variaciones que se producen en pocos piacutexeles TENDENCIA GENERAL FRECUENCIAS ESPACIALES BAJAS
Variaciones que se producen en muchos piacutexeles CONTRASTES LOCALES
FILTROS Figura - CCRS CCT
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de kernel
FILTRADO ESPACIAL Figura - CCRS CCT FILTRADO EN EL DOMINIO
ESPACIAL Lo mas comuacuten es la aplicacioacuten de una ventana deslizante con valores que son coeficientes fijos de una matriz La MATRIZ se suele llamar KERNEL o nuacutecleo del filtro
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DIGITAL
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
3 x 3 5 x 5 7 x 7
1 1 1
1 2 1
1 1 1 matrices
LOS VALORES DEL KERNEL SE MULTIPLICAN POR EL PIacuteXEL QUE TIENEN DEBAJO Y LUEGO SE SUMAN TODOS LOS PRODUCTOS
Y PARA OBTENER EL VALOR DEL PIacuteXEL CENTRAL EN LA IMAGEN TRANSFORMADA SE LO DIVIDE POR LA SUMA DE LOS PONDERADOS O PESOS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO - PASO BAJO PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
26
FILTROS DE PASO BAJO SE FAVORECEN A LOS PIXELES
PERIFEacuteRICOS SE MINIMIZAN LAS DIFERENCIAS CON LOS VECINOS ES UNA ESPECIE DE SUAVIZADO
FILTRO DE PASO ALTO PONDERACIOacuteN DEL VALOR CENTRAL EN DETRIMENTO DE LOS CIRCUNDANTES
SE EXAGERAN DIFERENCIAS Y SE RESALTAN VARIACIONES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO BAJO
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm
simulacioacuten
IMAGEN ORIGINAL
FILTRO PASO BAJO 3x3 SE TRATA DE ASEMEJAR LOS VALORES DE ND DE UN PIXEL A LOS VALORES VECINOS EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA OFRECE PERFILES MENOS NIacuteTIDOS
FILTRO PASO BAJO 7x7 SIRVE PARA REDUCIR VARIABILIDAD ESPACIAL DE ALGUNA CATEGORIacuteA ANTES DE UN PROCESO DE CLASIFICACIOacuteN
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
IMAGEN ORIGINAL
FILTRO PASO ALTO 3x3 SE TRATA DE AISLAR LOS COMPONENTES DE ALTA FRECUENCIA Y REMARCAR DIGITALMENTE CONTRASTES EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA REFUERZA LOS CONTORNOS EN AacuteREAS HOMOGEacuteNEAS
FILTRO PASO ALTO 7x7 SIRVE PARA LOGRAR REALCES DE RASGOS LINEALES COMO PUEDEN SER EN AacuteREAS URBANAS O RASGOS GEOLOacuteGICOS
simulacioacuten
httpgeograuahesrtm
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
Figura - Landsat USGS
IMAGEN ORIGINAL
FILTRO DIRECCIONAL PERMITEN IDENTIFICAR LOS RASGOS FRONTERIZOS EN LAS IMAacuteGENES COMO LOS FILTROS ANTERIORES PERO AHORA CONSIDERANDO LA ORIENTACIOacuteN
se tiene en cuenta la
orientacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
matrices con direccioacuten
NORTE
1 1 1
1 -2 1
-1 -1 -1
SUR
-1 -1 -1
1 -2 1
1 1 1
ESTE
-1 1 1
-1 -2 1
-1 1 1
OESTE
1 1 -1
1 -2 -1
1 1 -1
SURESTE
-1 -1 1
-1 -2 1
1 1 1
NOROESTE
1 1 1
1 -2 -1
1 -1 -1
SUROESTE
1 -1 -1
1 -2 -1
1 1 1
NORESTE
1 1 1
-1 -2 1
-1 -1 1
OBSERVACIOacuteN
LOS NOMBRES OBEDECEN A LA DIRECCIOacuteN DEL CONTRASTE QUE SENtildeALAN
LA DIRECCIOacuteN QUE REALZAN ES JUSTAMENTE LA PERPENDICULAR
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
48 Interpretacioacuten de Imaacutegenes
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Correcciones geomeacutetricas Georreferenciacioacuten Uso de puntos de control Fuentes de error Procesamiento geomeacutetrico Correccioacuten Transformacioacuten geomeacutetrica Calidad y ajuste Generacioacuten de la nueva imagen Transferencia de ND
INSTITUTO DE AGRIMENSURA - DEPARTAMENTO DE GEOMAacuteTICA PROF ADJUNTO GRADO 3 EDISON J ROSAS BERTON
El tratamiento de una imagen de sateacutelite Georreferenciacioacuten
(paso de un sistema de filas y columnas a un sistema de coordenadas estandard)
Para ello debe obtenerse una muestra de puntos de control de los que conozcamos tanto sus coordenadas reales como sus coordenadas en
la imagen deben ser por tanto objetos de un tamantildeo adecuado para resultar identificables tanto en la imagen como sobre el terreno el tamantildeo
dependeraacute loacutegicamente de la resolucioacuten de la imagen A partir de estos puntos de control se obtendraacuten por regresioacuten unas ecuaciones que permitiraacuten a cada par filacolumna un par de coordenadas
XY
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
GEORREFERENCIACIOacuteN
ENTENDIENDO LAS IMAacuteGENES
georreferenciacioacuten porqueacute
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PUNTOS DE CONTROL
ENTENDIENDO LAS IMAacuteGENES
uso de puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
DISTORSIONES POR LA PLATAFORMA ALTITUD DE LA OacuteRBITA ndash Cambio de escala
VELOCIDAD ndash Cambios de escala ORIENTACIOacuteN DE LOS TRES EJES ndash Distorsiones en la geometriacutea
NO SISTEMAacuteTICOS Y COMPLEJOS DE MODELAR
DISTORSIONES POR ROTACIOacuteN TERRESTRE
CONSIDERANDO ALTITUD (800 Km) y TAMANtildeO DE LA IMAGEN (180 Km)ndashEn latitudes medias tarda en adquirir unos 30 segundos la Tierra se desplaza unos 8 Km
ORIENTACIOacuteN NE SW
DISTORSIONES POR EL SENSOR ANOMALIacuteAS SENSOR y MOVIMIENTO ESPEJO ndash Barrido no lineal o cambio en intervalos
AacuteNGULO DE BARRIDO ndash Variacioacuten en el tamantildeo de pixel
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ERROR EN UNA IMAGEN ESPACIAL
ENTENDIENDO LAS IMAacuteGENES
fuentes de error
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Una correccioacuten geomeacutetrica incluye CUALQUIER CAMBIO EN LA POSICIOacuteN DE LOS PIXELES que
conforman la imagen f (c`) = f1 (c l) f (x y) f (l`) = f2 (c l) f (x y)
COORDENADAS DE IMAGEN CORREGIDA SON FUNCIOacuteN DE COORDENADAS COLUMNA Y LIacuteNEA DE LA
IMAGEN DE ENTRADA O DE LAS COORDENADAS DE MAPA AL QUE SUPERPONDREMOS LA IMAGEN
1 CON OBJETIVO DE REALIZAR UNA TRANSFORMACIOacuteN GEOMEacuteTRICA QUE PERMITA AJUSTARLA A OTRA IMAGEN REFERENCIA NORMALMENTE PARA REALIZAR ESTUDIOS MULTITEMPORALES O MOSAICOS CON EL FIN DE AMPLIAR LOS DATOS E INFORMACIOacuteN DE UNA ZONA
2 ESTO PERMITIRAacute QUE LA NUEVA IMAGEN LA PUEDA INTEGRAR CON INFORMACIOacuteN DE OTRAS FUENTES POR EJEMPLO EN UN AMBIENTE SIG
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
correccioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
asumimos que
NO SE CONOCE EL ORIGEN DE LOS ERRORES
modelamos
ECUACIONES EMPIacuteRICAS
aplicadas a un conjunto de puntos
COORDENADAS CONOCIDAS IMAGEN INPUT e IMAGEN OUTPUT
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
1 ndash SELECCIOacuteN DE REFERENCIAS 2 ndash ECUACIONES DE AJUSTE
3 ndash GENERACIOacuteN DE LA IMAGEN CORREGIDA
ES OBVIO CALIDAD DEL AJUSTE DEPENDERAacute DE PRECISIOacuteN CON QUE SE
LOCALICEN LOS PUNTOS DE CONTROL INEXACTA LOCALIZACIOacuteN
DISTRIBUCIOacuteN MUY SECTORIZADA NUacuteMERO DE PUNTOS DE CONTROL INADECUADO
ESTABLECER LOS PUNTOS DE CONTROL FASE MAS CRUCIAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
procesamiento de la correccioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Resaltamos la importancia de
NUacuteMERO LOCALIZACIOacuteN DISTRIBUCIOacuteN
Que debemos atender Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
que considero UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash Croquis ilustrativos de apoyo
TERRENO O ZONAS PLANAS CON IMG OBTENIDAS POR UN SENSOR DE ESTRECHA VISIOacuteN DE CAMPO
TRANSFORMACIOacuteN
BASADO EN ECUACIONES LINEALES SIMPLES
TERRENO ESCARPADO O RUGOSO O UTILIZACIOacuteN DE IMG OBTENIDAS EN UN SENSOR CON VARIACIONES EN LAS CONDICIONES DE OBSERVACIOacuteN
TRANSFORMACIOacuteN MAacuteS COMPLEJA
POLINOMIOS DE SEGUNDO O TERCER ORDEN
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Desde un punto de vista matemaacutetico
GRADO 1 ndash 3 puntos GRADO 2 ndash 6 puntos GRADO 3 ndash 10 puntos
Seguacuten mis objetivos del trabajo no es conveniente utilizar esos miacutenimos
14 a 20 puntos (Landsat 5 MMS ndash seguacuten Bernstein R y D G Ferneyhough Jr 1978)
100 a 120 puntos (Landsat 7 TM ndash seguacuten el National Remote Sensing Center de Inglaterra)
10 o 12 puntos (Pequentildea zona de 512 x 512 pixeles ndash seguacuten Emilio Chuvieco 2010)
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
matemaacuteticamente UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
QUE DEBEMOS DE CONSIDERAR EN CUANTO A LA LOCALIZACIOacuteN
CLARAMENTE IDENTIFICABLES EN IMAGEN Y MAPA RASGOS HUMANOS DEL PAISAJE NO SUJETOS A DINAMISMO TEMPORAL
CRUCE DE CARRETERAS
CAMINOS VIacuteA FEacuteRREAS
NO CONSIDERAR ELEMENTOS ASOCIADOS AL AGUA
COSTA CURSOS DE AGUA
EMBALSES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
localizacioacuten TCP UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la correccioacuten digital de la geometriacutea de una imagen se realiza a partir de establecer unas funciones que relacionen las coordenadas de la imagen
y las coordenadas del mapa
EJ CASO MAS SIMPLE REGRESIOacuteN LINEAL MUacuteLTIPLE
ci = a0 + a1 Xi + a2 Yi li = b0 + b1 Xi + b2 Yi
EN LA PRAacuteCTICA BASTA UNA FUNCIOacuteN LINEAL PARA ABORDAR UN GRAN NUacuteMERO DE
TRANSFORMACIONES Y SON SUFICIENTES SI LAS IMAacuteGENES NO SON MUY GRANDES ANTE LA NECESIDAD DE OTRAS TRANSFORMACIONES SE UTILIZAN DE 2ordm y 3ordm ORDEN CONSIDERANDO ALTERACIONES GEOMEacuteTRICAS NO LINEALES (FUNCIONES QUE NO SE DEFINEN EN UN PLANO
CON EJES LINEALES SINO QUE SUPERFICIES CON EJES CURVILIacuteNEOS)
LOS COEFICIENTES DE LAS FUNCIONES DE TRANSFORMACIOacuteN SE CALCULAN A PARTIR DE UN AJUSTE POR MIacuteNIMOS CUADRADOS
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
funciones de transformacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash ejemplos de funciones de transformacioacuten geomeacutetrica con el efecto causado
TRASLACIOacuteN
CAMBIO DE ESCALA
INCLINACIOacuteN
PERSPECTIVA
ROTACIOacuteN
x = a0 + xacute y = b0 + yacute
x = xacute + a2 yacute y = yacute
x = a1 xacute y = b1 yacute
x = a3xacute yacute y = yacute
x = a4xacute + a5yacute y = b4xacute + b5yacute a4 = b5 = cos Ɵ a5 = -b4 = sen Ɵ
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
transformacioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
comparacioacuten coordenadas reales y las estimadas por la regresioacuten
el promedio de los residuales se conoce como error medio cuadraacutetico
la calidad del ajuste lo da el RMSE (root mean squared error)
(error medio cuadraacutetico)
RMSE es la raiacutez cuadrada de las desviaciones entre los valores reales y los
calculados
RMSE para cada punto es la raiacutez de los residuales al cuadrado que es la distancia entre ellos
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
RMSE UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la praacutectica hace que fijemos una TOLERANCIA y es que si ese promedio supera un valor fijado previamente haya que rever
el valor fijado previamente generalmente es igual o menor a un PIXEL
una correcta verificacioacuten
NECESITA introducir PUNTOS de VERIFICACIOacuteN
que no hayan sido introducidos en el ajuste
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
tolerancias fijadas
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
traducimos coordenadas de un mapa a la imagen tambieacuten necesitamos a la nueva imagen
TRANSFERIR LOS VALORES DIGITALES no olvidar que lo que queremos es generar una nueva imagen que se
corresponda con las coordenadas y las funciones de ajuste
NO ORIGINAN NUEVA IMAGEN solo colocan a los pixeles en la posicioacuten correcta
en criollo las funciones de transformacioacuten generan una nueva matriz bien posicionada pero vaciacutea
DEBEMOS LLENAR LA MATRIZ problema maacutes complejo de lo que puede
pensarse Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
generacioacuten de la nueva imaacutegen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
cada pixel de la imagen corregida se corresponderiacutea con un pixel de la imagen original
LEJOS DE ESE IDEAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo I
vecino maacutes proacuteximo ( nearest neighbour )
a cada celda de la imagen corregida se asigna el ND del pixel maacutes cercano de la
imagen original
SOLUCIOacuteN RAacutePIDA MENOR DISTORSIOacuteN DE LOS ND
INTRODUCE RASGOS LINEALES QUE DISTORSIONAN
CORRECCIOacuteN DE IMAacuteGENES CLASIFICADAS
CONSERVAR LA RADIOMETRIacuteA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo II
interpolacioacuten bilineal ( bilinear interpolation )
supone promediar los ND de los cuatro pixeles mas cercanos
con ponderacioacuten seguacuten la distancia pixeles originalcorregido
REDUCE EL EFECTO DE DISTORSIOacuteN EN RASGOS LINEALES
TIENDE A DIFUMINAR LOS CONTRASTES ESPACIALES
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE IMAacuteGENES RECTIFICADAS MAPAS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo III
convolusioacuten cuacutebica ( cubic convolution )
supone considerar los ND de los 16 pixeles mas proacuteximos
media ponderada seguacuten la distancia pixeles originalcorregido
EFECTO VISUAL MAS CORRECTO
VOLUacuteMEN DE CAacuteLCULO MUY SUPERIOR TENDENCIA A AGUDIZAR BORDES DE LA IMAGEN
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE ORTOIMAacuteGENES IMPRESIONES DE CALIDAD
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
OPTIMIZACIOacuteN DE LAS IMAacuteGENES
ENTENDIENDO LAS IMAacuteGENES
mejorar visualmente las imaacutegenes
MANIPULAR DE FORMA FLEXIBLE Y SOFISTICADA EL ND DE LOS PIXELES
LUEGO DE CORRECCIONES LAS IMAacuteGENES HAY QUE OPTIMIZARLAS DESDE EL PUNTO DE VISTA VISUAL
diferentes tipos
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
REALCES Y MEJORAS VISUALES
ENTENDIENDO LAS IMAacuteGENES
httpamericalatina-nacblogspotcomuy2009_10_01_archivehtml
optimizacioacuten de las imaacutegenes
proceso destinado a facilitar la interpretacioacuten visual
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
ecualizacioacuten del histograma
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
gaussiano
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
lineal 2
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
lineal
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
raiacutez cuadrada
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
lineal 0 - 255
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PORQUEacute EL REALCE
ENTENDIENDO LAS IMAacuteGENES
LOS SENSORES SON CALIBRADOS PARA ABARCAR TODO EL RANGO POSIBLE DE RADIANCIAS
PARA CADA USO EN CONCRETO ES NECESIDAD IMPERIOSA
EXPANDIR EL HISTOGRAMA Y ASIacute CUBRIR EL RANGO COMPLETO DE NIVELES DE GRIS
histograma UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CONTRASTE EN UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
expansioacuten del contraste
los datos uacutetiles solo ocupan pequentildea parte de los niveles de gris disponibles
expandir o estirar el histograma es cambiar los valores originales de ND para utilizar mayor rango
asiacute incrementar el contraste visual de diferentes objetos
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
ejemplos visuales
sin realce lineal
frecuencial gamma
MEacuteTODOS DE EXPANSIOacuteN DEL CONTRASTE
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
lineal
expansioacuten lineal
lo maacutes simple transformacioacuten en liacutenea llevando el valor miacutenimo a 0 y maacuteximo a 255 o se usa un rango por encima y por debajo de miacutenimo y maacuteximo
EXPANSIOacuteN I
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
lineal
EXPANSIOacuteN I expansioacuten
logariacutetmico exponencial
gamma
curvas de transferencia en lugar de rectas gamma es la curvatura de dicha curva se expanden maacutes el contraste de los extremos o del centro
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
frecuencial
EXPANSIOacuteN II
frecuencial ecualizacioacuten del
histograma
cuando los valores de ND no estaacuten distribuidos uniformemente intentar en la medida de lo posible que los valores de salida de los ND tengan el mismo de pixeles con dicho valor
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CONTRASTE EN UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
compresioacuten del contraste
Ya sabemos que el contraste mide el rango dinaacutemico de los colores en la imagen es decir una imagen muy contrastada tiene un amplio abanico de colores (o tonos de gris) desde valores muy bajos a valores muy altos Para una imagen con poco contraste los colores estaacuten muy juntos el margen dinaacutemico es pequentildeo La variacioacuten en el contraste aparece como una compresioacuten del histograma en caso de una reduccioacuten a la inversa de lo visto en el caso de una expansioacuten
Compresioacuten si el rango excede de las capacidades del sistema
Se ha de comparar el nuacutemero de niveles digitales (ND) de la imagen con los niveles de visualizacioacuten (NV) o grises del sistema Es de menos aplicacioacuten Al igual que el brillo variando el contraste se puede provocar una peacuterdida de informacioacuten de la imagen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
MAYOR APLICABILIDAD DEL REALCE
ENTENDIENDO LAS IMAacuteGENES
realce oacuteptimo
realce frecuencial
realce lineal
laquo r e a l c e oacute p t i m o raquo optimiza interpretacioacuten de la imagen
mejor esteacutetica de la imagen NO COINCIDE CON NINGUacuteN CORTE PREDETERMINADO
Y SE LOGRA INTERACTIVAMENTE EN PANTALLA Y PARA CADA BANDA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
COMPOSICIONES COLOR
ENTENDIENDO LAS IMAacuteGENES
formatos de composiciones
CON LA CRECIENTE APARICIOacuteN DE LOS SENSORES HIPERESPECTRALES LAS POSIBILIDADES DE COMPOSICIONES
COLOREADAS DE BANDAS SON CASI ILIMITADAS
LA ELECCIOacuteN DE LAS BANDAS PARA REALIZAR LA COMPOSICIOacuteN Y EL ORDEN DE LAS BANDAS ASIGANADAS A LOS COLORES
PRIMARIOS DEPENDERAacute DE
Sensor Aplicacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EL SEUDO - COLOR
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm formatos de
composiciones
Ya hemos afirmado de que el ojo humano es maacutes capaz de distinguir tonos de color que intensidades de brillo
Por ello el empleo del color ayuda a la interpretacioacuten incluso cuando podamos tener una sola imagen de una banda
Es aquiacute que hablamos del SEUDO COLOR por no contar con tres bandas
El seudo color implica la creacioacuten de una CLUT que asocie el ND de una sola banda a distintos componentes del R V y A APLICACIONES 1 Para tener una leyenda de colores para una img clasificada 2 Para realzar el anaacutelisis de una determinada banda y sustituir los tonos de gris por una paleta de colores
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CLUT COLOUR LOOK-UP TABLE TABLA DE CONSULTA DE COLOR
ENTENDIENDO LAS IMAacuteGENES
httpsenwikipediaorgwikiColour_look-up_table
creacioacuten del seudo color
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Filtros espaciales Concepto de kernel Filtros paso bajo y paso alto Filtros direccionales Anomaliacuteas y correccioacuten atmosfeacuterica Correcciones radiomeacutetricas Anomaliacuteas radiomeacutetricas Fallos en el sensorCorreccioacuten atmosfeacuterica concepto Meacutetodo valores miacutenimos Regresioacuten entre bandas Dispersioacuten por aerosolesCalibracioacuten Caso misioacuten Landsat
47 Interpretacioacuten de Imaacutegenes
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de que es un filtro
espacial
FUNCIONES PARA MEJORAR ASPECTO DE LAS IMAacuteGENES
REALZAN O DISMINUYEN ELEMENTOS VISUALES DE LA IMG
BASADOS EN LA FRECUENCIA ESPACIAL
FRECUENCIAS ESPACIALES ALTAS Variaciones que se producen en pocos piacutexeles TENDENCIA GENERAL FRECUENCIAS ESPACIALES BAJAS
Variaciones que se producen en muchos piacutexeles CONTRASTES LOCALES
FILTROS Figura - CCRS CCT
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de kernel
FILTRADO ESPACIAL Figura - CCRS CCT FILTRADO EN EL DOMINIO
ESPACIAL Lo mas comuacuten es la aplicacioacuten de una ventana deslizante con valores que son coeficientes fijos de una matriz La MATRIZ se suele llamar KERNEL o nuacutecleo del filtro
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DIGITAL
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
3 x 3 5 x 5 7 x 7
1 1 1
1 2 1
1 1 1 matrices
LOS VALORES DEL KERNEL SE MULTIPLICAN POR EL PIacuteXEL QUE TIENEN DEBAJO Y LUEGO SE SUMAN TODOS LOS PRODUCTOS
Y PARA OBTENER EL VALOR DEL PIacuteXEL CENTRAL EN LA IMAGEN TRANSFORMADA SE LO DIVIDE POR LA SUMA DE LOS PONDERADOS O PESOS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO - PASO BAJO PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
26
FILTROS DE PASO BAJO SE FAVORECEN A LOS PIXELES
PERIFEacuteRICOS SE MINIMIZAN LAS DIFERENCIAS CON LOS VECINOS ES UNA ESPECIE DE SUAVIZADO
FILTRO DE PASO ALTO PONDERACIOacuteN DEL VALOR CENTRAL EN DETRIMENTO DE LOS CIRCUNDANTES
SE EXAGERAN DIFERENCIAS Y SE RESALTAN VARIACIONES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO BAJO
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm
simulacioacuten
IMAGEN ORIGINAL
FILTRO PASO BAJO 3x3 SE TRATA DE ASEMEJAR LOS VALORES DE ND DE UN PIXEL A LOS VALORES VECINOS EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA OFRECE PERFILES MENOS NIacuteTIDOS
FILTRO PASO BAJO 7x7 SIRVE PARA REDUCIR VARIABILIDAD ESPACIAL DE ALGUNA CATEGORIacuteA ANTES DE UN PROCESO DE CLASIFICACIOacuteN
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
IMAGEN ORIGINAL
FILTRO PASO ALTO 3x3 SE TRATA DE AISLAR LOS COMPONENTES DE ALTA FRECUENCIA Y REMARCAR DIGITALMENTE CONTRASTES EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA REFUERZA LOS CONTORNOS EN AacuteREAS HOMOGEacuteNEAS
FILTRO PASO ALTO 7x7 SIRVE PARA LOGRAR REALCES DE RASGOS LINEALES COMO PUEDEN SER EN AacuteREAS URBANAS O RASGOS GEOLOacuteGICOS
simulacioacuten
httpgeograuahesrtm
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
Figura - Landsat USGS
IMAGEN ORIGINAL
FILTRO DIRECCIONAL PERMITEN IDENTIFICAR LOS RASGOS FRONTERIZOS EN LAS IMAacuteGENES COMO LOS FILTROS ANTERIORES PERO AHORA CONSIDERANDO LA ORIENTACIOacuteN
se tiene en cuenta la
orientacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
matrices con direccioacuten
NORTE
1 1 1
1 -2 1
-1 -1 -1
SUR
-1 -1 -1
1 -2 1
1 1 1
ESTE
-1 1 1
-1 -2 1
-1 1 1
OESTE
1 1 -1
1 -2 -1
1 1 -1
SURESTE
-1 -1 1
-1 -2 1
1 1 1
NOROESTE
1 1 1
1 -2 -1
1 -1 -1
SUROESTE
1 -1 -1
1 -2 -1
1 1 1
NORESTE
1 1 1
-1 -2 1
-1 -1 1
OBSERVACIOacuteN
LOS NOMBRES OBEDECEN A LA DIRECCIOacuteN DEL CONTRASTE QUE SENtildeALAN
LA DIRECCIOacuteN QUE REALZAN ES JUSTAMENTE LA PERPENDICULAR
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
48 Interpretacioacuten de Imaacutegenes
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Correcciones geomeacutetricas Georreferenciacioacuten Uso de puntos de control Fuentes de error Procesamiento geomeacutetrico Correccioacuten Transformacioacuten geomeacutetrica Calidad y ajuste Generacioacuten de la nueva imagen Transferencia de ND
INSTITUTO DE AGRIMENSURA - DEPARTAMENTO DE GEOMAacuteTICA PROF ADJUNTO GRADO 3 EDISON J ROSAS BERTON
El tratamiento de una imagen de sateacutelite Georreferenciacioacuten
(paso de un sistema de filas y columnas a un sistema de coordenadas estandard)
Para ello debe obtenerse una muestra de puntos de control de los que conozcamos tanto sus coordenadas reales como sus coordenadas en
la imagen deben ser por tanto objetos de un tamantildeo adecuado para resultar identificables tanto en la imagen como sobre el terreno el tamantildeo
dependeraacute loacutegicamente de la resolucioacuten de la imagen A partir de estos puntos de control se obtendraacuten por regresioacuten unas ecuaciones que permitiraacuten a cada par filacolumna un par de coordenadas
XY
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
GEORREFERENCIACIOacuteN
ENTENDIENDO LAS IMAacuteGENES
georreferenciacioacuten porqueacute
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PUNTOS DE CONTROL
ENTENDIENDO LAS IMAacuteGENES
uso de puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
DISTORSIONES POR LA PLATAFORMA ALTITUD DE LA OacuteRBITA ndash Cambio de escala
VELOCIDAD ndash Cambios de escala ORIENTACIOacuteN DE LOS TRES EJES ndash Distorsiones en la geometriacutea
NO SISTEMAacuteTICOS Y COMPLEJOS DE MODELAR
DISTORSIONES POR ROTACIOacuteN TERRESTRE
CONSIDERANDO ALTITUD (800 Km) y TAMANtildeO DE LA IMAGEN (180 Km)ndashEn latitudes medias tarda en adquirir unos 30 segundos la Tierra se desplaza unos 8 Km
ORIENTACIOacuteN NE SW
DISTORSIONES POR EL SENSOR ANOMALIacuteAS SENSOR y MOVIMIENTO ESPEJO ndash Barrido no lineal o cambio en intervalos
AacuteNGULO DE BARRIDO ndash Variacioacuten en el tamantildeo de pixel
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ERROR EN UNA IMAGEN ESPACIAL
ENTENDIENDO LAS IMAacuteGENES
fuentes de error
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Una correccioacuten geomeacutetrica incluye CUALQUIER CAMBIO EN LA POSICIOacuteN DE LOS PIXELES que
conforman la imagen f (c`) = f1 (c l) f (x y) f (l`) = f2 (c l) f (x y)
COORDENADAS DE IMAGEN CORREGIDA SON FUNCIOacuteN DE COORDENADAS COLUMNA Y LIacuteNEA DE LA
IMAGEN DE ENTRADA O DE LAS COORDENADAS DE MAPA AL QUE SUPERPONDREMOS LA IMAGEN
1 CON OBJETIVO DE REALIZAR UNA TRANSFORMACIOacuteN GEOMEacuteTRICA QUE PERMITA AJUSTARLA A OTRA IMAGEN REFERENCIA NORMALMENTE PARA REALIZAR ESTUDIOS MULTITEMPORALES O MOSAICOS CON EL FIN DE AMPLIAR LOS DATOS E INFORMACIOacuteN DE UNA ZONA
2 ESTO PERMITIRAacute QUE LA NUEVA IMAGEN LA PUEDA INTEGRAR CON INFORMACIOacuteN DE OTRAS FUENTES POR EJEMPLO EN UN AMBIENTE SIG
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
correccioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
asumimos que
NO SE CONOCE EL ORIGEN DE LOS ERRORES
modelamos
ECUACIONES EMPIacuteRICAS
aplicadas a un conjunto de puntos
COORDENADAS CONOCIDAS IMAGEN INPUT e IMAGEN OUTPUT
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
1 ndash SELECCIOacuteN DE REFERENCIAS 2 ndash ECUACIONES DE AJUSTE
3 ndash GENERACIOacuteN DE LA IMAGEN CORREGIDA
ES OBVIO CALIDAD DEL AJUSTE DEPENDERAacute DE PRECISIOacuteN CON QUE SE
LOCALICEN LOS PUNTOS DE CONTROL INEXACTA LOCALIZACIOacuteN
DISTRIBUCIOacuteN MUY SECTORIZADA NUacuteMERO DE PUNTOS DE CONTROL INADECUADO
ESTABLECER LOS PUNTOS DE CONTROL FASE MAS CRUCIAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
procesamiento de la correccioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Resaltamos la importancia de
NUacuteMERO LOCALIZACIOacuteN DISTRIBUCIOacuteN
Que debemos atender Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
que considero UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash Croquis ilustrativos de apoyo
TERRENO O ZONAS PLANAS CON IMG OBTENIDAS POR UN SENSOR DE ESTRECHA VISIOacuteN DE CAMPO
TRANSFORMACIOacuteN
BASADO EN ECUACIONES LINEALES SIMPLES
TERRENO ESCARPADO O RUGOSO O UTILIZACIOacuteN DE IMG OBTENIDAS EN UN SENSOR CON VARIACIONES EN LAS CONDICIONES DE OBSERVACIOacuteN
TRANSFORMACIOacuteN MAacuteS COMPLEJA
POLINOMIOS DE SEGUNDO O TERCER ORDEN
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Desde un punto de vista matemaacutetico
GRADO 1 ndash 3 puntos GRADO 2 ndash 6 puntos GRADO 3 ndash 10 puntos
Seguacuten mis objetivos del trabajo no es conveniente utilizar esos miacutenimos
14 a 20 puntos (Landsat 5 MMS ndash seguacuten Bernstein R y D G Ferneyhough Jr 1978)
100 a 120 puntos (Landsat 7 TM ndash seguacuten el National Remote Sensing Center de Inglaterra)
10 o 12 puntos (Pequentildea zona de 512 x 512 pixeles ndash seguacuten Emilio Chuvieco 2010)
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
matemaacuteticamente UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
QUE DEBEMOS DE CONSIDERAR EN CUANTO A LA LOCALIZACIOacuteN
CLARAMENTE IDENTIFICABLES EN IMAGEN Y MAPA RASGOS HUMANOS DEL PAISAJE NO SUJETOS A DINAMISMO TEMPORAL
CRUCE DE CARRETERAS
CAMINOS VIacuteA FEacuteRREAS
NO CONSIDERAR ELEMENTOS ASOCIADOS AL AGUA
COSTA CURSOS DE AGUA
EMBALSES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
localizacioacuten TCP UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la correccioacuten digital de la geometriacutea de una imagen se realiza a partir de establecer unas funciones que relacionen las coordenadas de la imagen
y las coordenadas del mapa
EJ CASO MAS SIMPLE REGRESIOacuteN LINEAL MUacuteLTIPLE
ci = a0 + a1 Xi + a2 Yi li = b0 + b1 Xi + b2 Yi
EN LA PRAacuteCTICA BASTA UNA FUNCIOacuteN LINEAL PARA ABORDAR UN GRAN NUacuteMERO DE
TRANSFORMACIONES Y SON SUFICIENTES SI LAS IMAacuteGENES NO SON MUY GRANDES ANTE LA NECESIDAD DE OTRAS TRANSFORMACIONES SE UTILIZAN DE 2ordm y 3ordm ORDEN CONSIDERANDO ALTERACIONES GEOMEacuteTRICAS NO LINEALES (FUNCIONES QUE NO SE DEFINEN EN UN PLANO
CON EJES LINEALES SINO QUE SUPERFICIES CON EJES CURVILIacuteNEOS)
LOS COEFICIENTES DE LAS FUNCIONES DE TRANSFORMACIOacuteN SE CALCULAN A PARTIR DE UN AJUSTE POR MIacuteNIMOS CUADRADOS
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
funciones de transformacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash ejemplos de funciones de transformacioacuten geomeacutetrica con el efecto causado
TRASLACIOacuteN
CAMBIO DE ESCALA
INCLINACIOacuteN
PERSPECTIVA
ROTACIOacuteN
x = a0 + xacute y = b0 + yacute
x = xacute + a2 yacute y = yacute
x = a1 xacute y = b1 yacute
x = a3xacute yacute y = yacute
x = a4xacute + a5yacute y = b4xacute + b5yacute a4 = b5 = cos Ɵ a5 = -b4 = sen Ɵ
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
transformacioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
comparacioacuten coordenadas reales y las estimadas por la regresioacuten
el promedio de los residuales se conoce como error medio cuadraacutetico
la calidad del ajuste lo da el RMSE (root mean squared error)
(error medio cuadraacutetico)
RMSE es la raiacutez cuadrada de las desviaciones entre los valores reales y los
calculados
RMSE para cada punto es la raiacutez de los residuales al cuadrado que es la distancia entre ellos
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
RMSE UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la praacutectica hace que fijemos una TOLERANCIA y es que si ese promedio supera un valor fijado previamente haya que rever
el valor fijado previamente generalmente es igual o menor a un PIXEL
una correcta verificacioacuten
NECESITA introducir PUNTOS de VERIFICACIOacuteN
que no hayan sido introducidos en el ajuste
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
tolerancias fijadas
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
traducimos coordenadas de un mapa a la imagen tambieacuten necesitamos a la nueva imagen
TRANSFERIR LOS VALORES DIGITALES no olvidar que lo que queremos es generar una nueva imagen que se
corresponda con las coordenadas y las funciones de ajuste
NO ORIGINAN NUEVA IMAGEN solo colocan a los pixeles en la posicioacuten correcta
en criollo las funciones de transformacioacuten generan una nueva matriz bien posicionada pero vaciacutea
DEBEMOS LLENAR LA MATRIZ problema maacutes complejo de lo que puede
pensarse Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
generacioacuten de la nueva imaacutegen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
cada pixel de la imagen corregida se corresponderiacutea con un pixel de la imagen original
LEJOS DE ESE IDEAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo I
vecino maacutes proacuteximo ( nearest neighbour )
a cada celda de la imagen corregida se asigna el ND del pixel maacutes cercano de la
imagen original
SOLUCIOacuteN RAacutePIDA MENOR DISTORSIOacuteN DE LOS ND
INTRODUCE RASGOS LINEALES QUE DISTORSIONAN
CORRECCIOacuteN DE IMAacuteGENES CLASIFICADAS
CONSERVAR LA RADIOMETRIacuteA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo II
interpolacioacuten bilineal ( bilinear interpolation )
supone promediar los ND de los cuatro pixeles mas cercanos
con ponderacioacuten seguacuten la distancia pixeles originalcorregido
REDUCE EL EFECTO DE DISTORSIOacuteN EN RASGOS LINEALES
TIENDE A DIFUMINAR LOS CONTRASTES ESPACIALES
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE IMAacuteGENES RECTIFICADAS MAPAS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo III
convolusioacuten cuacutebica ( cubic convolution )
supone considerar los ND de los 16 pixeles mas proacuteximos
media ponderada seguacuten la distancia pixeles originalcorregido
EFECTO VISUAL MAS CORRECTO
VOLUacuteMEN DE CAacuteLCULO MUY SUPERIOR TENDENCIA A AGUDIZAR BORDES DE LA IMAGEN
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE ORTOIMAacuteGENES IMPRESIONES DE CALIDAD
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
REALCES Y MEJORAS VISUALES
ENTENDIENDO LAS IMAacuteGENES
httpamericalatina-nacblogspotcomuy2009_10_01_archivehtml
optimizacioacuten de las imaacutegenes
proceso destinado a facilitar la interpretacioacuten visual
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
ecualizacioacuten del histograma
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
gaussiano
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
lineal 2
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
lineal
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
raiacutez cuadrada
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
lineal 0 - 255
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PORQUEacute EL REALCE
ENTENDIENDO LAS IMAacuteGENES
LOS SENSORES SON CALIBRADOS PARA ABARCAR TODO EL RANGO POSIBLE DE RADIANCIAS
PARA CADA USO EN CONCRETO ES NECESIDAD IMPERIOSA
EXPANDIR EL HISTOGRAMA Y ASIacute CUBRIR EL RANGO COMPLETO DE NIVELES DE GRIS
histograma UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CONTRASTE EN UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
expansioacuten del contraste
los datos uacutetiles solo ocupan pequentildea parte de los niveles de gris disponibles
expandir o estirar el histograma es cambiar los valores originales de ND para utilizar mayor rango
asiacute incrementar el contraste visual de diferentes objetos
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
ejemplos visuales
sin realce lineal
frecuencial gamma
MEacuteTODOS DE EXPANSIOacuteN DEL CONTRASTE
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
lineal
expansioacuten lineal
lo maacutes simple transformacioacuten en liacutenea llevando el valor miacutenimo a 0 y maacuteximo a 255 o se usa un rango por encima y por debajo de miacutenimo y maacuteximo
EXPANSIOacuteN I
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
lineal
EXPANSIOacuteN I expansioacuten
logariacutetmico exponencial
gamma
curvas de transferencia en lugar de rectas gamma es la curvatura de dicha curva se expanden maacutes el contraste de los extremos o del centro
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
frecuencial
EXPANSIOacuteN II
frecuencial ecualizacioacuten del
histograma
cuando los valores de ND no estaacuten distribuidos uniformemente intentar en la medida de lo posible que los valores de salida de los ND tengan el mismo de pixeles con dicho valor
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CONTRASTE EN UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
compresioacuten del contraste
Ya sabemos que el contraste mide el rango dinaacutemico de los colores en la imagen es decir una imagen muy contrastada tiene un amplio abanico de colores (o tonos de gris) desde valores muy bajos a valores muy altos Para una imagen con poco contraste los colores estaacuten muy juntos el margen dinaacutemico es pequentildeo La variacioacuten en el contraste aparece como una compresioacuten del histograma en caso de una reduccioacuten a la inversa de lo visto en el caso de una expansioacuten
Compresioacuten si el rango excede de las capacidades del sistema
Se ha de comparar el nuacutemero de niveles digitales (ND) de la imagen con los niveles de visualizacioacuten (NV) o grises del sistema Es de menos aplicacioacuten Al igual que el brillo variando el contraste se puede provocar una peacuterdida de informacioacuten de la imagen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
MAYOR APLICABILIDAD DEL REALCE
ENTENDIENDO LAS IMAacuteGENES
realce oacuteptimo
realce frecuencial
realce lineal
laquo r e a l c e oacute p t i m o raquo optimiza interpretacioacuten de la imagen
mejor esteacutetica de la imagen NO COINCIDE CON NINGUacuteN CORTE PREDETERMINADO
Y SE LOGRA INTERACTIVAMENTE EN PANTALLA Y PARA CADA BANDA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
COMPOSICIONES COLOR
ENTENDIENDO LAS IMAacuteGENES
formatos de composiciones
CON LA CRECIENTE APARICIOacuteN DE LOS SENSORES HIPERESPECTRALES LAS POSIBILIDADES DE COMPOSICIONES
COLOREADAS DE BANDAS SON CASI ILIMITADAS
LA ELECCIOacuteN DE LAS BANDAS PARA REALIZAR LA COMPOSICIOacuteN Y EL ORDEN DE LAS BANDAS ASIGANADAS A LOS COLORES
PRIMARIOS DEPENDERAacute DE
Sensor Aplicacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EL SEUDO - COLOR
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm formatos de
composiciones
Ya hemos afirmado de que el ojo humano es maacutes capaz de distinguir tonos de color que intensidades de brillo
Por ello el empleo del color ayuda a la interpretacioacuten incluso cuando podamos tener una sola imagen de una banda
Es aquiacute que hablamos del SEUDO COLOR por no contar con tres bandas
El seudo color implica la creacioacuten de una CLUT que asocie el ND de una sola banda a distintos componentes del R V y A APLICACIONES 1 Para tener una leyenda de colores para una img clasificada 2 Para realzar el anaacutelisis de una determinada banda y sustituir los tonos de gris por una paleta de colores
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CLUT COLOUR LOOK-UP TABLE TABLA DE CONSULTA DE COLOR
ENTENDIENDO LAS IMAacuteGENES
httpsenwikipediaorgwikiColour_look-up_table
creacioacuten del seudo color
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Filtros espaciales Concepto de kernel Filtros paso bajo y paso alto Filtros direccionales Anomaliacuteas y correccioacuten atmosfeacuterica Correcciones radiomeacutetricas Anomaliacuteas radiomeacutetricas Fallos en el sensorCorreccioacuten atmosfeacuterica concepto Meacutetodo valores miacutenimos Regresioacuten entre bandas Dispersioacuten por aerosolesCalibracioacuten Caso misioacuten Landsat
47 Interpretacioacuten de Imaacutegenes
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de que es un filtro
espacial
FUNCIONES PARA MEJORAR ASPECTO DE LAS IMAacuteGENES
REALZAN O DISMINUYEN ELEMENTOS VISUALES DE LA IMG
BASADOS EN LA FRECUENCIA ESPACIAL
FRECUENCIAS ESPACIALES ALTAS Variaciones que se producen en pocos piacutexeles TENDENCIA GENERAL FRECUENCIAS ESPACIALES BAJAS
Variaciones que se producen en muchos piacutexeles CONTRASTES LOCALES
FILTROS Figura - CCRS CCT
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de kernel
FILTRADO ESPACIAL Figura - CCRS CCT FILTRADO EN EL DOMINIO
ESPACIAL Lo mas comuacuten es la aplicacioacuten de una ventana deslizante con valores que son coeficientes fijos de una matriz La MATRIZ se suele llamar KERNEL o nuacutecleo del filtro
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DIGITAL
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
3 x 3 5 x 5 7 x 7
1 1 1
1 2 1
1 1 1 matrices
LOS VALORES DEL KERNEL SE MULTIPLICAN POR EL PIacuteXEL QUE TIENEN DEBAJO Y LUEGO SE SUMAN TODOS LOS PRODUCTOS
Y PARA OBTENER EL VALOR DEL PIacuteXEL CENTRAL EN LA IMAGEN TRANSFORMADA SE LO DIVIDE POR LA SUMA DE LOS PONDERADOS O PESOS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO - PASO BAJO PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
26
FILTROS DE PASO BAJO SE FAVORECEN A LOS PIXELES
PERIFEacuteRICOS SE MINIMIZAN LAS DIFERENCIAS CON LOS VECINOS ES UNA ESPECIE DE SUAVIZADO
FILTRO DE PASO ALTO PONDERACIOacuteN DEL VALOR CENTRAL EN DETRIMENTO DE LOS CIRCUNDANTES
SE EXAGERAN DIFERENCIAS Y SE RESALTAN VARIACIONES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO BAJO
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm
simulacioacuten
IMAGEN ORIGINAL
FILTRO PASO BAJO 3x3 SE TRATA DE ASEMEJAR LOS VALORES DE ND DE UN PIXEL A LOS VALORES VECINOS EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA OFRECE PERFILES MENOS NIacuteTIDOS
FILTRO PASO BAJO 7x7 SIRVE PARA REDUCIR VARIABILIDAD ESPACIAL DE ALGUNA CATEGORIacuteA ANTES DE UN PROCESO DE CLASIFICACIOacuteN
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
IMAGEN ORIGINAL
FILTRO PASO ALTO 3x3 SE TRATA DE AISLAR LOS COMPONENTES DE ALTA FRECUENCIA Y REMARCAR DIGITALMENTE CONTRASTES EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA REFUERZA LOS CONTORNOS EN AacuteREAS HOMOGEacuteNEAS
FILTRO PASO ALTO 7x7 SIRVE PARA LOGRAR REALCES DE RASGOS LINEALES COMO PUEDEN SER EN AacuteREAS URBANAS O RASGOS GEOLOacuteGICOS
simulacioacuten
httpgeograuahesrtm
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
Figura - Landsat USGS
IMAGEN ORIGINAL
FILTRO DIRECCIONAL PERMITEN IDENTIFICAR LOS RASGOS FRONTERIZOS EN LAS IMAacuteGENES COMO LOS FILTROS ANTERIORES PERO AHORA CONSIDERANDO LA ORIENTACIOacuteN
se tiene en cuenta la
orientacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
matrices con direccioacuten
NORTE
1 1 1
1 -2 1
-1 -1 -1
SUR
-1 -1 -1
1 -2 1
1 1 1
ESTE
-1 1 1
-1 -2 1
-1 1 1
OESTE
1 1 -1
1 -2 -1
1 1 -1
SURESTE
-1 -1 1
-1 -2 1
1 1 1
NOROESTE
1 1 1
1 -2 -1
1 -1 -1
SUROESTE
1 -1 -1
1 -2 -1
1 1 1
NORESTE
1 1 1
-1 -2 1
-1 -1 1
OBSERVACIOacuteN
LOS NOMBRES OBEDECEN A LA DIRECCIOacuteN DEL CONTRASTE QUE SENtildeALAN
LA DIRECCIOacuteN QUE REALZAN ES JUSTAMENTE LA PERPENDICULAR
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
48 Interpretacioacuten de Imaacutegenes
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Correcciones geomeacutetricas Georreferenciacioacuten Uso de puntos de control Fuentes de error Procesamiento geomeacutetrico Correccioacuten Transformacioacuten geomeacutetrica Calidad y ajuste Generacioacuten de la nueva imagen Transferencia de ND
INSTITUTO DE AGRIMENSURA - DEPARTAMENTO DE GEOMAacuteTICA PROF ADJUNTO GRADO 3 EDISON J ROSAS BERTON
El tratamiento de una imagen de sateacutelite Georreferenciacioacuten
(paso de un sistema de filas y columnas a un sistema de coordenadas estandard)
Para ello debe obtenerse una muestra de puntos de control de los que conozcamos tanto sus coordenadas reales como sus coordenadas en
la imagen deben ser por tanto objetos de un tamantildeo adecuado para resultar identificables tanto en la imagen como sobre el terreno el tamantildeo
dependeraacute loacutegicamente de la resolucioacuten de la imagen A partir de estos puntos de control se obtendraacuten por regresioacuten unas ecuaciones que permitiraacuten a cada par filacolumna un par de coordenadas
XY
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
GEORREFERENCIACIOacuteN
ENTENDIENDO LAS IMAacuteGENES
georreferenciacioacuten porqueacute
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PUNTOS DE CONTROL
ENTENDIENDO LAS IMAacuteGENES
uso de puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
DISTORSIONES POR LA PLATAFORMA ALTITUD DE LA OacuteRBITA ndash Cambio de escala
VELOCIDAD ndash Cambios de escala ORIENTACIOacuteN DE LOS TRES EJES ndash Distorsiones en la geometriacutea
NO SISTEMAacuteTICOS Y COMPLEJOS DE MODELAR
DISTORSIONES POR ROTACIOacuteN TERRESTRE
CONSIDERANDO ALTITUD (800 Km) y TAMANtildeO DE LA IMAGEN (180 Km)ndashEn latitudes medias tarda en adquirir unos 30 segundos la Tierra se desplaza unos 8 Km
ORIENTACIOacuteN NE SW
DISTORSIONES POR EL SENSOR ANOMALIacuteAS SENSOR y MOVIMIENTO ESPEJO ndash Barrido no lineal o cambio en intervalos
AacuteNGULO DE BARRIDO ndash Variacioacuten en el tamantildeo de pixel
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ERROR EN UNA IMAGEN ESPACIAL
ENTENDIENDO LAS IMAacuteGENES
fuentes de error
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Una correccioacuten geomeacutetrica incluye CUALQUIER CAMBIO EN LA POSICIOacuteN DE LOS PIXELES que
conforman la imagen f (c`) = f1 (c l) f (x y) f (l`) = f2 (c l) f (x y)
COORDENADAS DE IMAGEN CORREGIDA SON FUNCIOacuteN DE COORDENADAS COLUMNA Y LIacuteNEA DE LA
IMAGEN DE ENTRADA O DE LAS COORDENADAS DE MAPA AL QUE SUPERPONDREMOS LA IMAGEN
1 CON OBJETIVO DE REALIZAR UNA TRANSFORMACIOacuteN GEOMEacuteTRICA QUE PERMITA AJUSTARLA A OTRA IMAGEN REFERENCIA NORMALMENTE PARA REALIZAR ESTUDIOS MULTITEMPORALES O MOSAICOS CON EL FIN DE AMPLIAR LOS DATOS E INFORMACIOacuteN DE UNA ZONA
2 ESTO PERMITIRAacute QUE LA NUEVA IMAGEN LA PUEDA INTEGRAR CON INFORMACIOacuteN DE OTRAS FUENTES POR EJEMPLO EN UN AMBIENTE SIG
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
correccioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
asumimos que
NO SE CONOCE EL ORIGEN DE LOS ERRORES
modelamos
ECUACIONES EMPIacuteRICAS
aplicadas a un conjunto de puntos
COORDENADAS CONOCIDAS IMAGEN INPUT e IMAGEN OUTPUT
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
1 ndash SELECCIOacuteN DE REFERENCIAS 2 ndash ECUACIONES DE AJUSTE
3 ndash GENERACIOacuteN DE LA IMAGEN CORREGIDA
ES OBVIO CALIDAD DEL AJUSTE DEPENDERAacute DE PRECISIOacuteN CON QUE SE
LOCALICEN LOS PUNTOS DE CONTROL INEXACTA LOCALIZACIOacuteN
DISTRIBUCIOacuteN MUY SECTORIZADA NUacuteMERO DE PUNTOS DE CONTROL INADECUADO
ESTABLECER LOS PUNTOS DE CONTROL FASE MAS CRUCIAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
procesamiento de la correccioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Resaltamos la importancia de
NUacuteMERO LOCALIZACIOacuteN DISTRIBUCIOacuteN
Que debemos atender Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
que considero UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash Croquis ilustrativos de apoyo
TERRENO O ZONAS PLANAS CON IMG OBTENIDAS POR UN SENSOR DE ESTRECHA VISIOacuteN DE CAMPO
TRANSFORMACIOacuteN
BASADO EN ECUACIONES LINEALES SIMPLES
TERRENO ESCARPADO O RUGOSO O UTILIZACIOacuteN DE IMG OBTENIDAS EN UN SENSOR CON VARIACIONES EN LAS CONDICIONES DE OBSERVACIOacuteN
TRANSFORMACIOacuteN MAacuteS COMPLEJA
POLINOMIOS DE SEGUNDO O TERCER ORDEN
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Desde un punto de vista matemaacutetico
GRADO 1 ndash 3 puntos GRADO 2 ndash 6 puntos GRADO 3 ndash 10 puntos
Seguacuten mis objetivos del trabajo no es conveniente utilizar esos miacutenimos
14 a 20 puntos (Landsat 5 MMS ndash seguacuten Bernstein R y D G Ferneyhough Jr 1978)
100 a 120 puntos (Landsat 7 TM ndash seguacuten el National Remote Sensing Center de Inglaterra)
10 o 12 puntos (Pequentildea zona de 512 x 512 pixeles ndash seguacuten Emilio Chuvieco 2010)
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
matemaacuteticamente UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
QUE DEBEMOS DE CONSIDERAR EN CUANTO A LA LOCALIZACIOacuteN
CLARAMENTE IDENTIFICABLES EN IMAGEN Y MAPA RASGOS HUMANOS DEL PAISAJE NO SUJETOS A DINAMISMO TEMPORAL
CRUCE DE CARRETERAS
CAMINOS VIacuteA FEacuteRREAS
NO CONSIDERAR ELEMENTOS ASOCIADOS AL AGUA
COSTA CURSOS DE AGUA
EMBALSES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
localizacioacuten TCP UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la correccioacuten digital de la geometriacutea de una imagen se realiza a partir de establecer unas funciones que relacionen las coordenadas de la imagen
y las coordenadas del mapa
EJ CASO MAS SIMPLE REGRESIOacuteN LINEAL MUacuteLTIPLE
ci = a0 + a1 Xi + a2 Yi li = b0 + b1 Xi + b2 Yi
EN LA PRAacuteCTICA BASTA UNA FUNCIOacuteN LINEAL PARA ABORDAR UN GRAN NUacuteMERO DE
TRANSFORMACIONES Y SON SUFICIENTES SI LAS IMAacuteGENES NO SON MUY GRANDES ANTE LA NECESIDAD DE OTRAS TRANSFORMACIONES SE UTILIZAN DE 2ordm y 3ordm ORDEN CONSIDERANDO ALTERACIONES GEOMEacuteTRICAS NO LINEALES (FUNCIONES QUE NO SE DEFINEN EN UN PLANO
CON EJES LINEALES SINO QUE SUPERFICIES CON EJES CURVILIacuteNEOS)
LOS COEFICIENTES DE LAS FUNCIONES DE TRANSFORMACIOacuteN SE CALCULAN A PARTIR DE UN AJUSTE POR MIacuteNIMOS CUADRADOS
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
funciones de transformacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash ejemplos de funciones de transformacioacuten geomeacutetrica con el efecto causado
TRASLACIOacuteN
CAMBIO DE ESCALA
INCLINACIOacuteN
PERSPECTIVA
ROTACIOacuteN
x = a0 + xacute y = b0 + yacute
x = xacute + a2 yacute y = yacute
x = a1 xacute y = b1 yacute
x = a3xacute yacute y = yacute
x = a4xacute + a5yacute y = b4xacute + b5yacute a4 = b5 = cos Ɵ a5 = -b4 = sen Ɵ
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
transformacioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
comparacioacuten coordenadas reales y las estimadas por la regresioacuten
el promedio de los residuales se conoce como error medio cuadraacutetico
la calidad del ajuste lo da el RMSE (root mean squared error)
(error medio cuadraacutetico)
RMSE es la raiacutez cuadrada de las desviaciones entre los valores reales y los
calculados
RMSE para cada punto es la raiacutez de los residuales al cuadrado que es la distancia entre ellos
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
RMSE UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la praacutectica hace que fijemos una TOLERANCIA y es que si ese promedio supera un valor fijado previamente haya que rever
el valor fijado previamente generalmente es igual o menor a un PIXEL
una correcta verificacioacuten
NECESITA introducir PUNTOS de VERIFICACIOacuteN
que no hayan sido introducidos en el ajuste
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
tolerancias fijadas
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
traducimos coordenadas de un mapa a la imagen tambieacuten necesitamos a la nueva imagen
TRANSFERIR LOS VALORES DIGITALES no olvidar que lo que queremos es generar una nueva imagen que se
corresponda con las coordenadas y las funciones de ajuste
NO ORIGINAN NUEVA IMAGEN solo colocan a los pixeles en la posicioacuten correcta
en criollo las funciones de transformacioacuten generan una nueva matriz bien posicionada pero vaciacutea
DEBEMOS LLENAR LA MATRIZ problema maacutes complejo de lo que puede
pensarse Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
generacioacuten de la nueva imaacutegen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
cada pixel de la imagen corregida se corresponderiacutea con un pixel de la imagen original
LEJOS DE ESE IDEAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo I
vecino maacutes proacuteximo ( nearest neighbour )
a cada celda de la imagen corregida se asigna el ND del pixel maacutes cercano de la
imagen original
SOLUCIOacuteN RAacutePIDA MENOR DISTORSIOacuteN DE LOS ND
INTRODUCE RASGOS LINEALES QUE DISTORSIONAN
CORRECCIOacuteN DE IMAacuteGENES CLASIFICADAS
CONSERVAR LA RADIOMETRIacuteA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo II
interpolacioacuten bilineal ( bilinear interpolation )
supone promediar los ND de los cuatro pixeles mas cercanos
con ponderacioacuten seguacuten la distancia pixeles originalcorregido
REDUCE EL EFECTO DE DISTORSIOacuteN EN RASGOS LINEALES
TIENDE A DIFUMINAR LOS CONTRASTES ESPACIALES
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE IMAacuteGENES RECTIFICADAS MAPAS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo III
convolusioacuten cuacutebica ( cubic convolution )
supone considerar los ND de los 16 pixeles mas proacuteximos
media ponderada seguacuten la distancia pixeles originalcorregido
EFECTO VISUAL MAS CORRECTO
VOLUacuteMEN DE CAacuteLCULO MUY SUPERIOR TENDENCIA A AGUDIZAR BORDES DE LA IMAGEN
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE ORTOIMAacuteGENES IMPRESIONES DE CALIDAD
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
ecualizacioacuten del histograma
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
gaussiano
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
lineal 2
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
lineal
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
raiacutez cuadrada
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
lineal 0 - 255
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PORQUEacute EL REALCE
ENTENDIENDO LAS IMAacuteGENES
LOS SENSORES SON CALIBRADOS PARA ABARCAR TODO EL RANGO POSIBLE DE RADIANCIAS
PARA CADA USO EN CONCRETO ES NECESIDAD IMPERIOSA
EXPANDIR EL HISTOGRAMA Y ASIacute CUBRIR EL RANGO COMPLETO DE NIVELES DE GRIS
histograma UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CONTRASTE EN UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
expansioacuten del contraste
los datos uacutetiles solo ocupan pequentildea parte de los niveles de gris disponibles
expandir o estirar el histograma es cambiar los valores originales de ND para utilizar mayor rango
asiacute incrementar el contraste visual de diferentes objetos
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
ejemplos visuales
sin realce lineal
frecuencial gamma
MEacuteTODOS DE EXPANSIOacuteN DEL CONTRASTE
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
lineal
expansioacuten lineal
lo maacutes simple transformacioacuten en liacutenea llevando el valor miacutenimo a 0 y maacuteximo a 255 o se usa un rango por encima y por debajo de miacutenimo y maacuteximo
EXPANSIOacuteN I
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
lineal
EXPANSIOacuteN I expansioacuten
logariacutetmico exponencial
gamma
curvas de transferencia en lugar de rectas gamma es la curvatura de dicha curva se expanden maacutes el contraste de los extremos o del centro
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
frecuencial
EXPANSIOacuteN II
frecuencial ecualizacioacuten del
histograma
cuando los valores de ND no estaacuten distribuidos uniformemente intentar en la medida de lo posible que los valores de salida de los ND tengan el mismo de pixeles con dicho valor
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CONTRASTE EN UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
compresioacuten del contraste
Ya sabemos que el contraste mide el rango dinaacutemico de los colores en la imagen es decir una imagen muy contrastada tiene un amplio abanico de colores (o tonos de gris) desde valores muy bajos a valores muy altos Para una imagen con poco contraste los colores estaacuten muy juntos el margen dinaacutemico es pequentildeo La variacioacuten en el contraste aparece como una compresioacuten del histograma en caso de una reduccioacuten a la inversa de lo visto en el caso de una expansioacuten
Compresioacuten si el rango excede de las capacidades del sistema
Se ha de comparar el nuacutemero de niveles digitales (ND) de la imagen con los niveles de visualizacioacuten (NV) o grises del sistema Es de menos aplicacioacuten Al igual que el brillo variando el contraste se puede provocar una peacuterdida de informacioacuten de la imagen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
MAYOR APLICABILIDAD DEL REALCE
ENTENDIENDO LAS IMAacuteGENES
realce oacuteptimo
realce frecuencial
realce lineal
laquo r e a l c e oacute p t i m o raquo optimiza interpretacioacuten de la imagen
mejor esteacutetica de la imagen NO COINCIDE CON NINGUacuteN CORTE PREDETERMINADO
Y SE LOGRA INTERACTIVAMENTE EN PANTALLA Y PARA CADA BANDA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
COMPOSICIONES COLOR
ENTENDIENDO LAS IMAacuteGENES
formatos de composiciones
CON LA CRECIENTE APARICIOacuteN DE LOS SENSORES HIPERESPECTRALES LAS POSIBILIDADES DE COMPOSICIONES
COLOREADAS DE BANDAS SON CASI ILIMITADAS
LA ELECCIOacuteN DE LAS BANDAS PARA REALIZAR LA COMPOSICIOacuteN Y EL ORDEN DE LAS BANDAS ASIGANADAS A LOS COLORES
PRIMARIOS DEPENDERAacute DE
Sensor Aplicacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EL SEUDO - COLOR
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm formatos de
composiciones
Ya hemos afirmado de que el ojo humano es maacutes capaz de distinguir tonos de color que intensidades de brillo
Por ello el empleo del color ayuda a la interpretacioacuten incluso cuando podamos tener una sola imagen de una banda
Es aquiacute que hablamos del SEUDO COLOR por no contar con tres bandas
El seudo color implica la creacioacuten de una CLUT que asocie el ND de una sola banda a distintos componentes del R V y A APLICACIONES 1 Para tener una leyenda de colores para una img clasificada 2 Para realzar el anaacutelisis de una determinada banda y sustituir los tonos de gris por una paleta de colores
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CLUT COLOUR LOOK-UP TABLE TABLA DE CONSULTA DE COLOR
ENTENDIENDO LAS IMAacuteGENES
httpsenwikipediaorgwikiColour_look-up_table
creacioacuten del seudo color
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Filtros espaciales Concepto de kernel Filtros paso bajo y paso alto Filtros direccionales Anomaliacuteas y correccioacuten atmosfeacuterica Correcciones radiomeacutetricas Anomaliacuteas radiomeacutetricas Fallos en el sensorCorreccioacuten atmosfeacuterica concepto Meacutetodo valores miacutenimos Regresioacuten entre bandas Dispersioacuten por aerosolesCalibracioacuten Caso misioacuten Landsat
47 Interpretacioacuten de Imaacutegenes
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de que es un filtro
espacial
FUNCIONES PARA MEJORAR ASPECTO DE LAS IMAacuteGENES
REALZAN O DISMINUYEN ELEMENTOS VISUALES DE LA IMG
BASADOS EN LA FRECUENCIA ESPACIAL
FRECUENCIAS ESPACIALES ALTAS Variaciones que se producen en pocos piacutexeles TENDENCIA GENERAL FRECUENCIAS ESPACIALES BAJAS
Variaciones que se producen en muchos piacutexeles CONTRASTES LOCALES
FILTROS Figura - CCRS CCT
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de kernel
FILTRADO ESPACIAL Figura - CCRS CCT FILTRADO EN EL DOMINIO
ESPACIAL Lo mas comuacuten es la aplicacioacuten de una ventana deslizante con valores que son coeficientes fijos de una matriz La MATRIZ se suele llamar KERNEL o nuacutecleo del filtro
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DIGITAL
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
3 x 3 5 x 5 7 x 7
1 1 1
1 2 1
1 1 1 matrices
LOS VALORES DEL KERNEL SE MULTIPLICAN POR EL PIacuteXEL QUE TIENEN DEBAJO Y LUEGO SE SUMAN TODOS LOS PRODUCTOS
Y PARA OBTENER EL VALOR DEL PIacuteXEL CENTRAL EN LA IMAGEN TRANSFORMADA SE LO DIVIDE POR LA SUMA DE LOS PONDERADOS O PESOS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO - PASO BAJO PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
26
FILTROS DE PASO BAJO SE FAVORECEN A LOS PIXELES
PERIFEacuteRICOS SE MINIMIZAN LAS DIFERENCIAS CON LOS VECINOS ES UNA ESPECIE DE SUAVIZADO
FILTRO DE PASO ALTO PONDERACIOacuteN DEL VALOR CENTRAL EN DETRIMENTO DE LOS CIRCUNDANTES
SE EXAGERAN DIFERENCIAS Y SE RESALTAN VARIACIONES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO BAJO
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm
simulacioacuten
IMAGEN ORIGINAL
FILTRO PASO BAJO 3x3 SE TRATA DE ASEMEJAR LOS VALORES DE ND DE UN PIXEL A LOS VALORES VECINOS EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA OFRECE PERFILES MENOS NIacuteTIDOS
FILTRO PASO BAJO 7x7 SIRVE PARA REDUCIR VARIABILIDAD ESPACIAL DE ALGUNA CATEGORIacuteA ANTES DE UN PROCESO DE CLASIFICACIOacuteN
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
IMAGEN ORIGINAL
FILTRO PASO ALTO 3x3 SE TRATA DE AISLAR LOS COMPONENTES DE ALTA FRECUENCIA Y REMARCAR DIGITALMENTE CONTRASTES EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA REFUERZA LOS CONTORNOS EN AacuteREAS HOMOGEacuteNEAS
FILTRO PASO ALTO 7x7 SIRVE PARA LOGRAR REALCES DE RASGOS LINEALES COMO PUEDEN SER EN AacuteREAS URBANAS O RASGOS GEOLOacuteGICOS
simulacioacuten
httpgeograuahesrtm
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
Figura - Landsat USGS
IMAGEN ORIGINAL
FILTRO DIRECCIONAL PERMITEN IDENTIFICAR LOS RASGOS FRONTERIZOS EN LAS IMAacuteGENES COMO LOS FILTROS ANTERIORES PERO AHORA CONSIDERANDO LA ORIENTACIOacuteN
se tiene en cuenta la
orientacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
matrices con direccioacuten
NORTE
1 1 1
1 -2 1
-1 -1 -1
SUR
-1 -1 -1
1 -2 1
1 1 1
ESTE
-1 1 1
-1 -2 1
-1 1 1
OESTE
1 1 -1
1 -2 -1
1 1 -1
SURESTE
-1 -1 1
-1 -2 1
1 1 1
NOROESTE
1 1 1
1 -2 -1
1 -1 -1
SUROESTE
1 -1 -1
1 -2 -1
1 1 1
NORESTE
1 1 1
-1 -2 1
-1 -1 1
OBSERVACIOacuteN
LOS NOMBRES OBEDECEN A LA DIRECCIOacuteN DEL CONTRASTE QUE SENtildeALAN
LA DIRECCIOacuteN QUE REALZAN ES JUSTAMENTE LA PERPENDICULAR
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
48 Interpretacioacuten de Imaacutegenes
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Correcciones geomeacutetricas Georreferenciacioacuten Uso de puntos de control Fuentes de error Procesamiento geomeacutetrico Correccioacuten Transformacioacuten geomeacutetrica Calidad y ajuste Generacioacuten de la nueva imagen Transferencia de ND
INSTITUTO DE AGRIMENSURA - DEPARTAMENTO DE GEOMAacuteTICA PROF ADJUNTO GRADO 3 EDISON J ROSAS BERTON
El tratamiento de una imagen de sateacutelite Georreferenciacioacuten
(paso de un sistema de filas y columnas a un sistema de coordenadas estandard)
Para ello debe obtenerse una muestra de puntos de control de los que conozcamos tanto sus coordenadas reales como sus coordenadas en
la imagen deben ser por tanto objetos de un tamantildeo adecuado para resultar identificables tanto en la imagen como sobre el terreno el tamantildeo
dependeraacute loacutegicamente de la resolucioacuten de la imagen A partir de estos puntos de control se obtendraacuten por regresioacuten unas ecuaciones que permitiraacuten a cada par filacolumna un par de coordenadas
XY
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
GEORREFERENCIACIOacuteN
ENTENDIENDO LAS IMAacuteGENES
georreferenciacioacuten porqueacute
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PUNTOS DE CONTROL
ENTENDIENDO LAS IMAacuteGENES
uso de puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
DISTORSIONES POR LA PLATAFORMA ALTITUD DE LA OacuteRBITA ndash Cambio de escala
VELOCIDAD ndash Cambios de escala ORIENTACIOacuteN DE LOS TRES EJES ndash Distorsiones en la geometriacutea
NO SISTEMAacuteTICOS Y COMPLEJOS DE MODELAR
DISTORSIONES POR ROTACIOacuteN TERRESTRE
CONSIDERANDO ALTITUD (800 Km) y TAMANtildeO DE LA IMAGEN (180 Km)ndashEn latitudes medias tarda en adquirir unos 30 segundos la Tierra se desplaza unos 8 Km
ORIENTACIOacuteN NE SW
DISTORSIONES POR EL SENSOR ANOMALIacuteAS SENSOR y MOVIMIENTO ESPEJO ndash Barrido no lineal o cambio en intervalos
AacuteNGULO DE BARRIDO ndash Variacioacuten en el tamantildeo de pixel
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ERROR EN UNA IMAGEN ESPACIAL
ENTENDIENDO LAS IMAacuteGENES
fuentes de error
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Una correccioacuten geomeacutetrica incluye CUALQUIER CAMBIO EN LA POSICIOacuteN DE LOS PIXELES que
conforman la imagen f (c`) = f1 (c l) f (x y) f (l`) = f2 (c l) f (x y)
COORDENADAS DE IMAGEN CORREGIDA SON FUNCIOacuteN DE COORDENADAS COLUMNA Y LIacuteNEA DE LA
IMAGEN DE ENTRADA O DE LAS COORDENADAS DE MAPA AL QUE SUPERPONDREMOS LA IMAGEN
1 CON OBJETIVO DE REALIZAR UNA TRANSFORMACIOacuteN GEOMEacuteTRICA QUE PERMITA AJUSTARLA A OTRA IMAGEN REFERENCIA NORMALMENTE PARA REALIZAR ESTUDIOS MULTITEMPORALES O MOSAICOS CON EL FIN DE AMPLIAR LOS DATOS E INFORMACIOacuteN DE UNA ZONA
2 ESTO PERMITIRAacute QUE LA NUEVA IMAGEN LA PUEDA INTEGRAR CON INFORMACIOacuteN DE OTRAS FUENTES POR EJEMPLO EN UN AMBIENTE SIG
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
correccioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
asumimos que
NO SE CONOCE EL ORIGEN DE LOS ERRORES
modelamos
ECUACIONES EMPIacuteRICAS
aplicadas a un conjunto de puntos
COORDENADAS CONOCIDAS IMAGEN INPUT e IMAGEN OUTPUT
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
1 ndash SELECCIOacuteN DE REFERENCIAS 2 ndash ECUACIONES DE AJUSTE
3 ndash GENERACIOacuteN DE LA IMAGEN CORREGIDA
ES OBVIO CALIDAD DEL AJUSTE DEPENDERAacute DE PRECISIOacuteN CON QUE SE
LOCALICEN LOS PUNTOS DE CONTROL INEXACTA LOCALIZACIOacuteN
DISTRIBUCIOacuteN MUY SECTORIZADA NUacuteMERO DE PUNTOS DE CONTROL INADECUADO
ESTABLECER LOS PUNTOS DE CONTROL FASE MAS CRUCIAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
procesamiento de la correccioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Resaltamos la importancia de
NUacuteMERO LOCALIZACIOacuteN DISTRIBUCIOacuteN
Que debemos atender Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
que considero UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash Croquis ilustrativos de apoyo
TERRENO O ZONAS PLANAS CON IMG OBTENIDAS POR UN SENSOR DE ESTRECHA VISIOacuteN DE CAMPO
TRANSFORMACIOacuteN
BASADO EN ECUACIONES LINEALES SIMPLES
TERRENO ESCARPADO O RUGOSO O UTILIZACIOacuteN DE IMG OBTENIDAS EN UN SENSOR CON VARIACIONES EN LAS CONDICIONES DE OBSERVACIOacuteN
TRANSFORMACIOacuteN MAacuteS COMPLEJA
POLINOMIOS DE SEGUNDO O TERCER ORDEN
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Desde un punto de vista matemaacutetico
GRADO 1 ndash 3 puntos GRADO 2 ndash 6 puntos GRADO 3 ndash 10 puntos
Seguacuten mis objetivos del trabajo no es conveniente utilizar esos miacutenimos
14 a 20 puntos (Landsat 5 MMS ndash seguacuten Bernstein R y D G Ferneyhough Jr 1978)
100 a 120 puntos (Landsat 7 TM ndash seguacuten el National Remote Sensing Center de Inglaterra)
10 o 12 puntos (Pequentildea zona de 512 x 512 pixeles ndash seguacuten Emilio Chuvieco 2010)
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
matemaacuteticamente UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
QUE DEBEMOS DE CONSIDERAR EN CUANTO A LA LOCALIZACIOacuteN
CLARAMENTE IDENTIFICABLES EN IMAGEN Y MAPA RASGOS HUMANOS DEL PAISAJE NO SUJETOS A DINAMISMO TEMPORAL
CRUCE DE CARRETERAS
CAMINOS VIacuteA FEacuteRREAS
NO CONSIDERAR ELEMENTOS ASOCIADOS AL AGUA
COSTA CURSOS DE AGUA
EMBALSES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
localizacioacuten TCP UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la correccioacuten digital de la geometriacutea de una imagen se realiza a partir de establecer unas funciones que relacionen las coordenadas de la imagen
y las coordenadas del mapa
EJ CASO MAS SIMPLE REGRESIOacuteN LINEAL MUacuteLTIPLE
ci = a0 + a1 Xi + a2 Yi li = b0 + b1 Xi + b2 Yi
EN LA PRAacuteCTICA BASTA UNA FUNCIOacuteN LINEAL PARA ABORDAR UN GRAN NUacuteMERO DE
TRANSFORMACIONES Y SON SUFICIENTES SI LAS IMAacuteGENES NO SON MUY GRANDES ANTE LA NECESIDAD DE OTRAS TRANSFORMACIONES SE UTILIZAN DE 2ordm y 3ordm ORDEN CONSIDERANDO ALTERACIONES GEOMEacuteTRICAS NO LINEALES (FUNCIONES QUE NO SE DEFINEN EN UN PLANO
CON EJES LINEALES SINO QUE SUPERFICIES CON EJES CURVILIacuteNEOS)
LOS COEFICIENTES DE LAS FUNCIONES DE TRANSFORMACIOacuteN SE CALCULAN A PARTIR DE UN AJUSTE POR MIacuteNIMOS CUADRADOS
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
funciones de transformacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash ejemplos de funciones de transformacioacuten geomeacutetrica con el efecto causado
TRASLACIOacuteN
CAMBIO DE ESCALA
INCLINACIOacuteN
PERSPECTIVA
ROTACIOacuteN
x = a0 + xacute y = b0 + yacute
x = xacute + a2 yacute y = yacute
x = a1 xacute y = b1 yacute
x = a3xacute yacute y = yacute
x = a4xacute + a5yacute y = b4xacute + b5yacute a4 = b5 = cos Ɵ a5 = -b4 = sen Ɵ
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
transformacioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
comparacioacuten coordenadas reales y las estimadas por la regresioacuten
el promedio de los residuales se conoce como error medio cuadraacutetico
la calidad del ajuste lo da el RMSE (root mean squared error)
(error medio cuadraacutetico)
RMSE es la raiacutez cuadrada de las desviaciones entre los valores reales y los
calculados
RMSE para cada punto es la raiacutez de los residuales al cuadrado que es la distancia entre ellos
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
RMSE UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la praacutectica hace que fijemos una TOLERANCIA y es que si ese promedio supera un valor fijado previamente haya que rever
el valor fijado previamente generalmente es igual o menor a un PIXEL
una correcta verificacioacuten
NECESITA introducir PUNTOS de VERIFICACIOacuteN
que no hayan sido introducidos en el ajuste
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
tolerancias fijadas
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
traducimos coordenadas de un mapa a la imagen tambieacuten necesitamos a la nueva imagen
TRANSFERIR LOS VALORES DIGITALES no olvidar que lo que queremos es generar una nueva imagen que se
corresponda con las coordenadas y las funciones de ajuste
NO ORIGINAN NUEVA IMAGEN solo colocan a los pixeles en la posicioacuten correcta
en criollo las funciones de transformacioacuten generan una nueva matriz bien posicionada pero vaciacutea
DEBEMOS LLENAR LA MATRIZ problema maacutes complejo de lo que puede
pensarse Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
generacioacuten de la nueva imaacutegen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
cada pixel de la imagen corregida se corresponderiacutea con un pixel de la imagen original
LEJOS DE ESE IDEAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo I
vecino maacutes proacuteximo ( nearest neighbour )
a cada celda de la imagen corregida se asigna el ND del pixel maacutes cercano de la
imagen original
SOLUCIOacuteN RAacutePIDA MENOR DISTORSIOacuteN DE LOS ND
INTRODUCE RASGOS LINEALES QUE DISTORSIONAN
CORRECCIOacuteN DE IMAacuteGENES CLASIFICADAS
CONSERVAR LA RADIOMETRIacuteA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo II
interpolacioacuten bilineal ( bilinear interpolation )
supone promediar los ND de los cuatro pixeles mas cercanos
con ponderacioacuten seguacuten la distancia pixeles originalcorregido
REDUCE EL EFECTO DE DISTORSIOacuteN EN RASGOS LINEALES
TIENDE A DIFUMINAR LOS CONTRASTES ESPACIALES
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE IMAacuteGENES RECTIFICADAS MAPAS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo III
convolusioacuten cuacutebica ( cubic convolution )
supone considerar los ND de los 16 pixeles mas proacuteximos
media ponderada seguacuten la distancia pixeles originalcorregido
EFECTO VISUAL MAS CORRECTO
VOLUacuteMEN DE CAacuteLCULO MUY SUPERIOR TENDENCIA A AGUDIZAR BORDES DE LA IMAGEN
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE ORTOIMAacuteGENES IMPRESIONES DE CALIDAD
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
gaussiano
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
lineal 2
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
lineal
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
raiacutez cuadrada
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
lineal 0 - 255
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PORQUEacute EL REALCE
ENTENDIENDO LAS IMAacuteGENES
LOS SENSORES SON CALIBRADOS PARA ABARCAR TODO EL RANGO POSIBLE DE RADIANCIAS
PARA CADA USO EN CONCRETO ES NECESIDAD IMPERIOSA
EXPANDIR EL HISTOGRAMA Y ASIacute CUBRIR EL RANGO COMPLETO DE NIVELES DE GRIS
histograma UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CONTRASTE EN UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
expansioacuten del contraste
los datos uacutetiles solo ocupan pequentildea parte de los niveles de gris disponibles
expandir o estirar el histograma es cambiar los valores originales de ND para utilizar mayor rango
asiacute incrementar el contraste visual de diferentes objetos
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
ejemplos visuales
sin realce lineal
frecuencial gamma
MEacuteTODOS DE EXPANSIOacuteN DEL CONTRASTE
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
lineal
expansioacuten lineal
lo maacutes simple transformacioacuten en liacutenea llevando el valor miacutenimo a 0 y maacuteximo a 255 o se usa un rango por encima y por debajo de miacutenimo y maacuteximo
EXPANSIOacuteN I
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
lineal
EXPANSIOacuteN I expansioacuten
logariacutetmico exponencial
gamma
curvas de transferencia en lugar de rectas gamma es la curvatura de dicha curva se expanden maacutes el contraste de los extremos o del centro
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
frecuencial
EXPANSIOacuteN II
frecuencial ecualizacioacuten del
histograma
cuando los valores de ND no estaacuten distribuidos uniformemente intentar en la medida de lo posible que los valores de salida de los ND tengan el mismo de pixeles con dicho valor
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CONTRASTE EN UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
compresioacuten del contraste
Ya sabemos que el contraste mide el rango dinaacutemico de los colores en la imagen es decir una imagen muy contrastada tiene un amplio abanico de colores (o tonos de gris) desde valores muy bajos a valores muy altos Para una imagen con poco contraste los colores estaacuten muy juntos el margen dinaacutemico es pequentildeo La variacioacuten en el contraste aparece como una compresioacuten del histograma en caso de una reduccioacuten a la inversa de lo visto en el caso de una expansioacuten
Compresioacuten si el rango excede de las capacidades del sistema
Se ha de comparar el nuacutemero de niveles digitales (ND) de la imagen con los niveles de visualizacioacuten (NV) o grises del sistema Es de menos aplicacioacuten Al igual que el brillo variando el contraste se puede provocar una peacuterdida de informacioacuten de la imagen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
MAYOR APLICABILIDAD DEL REALCE
ENTENDIENDO LAS IMAacuteGENES
realce oacuteptimo
realce frecuencial
realce lineal
laquo r e a l c e oacute p t i m o raquo optimiza interpretacioacuten de la imagen
mejor esteacutetica de la imagen NO COINCIDE CON NINGUacuteN CORTE PREDETERMINADO
Y SE LOGRA INTERACTIVAMENTE EN PANTALLA Y PARA CADA BANDA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
COMPOSICIONES COLOR
ENTENDIENDO LAS IMAacuteGENES
formatos de composiciones
CON LA CRECIENTE APARICIOacuteN DE LOS SENSORES HIPERESPECTRALES LAS POSIBILIDADES DE COMPOSICIONES
COLOREADAS DE BANDAS SON CASI ILIMITADAS
LA ELECCIOacuteN DE LAS BANDAS PARA REALIZAR LA COMPOSICIOacuteN Y EL ORDEN DE LAS BANDAS ASIGANADAS A LOS COLORES
PRIMARIOS DEPENDERAacute DE
Sensor Aplicacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EL SEUDO - COLOR
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm formatos de
composiciones
Ya hemos afirmado de que el ojo humano es maacutes capaz de distinguir tonos de color que intensidades de brillo
Por ello el empleo del color ayuda a la interpretacioacuten incluso cuando podamos tener una sola imagen de una banda
Es aquiacute que hablamos del SEUDO COLOR por no contar con tres bandas
El seudo color implica la creacioacuten de una CLUT que asocie el ND de una sola banda a distintos componentes del R V y A APLICACIONES 1 Para tener una leyenda de colores para una img clasificada 2 Para realzar el anaacutelisis de una determinada banda y sustituir los tonos de gris por una paleta de colores
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CLUT COLOUR LOOK-UP TABLE TABLA DE CONSULTA DE COLOR
ENTENDIENDO LAS IMAacuteGENES
httpsenwikipediaorgwikiColour_look-up_table
creacioacuten del seudo color
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Filtros espaciales Concepto de kernel Filtros paso bajo y paso alto Filtros direccionales Anomaliacuteas y correccioacuten atmosfeacuterica Correcciones radiomeacutetricas Anomaliacuteas radiomeacutetricas Fallos en el sensorCorreccioacuten atmosfeacuterica concepto Meacutetodo valores miacutenimos Regresioacuten entre bandas Dispersioacuten por aerosolesCalibracioacuten Caso misioacuten Landsat
47 Interpretacioacuten de Imaacutegenes
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de que es un filtro
espacial
FUNCIONES PARA MEJORAR ASPECTO DE LAS IMAacuteGENES
REALZAN O DISMINUYEN ELEMENTOS VISUALES DE LA IMG
BASADOS EN LA FRECUENCIA ESPACIAL
FRECUENCIAS ESPACIALES ALTAS Variaciones que se producen en pocos piacutexeles TENDENCIA GENERAL FRECUENCIAS ESPACIALES BAJAS
Variaciones que se producen en muchos piacutexeles CONTRASTES LOCALES
FILTROS Figura - CCRS CCT
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de kernel
FILTRADO ESPACIAL Figura - CCRS CCT FILTRADO EN EL DOMINIO
ESPACIAL Lo mas comuacuten es la aplicacioacuten de una ventana deslizante con valores que son coeficientes fijos de una matriz La MATRIZ se suele llamar KERNEL o nuacutecleo del filtro
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DIGITAL
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
3 x 3 5 x 5 7 x 7
1 1 1
1 2 1
1 1 1 matrices
LOS VALORES DEL KERNEL SE MULTIPLICAN POR EL PIacuteXEL QUE TIENEN DEBAJO Y LUEGO SE SUMAN TODOS LOS PRODUCTOS
Y PARA OBTENER EL VALOR DEL PIacuteXEL CENTRAL EN LA IMAGEN TRANSFORMADA SE LO DIVIDE POR LA SUMA DE LOS PONDERADOS O PESOS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO - PASO BAJO PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
26
FILTROS DE PASO BAJO SE FAVORECEN A LOS PIXELES
PERIFEacuteRICOS SE MINIMIZAN LAS DIFERENCIAS CON LOS VECINOS ES UNA ESPECIE DE SUAVIZADO
FILTRO DE PASO ALTO PONDERACIOacuteN DEL VALOR CENTRAL EN DETRIMENTO DE LOS CIRCUNDANTES
SE EXAGERAN DIFERENCIAS Y SE RESALTAN VARIACIONES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO BAJO
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm
simulacioacuten
IMAGEN ORIGINAL
FILTRO PASO BAJO 3x3 SE TRATA DE ASEMEJAR LOS VALORES DE ND DE UN PIXEL A LOS VALORES VECINOS EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA OFRECE PERFILES MENOS NIacuteTIDOS
FILTRO PASO BAJO 7x7 SIRVE PARA REDUCIR VARIABILIDAD ESPACIAL DE ALGUNA CATEGORIacuteA ANTES DE UN PROCESO DE CLASIFICACIOacuteN
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
IMAGEN ORIGINAL
FILTRO PASO ALTO 3x3 SE TRATA DE AISLAR LOS COMPONENTES DE ALTA FRECUENCIA Y REMARCAR DIGITALMENTE CONTRASTES EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA REFUERZA LOS CONTORNOS EN AacuteREAS HOMOGEacuteNEAS
FILTRO PASO ALTO 7x7 SIRVE PARA LOGRAR REALCES DE RASGOS LINEALES COMO PUEDEN SER EN AacuteREAS URBANAS O RASGOS GEOLOacuteGICOS
simulacioacuten
httpgeograuahesrtm
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
Figura - Landsat USGS
IMAGEN ORIGINAL
FILTRO DIRECCIONAL PERMITEN IDENTIFICAR LOS RASGOS FRONTERIZOS EN LAS IMAacuteGENES COMO LOS FILTROS ANTERIORES PERO AHORA CONSIDERANDO LA ORIENTACIOacuteN
se tiene en cuenta la
orientacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
matrices con direccioacuten
NORTE
1 1 1
1 -2 1
-1 -1 -1
SUR
-1 -1 -1
1 -2 1
1 1 1
ESTE
-1 1 1
-1 -2 1
-1 1 1
OESTE
1 1 -1
1 -2 -1
1 1 -1
SURESTE
-1 -1 1
-1 -2 1
1 1 1
NOROESTE
1 1 1
1 -2 -1
1 -1 -1
SUROESTE
1 -1 -1
1 -2 -1
1 1 1
NORESTE
1 1 1
-1 -2 1
-1 -1 1
OBSERVACIOacuteN
LOS NOMBRES OBEDECEN A LA DIRECCIOacuteN DEL CONTRASTE QUE SENtildeALAN
LA DIRECCIOacuteN QUE REALZAN ES JUSTAMENTE LA PERPENDICULAR
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
48 Interpretacioacuten de Imaacutegenes
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Correcciones geomeacutetricas Georreferenciacioacuten Uso de puntos de control Fuentes de error Procesamiento geomeacutetrico Correccioacuten Transformacioacuten geomeacutetrica Calidad y ajuste Generacioacuten de la nueva imagen Transferencia de ND
INSTITUTO DE AGRIMENSURA - DEPARTAMENTO DE GEOMAacuteTICA PROF ADJUNTO GRADO 3 EDISON J ROSAS BERTON
El tratamiento de una imagen de sateacutelite Georreferenciacioacuten
(paso de un sistema de filas y columnas a un sistema de coordenadas estandard)
Para ello debe obtenerse una muestra de puntos de control de los que conozcamos tanto sus coordenadas reales como sus coordenadas en
la imagen deben ser por tanto objetos de un tamantildeo adecuado para resultar identificables tanto en la imagen como sobre el terreno el tamantildeo
dependeraacute loacutegicamente de la resolucioacuten de la imagen A partir de estos puntos de control se obtendraacuten por regresioacuten unas ecuaciones que permitiraacuten a cada par filacolumna un par de coordenadas
XY
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
GEORREFERENCIACIOacuteN
ENTENDIENDO LAS IMAacuteGENES
georreferenciacioacuten porqueacute
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PUNTOS DE CONTROL
ENTENDIENDO LAS IMAacuteGENES
uso de puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
DISTORSIONES POR LA PLATAFORMA ALTITUD DE LA OacuteRBITA ndash Cambio de escala
VELOCIDAD ndash Cambios de escala ORIENTACIOacuteN DE LOS TRES EJES ndash Distorsiones en la geometriacutea
NO SISTEMAacuteTICOS Y COMPLEJOS DE MODELAR
DISTORSIONES POR ROTACIOacuteN TERRESTRE
CONSIDERANDO ALTITUD (800 Km) y TAMANtildeO DE LA IMAGEN (180 Km)ndashEn latitudes medias tarda en adquirir unos 30 segundos la Tierra se desplaza unos 8 Km
ORIENTACIOacuteN NE SW
DISTORSIONES POR EL SENSOR ANOMALIacuteAS SENSOR y MOVIMIENTO ESPEJO ndash Barrido no lineal o cambio en intervalos
AacuteNGULO DE BARRIDO ndash Variacioacuten en el tamantildeo de pixel
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ERROR EN UNA IMAGEN ESPACIAL
ENTENDIENDO LAS IMAacuteGENES
fuentes de error
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Una correccioacuten geomeacutetrica incluye CUALQUIER CAMBIO EN LA POSICIOacuteN DE LOS PIXELES que
conforman la imagen f (c`) = f1 (c l) f (x y) f (l`) = f2 (c l) f (x y)
COORDENADAS DE IMAGEN CORREGIDA SON FUNCIOacuteN DE COORDENADAS COLUMNA Y LIacuteNEA DE LA
IMAGEN DE ENTRADA O DE LAS COORDENADAS DE MAPA AL QUE SUPERPONDREMOS LA IMAGEN
1 CON OBJETIVO DE REALIZAR UNA TRANSFORMACIOacuteN GEOMEacuteTRICA QUE PERMITA AJUSTARLA A OTRA IMAGEN REFERENCIA NORMALMENTE PARA REALIZAR ESTUDIOS MULTITEMPORALES O MOSAICOS CON EL FIN DE AMPLIAR LOS DATOS E INFORMACIOacuteN DE UNA ZONA
2 ESTO PERMITIRAacute QUE LA NUEVA IMAGEN LA PUEDA INTEGRAR CON INFORMACIOacuteN DE OTRAS FUENTES POR EJEMPLO EN UN AMBIENTE SIG
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
correccioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
asumimos que
NO SE CONOCE EL ORIGEN DE LOS ERRORES
modelamos
ECUACIONES EMPIacuteRICAS
aplicadas a un conjunto de puntos
COORDENADAS CONOCIDAS IMAGEN INPUT e IMAGEN OUTPUT
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
1 ndash SELECCIOacuteN DE REFERENCIAS 2 ndash ECUACIONES DE AJUSTE
3 ndash GENERACIOacuteN DE LA IMAGEN CORREGIDA
ES OBVIO CALIDAD DEL AJUSTE DEPENDERAacute DE PRECISIOacuteN CON QUE SE
LOCALICEN LOS PUNTOS DE CONTROL INEXACTA LOCALIZACIOacuteN
DISTRIBUCIOacuteN MUY SECTORIZADA NUacuteMERO DE PUNTOS DE CONTROL INADECUADO
ESTABLECER LOS PUNTOS DE CONTROL FASE MAS CRUCIAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
procesamiento de la correccioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Resaltamos la importancia de
NUacuteMERO LOCALIZACIOacuteN DISTRIBUCIOacuteN
Que debemos atender Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
que considero UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash Croquis ilustrativos de apoyo
TERRENO O ZONAS PLANAS CON IMG OBTENIDAS POR UN SENSOR DE ESTRECHA VISIOacuteN DE CAMPO
TRANSFORMACIOacuteN
BASADO EN ECUACIONES LINEALES SIMPLES
TERRENO ESCARPADO O RUGOSO O UTILIZACIOacuteN DE IMG OBTENIDAS EN UN SENSOR CON VARIACIONES EN LAS CONDICIONES DE OBSERVACIOacuteN
TRANSFORMACIOacuteN MAacuteS COMPLEJA
POLINOMIOS DE SEGUNDO O TERCER ORDEN
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Desde un punto de vista matemaacutetico
GRADO 1 ndash 3 puntos GRADO 2 ndash 6 puntos GRADO 3 ndash 10 puntos
Seguacuten mis objetivos del trabajo no es conveniente utilizar esos miacutenimos
14 a 20 puntos (Landsat 5 MMS ndash seguacuten Bernstein R y D G Ferneyhough Jr 1978)
100 a 120 puntos (Landsat 7 TM ndash seguacuten el National Remote Sensing Center de Inglaterra)
10 o 12 puntos (Pequentildea zona de 512 x 512 pixeles ndash seguacuten Emilio Chuvieco 2010)
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
matemaacuteticamente UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
QUE DEBEMOS DE CONSIDERAR EN CUANTO A LA LOCALIZACIOacuteN
CLARAMENTE IDENTIFICABLES EN IMAGEN Y MAPA RASGOS HUMANOS DEL PAISAJE NO SUJETOS A DINAMISMO TEMPORAL
CRUCE DE CARRETERAS
CAMINOS VIacuteA FEacuteRREAS
NO CONSIDERAR ELEMENTOS ASOCIADOS AL AGUA
COSTA CURSOS DE AGUA
EMBALSES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
localizacioacuten TCP UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la correccioacuten digital de la geometriacutea de una imagen se realiza a partir de establecer unas funciones que relacionen las coordenadas de la imagen
y las coordenadas del mapa
EJ CASO MAS SIMPLE REGRESIOacuteN LINEAL MUacuteLTIPLE
ci = a0 + a1 Xi + a2 Yi li = b0 + b1 Xi + b2 Yi
EN LA PRAacuteCTICA BASTA UNA FUNCIOacuteN LINEAL PARA ABORDAR UN GRAN NUacuteMERO DE
TRANSFORMACIONES Y SON SUFICIENTES SI LAS IMAacuteGENES NO SON MUY GRANDES ANTE LA NECESIDAD DE OTRAS TRANSFORMACIONES SE UTILIZAN DE 2ordm y 3ordm ORDEN CONSIDERANDO ALTERACIONES GEOMEacuteTRICAS NO LINEALES (FUNCIONES QUE NO SE DEFINEN EN UN PLANO
CON EJES LINEALES SINO QUE SUPERFICIES CON EJES CURVILIacuteNEOS)
LOS COEFICIENTES DE LAS FUNCIONES DE TRANSFORMACIOacuteN SE CALCULAN A PARTIR DE UN AJUSTE POR MIacuteNIMOS CUADRADOS
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
funciones de transformacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash ejemplos de funciones de transformacioacuten geomeacutetrica con el efecto causado
TRASLACIOacuteN
CAMBIO DE ESCALA
INCLINACIOacuteN
PERSPECTIVA
ROTACIOacuteN
x = a0 + xacute y = b0 + yacute
x = xacute + a2 yacute y = yacute
x = a1 xacute y = b1 yacute
x = a3xacute yacute y = yacute
x = a4xacute + a5yacute y = b4xacute + b5yacute a4 = b5 = cos Ɵ a5 = -b4 = sen Ɵ
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
transformacioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
comparacioacuten coordenadas reales y las estimadas por la regresioacuten
el promedio de los residuales se conoce como error medio cuadraacutetico
la calidad del ajuste lo da el RMSE (root mean squared error)
(error medio cuadraacutetico)
RMSE es la raiacutez cuadrada de las desviaciones entre los valores reales y los
calculados
RMSE para cada punto es la raiacutez de los residuales al cuadrado que es la distancia entre ellos
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
RMSE UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la praacutectica hace que fijemos una TOLERANCIA y es que si ese promedio supera un valor fijado previamente haya que rever
el valor fijado previamente generalmente es igual o menor a un PIXEL
una correcta verificacioacuten
NECESITA introducir PUNTOS de VERIFICACIOacuteN
que no hayan sido introducidos en el ajuste
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
tolerancias fijadas
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
traducimos coordenadas de un mapa a la imagen tambieacuten necesitamos a la nueva imagen
TRANSFERIR LOS VALORES DIGITALES no olvidar que lo que queremos es generar una nueva imagen que se
corresponda con las coordenadas y las funciones de ajuste
NO ORIGINAN NUEVA IMAGEN solo colocan a los pixeles en la posicioacuten correcta
en criollo las funciones de transformacioacuten generan una nueva matriz bien posicionada pero vaciacutea
DEBEMOS LLENAR LA MATRIZ problema maacutes complejo de lo que puede
pensarse Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
generacioacuten de la nueva imaacutegen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
cada pixel de la imagen corregida se corresponderiacutea con un pixel de la imagen original
LEJOS DE ESE IDEAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo I
vecino maacutes proacuteximo ( nearest neighbour )
a cada celda de la imagen corregida se asigna el ND del pixel maacutes cercano de la
imagen original
SOLUCIOacuteN RAacutePIDA MENOR DISTORSIOacuteN DE LOS ND
INTRODUCE RASGOS LINEALES QUE DISTORSIONAN
CORRECCIOacuteN DE IMAacuteGENES CLASIFICADAS
CONSERVAR LA RADIOMETRIacuteA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo II
interpolacioacuten bilineal ( bilinear interpolation )
supone promediar los ND de los cuatro pixeles mas cercanos
con ponderacioacuten seguacuten la distancia pixeles originalcorregido
REDUCE EL EFECTO DE DISTORSIOacuteN EN RASGOS LINEALES
TIENDE A DIFUMINAR LOS CONTRASTES ESPACIALES
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE IMAacuteGENES RECTIFICADAS MAPAS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo III
convolusioacuten cuacutebica ( cubic convolution )
supone considerar los ND de los 16 pixeles mas proacuteximos
media ponderada seguacuten la distancia pixeles originalcorregido
EFECTO VISUAL MAS CORRECTO
VOLUacuteMEN DE CAacuteLCULO MUY SUPERIOR TENDENCIA A AGUDIZAR BORDES DE LA IMAGEN
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE ORTOIMAacuteGENES IMPRESIONES DE CALIDAD
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
lineal 2
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
lineal
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
raiacutez cuadrada
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
lineal 0 - 255
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PORQUEacute EL REALCE
ENTENDIENDO LAS IMAacuteGENES
LOS SENSORES SON CALIBRADOS PARA ABARCAR TODO EL RANGO POSIBLE DE RADIANCIAS
PARA CADA USO EN CONCRETO ES NECESIDAD IMPERIOSA
EXPANDIR EL HISTOGRAMA Y ASIacute CUBRIR EL RANGO COMPLETO DE NIVELES DE GRIS
histograma UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CONTRASTE EN UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
expansioacuten del contraste
los datos uacutetiles solo ocupan pequentildea parte de los niveles de gris disponibles
expandir o estirar el histograma es cambiar los valores originales de ND para utilizar mayor rango
asiacute incrementar el contraste visual de diferentes objetos
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
ejemplos visuales
sin realce lineal
frecuencial gamma
MEacuteTODOS DE EXPANSIOacuteN DEL CONTRASTE
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
lineal
expansioacuten lineal
lo maacutes simple transformacioacuten en liacutenea llevando el valor miacutenimo a 0 y maacuteximo a 255 o se usa un rango por encima y por debajo de miacutenimo y maacuteximo
EXPANSIOacuteN I
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
lineal
EXPANSIOacuteN I expansioacuten
logariacutetmico exponencial
gamma
curvas de transferencia en lugar de rectas gamma es la curvatura de dicha curva se expanden maacutes el contraste de los extremos o del centro
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
frecuencial
EXPANSIOacuteN II
frecuencial ecualizacioacuten del
histograma
cuando los valores de ND no estaacuten distribuidos uniformemente intentar en la medida de lo posible que los valores de salida de los ND tengan el mismo de pixeles con dicho valor
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CONTRASTE EN UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
compresioacuten del contraste
Ya sabemos que el contraste mide el rango dinaacutemico de los colores en la imagen es decir una imagen muy contrastada tiene un amplio abanico de colores (o tonos de gris) desde valores muy bajos a valores muy altos Para una imagen con poco contraste los colores estaacuten muy juntos el margen dinaacutemico es pequentildeo La variacioacuten en el contraste aparece como una compresioacuten del histograma en caso de una reduccioacuten a la inversa de lo visto en el caso de una expansioacuten
Compresioacuten si el rango excede de las capacidades del sistema
Se ha de comparar el nuacutemero de niveles digitales (ND) de la imagen con los niveles de visualizacioacuten (NV) o grises del sistema Es de menos aplicacioacuten Al igual que el brillo variando el contraste se puede provocar una peacuterdida de informacioacuten de la imagen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
MAYOR APLICABILIDAD DEL REALCE
ENTENDIENDO LAS IMAacuteGENES
realce oacuteptimo
realce frecuencial
realce lineal
laquo r e a l c e oacute p t i m o raquo optimiza interpretacioacuten de la imagen
mejor esteacutetica de la imagen NO COINCIDE CON NINGUacuteN CORTE PREDETERMINADO
Y SE LOGRA INTERACTIVAMENTE EN PANTALLA Y PARA CADA BANDA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
COMPOSICIONES COLOR
ENTENDIENDO LAS IMAacuteGENES
formatos de composiciones
CON LA CRECIENTE APARICIOacuteN DE LOS SENSORES HIPERESPECTRALES LAS POSIBILIDADES DE COMPOSICIONES
COLOREADAS DE BANDAS SON CASI ILIMITADAS
LA ELECCIOacuteN DE LAS BANDAS PARA REALIZAR LA COMPOSICIOacuteN Y EL ORDEN DE LAS BANDAS ASIGANADAS A LOS COLORES
PRIMARIOS DEPENDERAacute DE
Sensor Aplicacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EL SEUDO - COLOR
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm formatos de
composiciones
Ya hemos afirmado de que el ojo humano es maacutes capaz de distinguir tonos de color que intensidades de brillo
Por ello el empleo del color ayuda a la interpretacioacuten incluso cuando podamos tener una sola imagen de una banda
Es aquiacute que hablamos del SEUDO COLOR por no contar con tres bandas
El seudo color implica la creacioacuten de una CLUT que asocie el ND de una sola banda a distintos componentes del R V y A APLICACIONES 1 Para tener una leyenda de colores para una img clasificada 2 Para realzar el anaacutelisis de una determinada banda y sustituir los tonos de gris por una paleta de colores
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CLUT COLOUR LOOK-UP TABLE TABLA DE CONSULTA DE COLOR
ENTENDIENDO LAS IMAacuteGENES
httpsenwikipediaorgwikiColour_look-up_table
creacioacuten del seudo color
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Filtros espaciales Concepto de kernel Filtros paso bajo y paso alto Filtros direccionales Anomaliacuteas y correccioacuten atmosfeacuterica Correcciones radiomeacutetricas Anomaliacuteas radiomeacutetricas Fallos en el sensorCorreccioacuten atmosfeacuterica concepto Meacutetodo valores miacutenimos Regresioacuten entre bandas Dispersioacuten por aerosolesCalibracioacuten Caso misioacuten Landsat
47 Interpretacioacuten de Imaacutegenes
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de que es un filtro
espacial
FUNCIONES PARA MEJORAR ASPECTO DE LAS IMAacuteGENES
REALZAN O DISMINUYEN ELEMENTOS VISUALES DE LA IMG
BASADOS EN LA FRECUENCIA ESPACIAL
FRECUENCIAS ESPACIALES ALTAS Variaciones que se producen en pocos piacutexeles TENDENCIA GENERAL FRECUENCIAS ESPACIALES BAJAS
Variaciones que se producen en muchos piacutexeles CONTRASTES LOCALES
FILTROS Figura - CCRS CCT
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de kernel
FILTRADO ESPACIAL Figura - CCRS CCT FILTRADO EN EL DOMINIO
ESPACIAL Lo mas comuacuten es la aplicacioacuten de una ventana deslizante con valores que son coeficientes fijos de una matriz La MATRIZ se suele llamar KERNEL o nuacutecleo del filtro
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DIGITAL
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
3 x 3 5 x 5 7 x 7
1 1 1
1 2 1
1 1 1 matrices
LOS VALORES DEL KERNEL SE MULTIPLICAN POR EL PIacuteXEL QUE TIENEN DEBAJO Y LUEGO SE SUMAN TODOS LOS PRODUCTOS
Y PARA OBTENER EL VALOR DEL PIacuteXEL CENTRAL EN LA IMAGEN TRANSFORMADA SE LO DIVIDE POR LA SUMA DE LOS PONDERADOS O PESOS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO - PASO BAJO PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
26
FILTROS DE PASO BAJO SE FAVORECEN A LOS PIXELES
PERIFEacuteRICOS SE MINIMIZAN LAS DIFERENCIAS CON LOS VECINOS ES UNA ESPECIE DE SUAVIZADO
FILTRO DE PASO ALTO PONDERACIOacuteN DEL VALOR CENTRAL EN DETRIMENTO DE LOS CIRCUNDANTES
SE EXAGERAN DIFERENCIAS Y SE RESALTAN VARIACIONES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO BAJO
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm
simulacioacuten
IMAGEN ORIGINAL
FILTRO PASO BAJO 3x3 SE TRATA DE ASEMEJAR LOS VALORES DE ND DE UN PIXEL A LOS VALORES VECINOS EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA OFRECE PERFILES MENOS NIacuteTIDOS
FILTRO PASO BAJO 7x7 SIRVE PARA REDUCIR VARIABILIDAD ESPACIAL DE ALGUNA CATEGORIacuteA ANTES DE UN PROCESO DE CLASIFICACIOacuteN
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
IMAGEN ORIGINAL
FILTRO PASO ALTO 3x3 SE TRATA DE AISLAR LOS COMPONENTES DE ALTA FRECUENCIA Y REMARCAR DIGITALMENTE CONTRASTES EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA REFUERZA LOS CONTORNOS EN AacuteREAS HOMOGEacuteNEAS
FILTRO PASO ALTO 7x7 SIRVE PARA LOGRAR REALCES DE RASGOS LINEALES COMO PUEDEN SER EN AacuteREAS URBANAS O RASGOS GEOLOacuteGICOS
simulacioacuten
httpgeograuahesrtm
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
Figura - Landsat USGS
IMAGEN ORIGINAL
FILTRO DIRECCIONAL PERMITEN IDENTIFICAR LOS RASGOS FRONTERIZOS EN LAS IMAacuteGENES COMO LOS FILTROS ANTERIORES PERO AHORA CONSIDERANDO LA ORIENTACIOacuteN
se tiene en cuenta la
orientacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
matrices con direccioacuten
NORTE
1 1 1
1 -2 1
-1 -1 -1
SUR
-1 -1 -1
1 -2 1
1 1 1
ESTE
-1 1 1
-1 -2 1
-1 1 1
OESTE
1 1 -1
1 -2 -1
1 1 -1
SURESTE
-1 -1 1
-1 -2 1
1 1 1
NOROESTE
1 1 1
1 -2 -1
1 -1 -1
SUROESTE
1 -1 -1
1 -2 -1
1 1 1
NORESTE
1 1 1
-1 -2 1
-1 -1 1
OBSERVACIOacuteN
LOS NOMBRES OBEDECEN A LA DIRECCIOacuteN DEL CONTRASTE QUE SENtildeALAN
LA DIRECCIOacuteN QUE REALZAN ES JUSTAMENTE LA PERPENDICULAR
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
48 Interpretacioacuten de Imaacutegenes
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Correcciones geomeacutetricas Georreferenciacioacuten Uso de puntos de control Fuentes de error Procesamiento geomeacutetrico Correccioacuten Transformacioacuten geomeacutetrica Calidad y ajuste Generacioacuten de la nueva imagen Transferencia de ND
INSTITUTO DE AGRIMENSURA - DEPARTAMENTO DE GEOMAacuteTICA PROF ADJUNTO GRADO 3 EDISON J ROSAS BERTON
El tratamiento de una imagen de sateacutelite Georreferenciacioacuten
(paso de un sistema de filas y columnas a un sistema de coordenadas estandard)
Para ello debe obtenerse una muestra de puntos de control de los que conozcamos tanto sus coordenadas reales como sus coordenadas en
la imagen deben ser por tanto objetos de un tamantildeo adecuado para resultar identificables tanto en la imagen como sobre el terreno el tamantildeo
dependeraacute loacutegicamente de la resolucioacuten de la imagen A partir de estos puntos de control se obtendraacuten por regresioacuten unas ecuaciones que permitiraacuten a cada par filacolumna un par de coordenadas
XY
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
GEORREFERENCIACIOacuteN
ENTENDIENDO LAS IMAacuteGENES
georreferenciacioacuten porqueacute
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PUNTOS DE CONTROL
ENTENDIENDO LAS IMAacuteGENES
uso de puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
DISTORSIONES POR LA PLATAFORMA ALTITUD DE LA OacuteRBITA ndash Cambio de escala
VELOCIDAD ndash Cambios de escala ORIENTACIOacuteN DE LOS TRES EJES ndash Distorsiones en la geometriacutea
NO SISTEMAacuteTICOS Y COMPLEJOS DE MODELAR
DISTORSIONES POR ROTACIOacuteN TERRESTRE
CONSIDERANDO ALTITUD (800 Km) y TAMANtildeO DE LA IMAGEN (180 Km)ndashEn latitudes medias tarda en adquirir unos 30 segundos la Tierra se desplaza unos 8 Km
ORIENTACIOacuteN NE SW
DISTORSIONES POR EL SENSOR ANOMALIacuteAS SENSOR y MOVIMIENTO ESPEJO ndash Barrido no lineal o cambio en intervalos
AacuteNGULO DE BARRIDO ndash Variacioacuten en el tamantildeo de pixel
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ERROR EN UNA IMAGEN ESPACIAL
ENTENDIENDO LAS IMAacuteGENES
fuentes de error
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Una correccioacuten geomeacutetrica incluye CUALQUIER CAMBIO EN LA POSICIOacuteN DE LOS PIXELES que
conforman la imagen f (c`) = f1 (c l) f (x y) f (l`) = f2 (c l) f (x y)
COORDENADAS DE IMAGEN CORREGIDA SON FUNCIOacuteN DE COORDENADAS COLUMNA Y LIacuteNEA DE LA
IMAGEN DE ENTRADA O DE LAS COORDENADAS DE MAPA AL QUE SUPERPONDREMOS LA IMAGEN
1 CON OBJETIVO DE REALIZAR UNA TRANSFORMACIOacuteN GEOMEacuteTRICA QUE PERMITA AJUSTARLA A OTRA IMAGEN REFERENCIA NORMALMENTE PARA REALIZAR ESTUDIOS MULTITEMPORALES O MOSAICOS CON EL FIN DE AMPLIAR LOS DATOS E INFORMACIOacuteN DE UNA ZONA
2 ESTO PERMITIRAacute QUE LA NUEVA IMAGEN LA PUEDA INTEGRAR CON INFORMACIOacuteN DE OTRAS FUENTES POR EJEMPLO EN UN AMBIENTE SIG
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
correccioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
asumimos que
NO SE CONOCE EL ORIGEN DE LOS ERRORES
modelamos
ECUACIONES EMPIacuteRICAS
aplicadas a un conjunto de puntos
COORDENADAS CONOCIDAS IMAGEN INPUT e IMAGEN OUTPUT
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
1 ndash SELECCIOacuteN DE REFERENCIAS 2 ndash ECUACIONES DE AJUSTE
3 ndash GENERACIOacuteN DE LA IMAGEN CORREGIDA
ES OBVIO CALIDAD DEL AJUSTE DEPENDERAacute DE PRECISIOacuteN CON QUE SE
LOCALICEN LOS PUNTOS DE CONTROL INEXACTA LOCALIZACIOacuteN
DISTRIBUCIOacuteN MUY SECTORIZADA NUacuteMERO DE PUNTOS DE CONTROL INADECUADO
ESTABLECER LOS PUNTOS DE CONTROL FASE MAS CRUCIAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
procesamiento de la correccioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Resaltamos la importancia de
NUacuteMERO LOCALIZACIOacuteN DISTRIBUCIOacuteN
Que debemos atender Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
que considero UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash Croquis ilustrativos de apoyo
TERRENO O ZONAS PLANAS CON IMG OBTENIDAS POR UN SENSOR DE ESTRECHA VISIOacuteN DE CAMPO
TRANSFORMACIOacuteN
BASADO EN ECUACIONES LINEALES SIMPLES
TERRENO ESCARPADO O RUGOSO O UTILIZACIOacuteN DE IMG OBTENIDAS EN UN SENSOR CON VARIACIONES EN LAS CONDICIONES DE OBSERVACIOacuteN
TRANSFORMACIOacuteN MAacuteS COMPLEJA
POLINOMIOS DE SEGUNDO O TERCER ORDEN
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Desde un punto de vista matemaacutetico
GRADO 1 ndash 3 puntos GRADO 2 ndash 6 puntos GRADO 3 ndash 10 puntos
Seguacuten mis objetivos del trabajo no es conveniente utilizar esos miacutenimos
14 a 20 puntos (Landsat 5 MMS ndash seguacuten Bernstein R y D G Ferneyhough Jr 1978)
100 a 120 puntos (Landsat 7 TM ndash seguacuten el National Remote Sensing Center de Inglaterra)
10 o 12 puntos (Pequentildea zona de 512 x 512 pixeles ndash seguacuten Emilio Chuvieco 2010)
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
matemaacuteticamente UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
QUE DEBEMOS DE CONSIDERAR EN CUANTO A LA LOCALIZACIOacuteN
CLARAMENTE IDENTIFICABLES EN IMAGEN Y MAPA RASGOS HUMANOS DEL PAISAJE NO SUJETOS A DINAMISMO TEMPORAL
CRUCE DE CARRETERAS
CAMINOS VIacuteA FEacuteRREAS
NO CONSIDERAR ELEMENTOS ASOCIADOS AL AGUA
COSTA CURSOS DE AGUA
EMBALSES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
localizacioacuten TCP UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la correccioacuten digital de la geometriacutea de una imagen se realiza a partir de establecer unas funciones que relacionen las coordenadas de la imagen
y las coordenadas del mapa
EJ CASO MAS SIMPLE REGRESIOacuteN LINEAL MUacuteLTIPLE
ci = a0 + a1 Xi + a2 Yi li = b0 + b1 Xi + b2 Yi
EN LA PRAacuteCTICA BASTA UNA FUNCIOacuteN LINEAL PARA ABORDAR UN GRAN NUacuteMERO DE
TRANSFORMACIONES Y SON SUFICIENTES SI LAS IMAacuteGENES NO SON MUY GRANDES ANTE LA NECESIDAD DE OTRAS TRANSFORMACIONES SE UTILIZAN DE 2ordm y 3ordm ORDEN CONSIDERANDO ALTERACIONES GEOMEacuteTRICAS NO LINEALES (FUNCIONES QUE NO SE DEFINEN EN UN PLANO
CON EJES LINEALES SINO QUE SUPERFICIES CON EJES CURVILIacuteNEOS)
LOS COEFICIENTES DE LAS FUNCIONES DE TRANSFORMACIOacuteN SE CALCULAN A PARTIR DE UN AJUSTE POR MIacuteNIMOS CUADRADOS
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
funciones de transformacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash ejemplos de funciones de transformacioacuten geomeacutetrica con el efecto causado
TRASLACIOacuteN
CAMBIO DE ESCALA
INCLINACIOacuteN
PERSPECTIVA
ROTACIOacuteN
x = a0 + xacute y = b0 + yacute
x = xacute + a2 yacute y = yacute
x = a1 xacute y = b1 yacute
x = a3xacute yacute y = yacute
x = a4xacute + a5yacute y = b4xacute + b5yacute a4 = b5 = cos Ɵ a5 = -b4 = sen Ɵ
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
transformacioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
comparacioacuten coordenadas reales y las estimadas por la regresioacuten
el promedio de los residuales se conoce como error medio cuadraacutetico
la calidad del ajuste lo da el RMSE (root mean squared error)
(error medio cuadraacutetico)
RMSE es la raiacutez cuadrada de las desviaciones entre los valores reales y los
calculados
RMSE para cada punto es la raiacutez de los residuales al cuadrado que es la distancia entre ellos
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
RMSE UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la praacutectica hace que fijemos una TOLERANCIA y es que si ese promedio supera un valor fijado previamente haya que rever
el valor fijado previamente generalmente es igual o menor a un PIXEL
una correcta verificacioacuten
NECESITA introducir PUNTOS de VERIFICACIOacuteN
que no hayan sido introducidos en el ajuste
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
tolerancias fijadas
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
traducimos coordenadas de un mapa a la imagen tambieacuten necesitamos a la nueva imagen
TRANSFERIR LOS VALORES DIGITALES no olvidar que lo que queremos es generar una nueva imagen que se
corresponda con las coordenadas y las funciones de ajuste
NO ORIGINAN NUEVA IMAGEN solo colocan a los pixeles en la posicioacuten correcta
en criollo las funciones de transformacioacuten generan una nueva matriz bien posicionada pero vaciacutea
DEBEMOS LLENAR LA MATRIZ problema maacutes complejo de lo que puede
pensarse Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
generacioacuten de la nueva imaacutegen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
cada pixel de la imagen corregida se corresponderiacutea con un pixel de la imagen original
LEJOS DE ESE IDEAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo I
vecino maacutes proacuteximo ( nearest neighbour )
a cada celda de la imagen corregida se asigna el ND del pixel maacutes cercano de la
imagen original
SOLUCIOacuteN RAacutePIDA MENOR DISTORSIOacuteN DE LOS ND
INTRODUCE RASGOS LINEALES QUE DISTORSIONAN
CORRECCIOacuteN DE IMAacuteGENES CLASIFICADAS
CONSERVAR LA RADIOMETRIacuteA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo II
interpolacioacuten bilineal ( bilinear interpolation )
supone promediar los ND de los cuatro pixeles mas cercanos
con ponderacioacuten seguacuten la distancia pixeles originalcorregido
REDUCE EL EFECTO DE DISTORSIOacuteN EN RASGOS LINEALES
TIENDE A DIFUMINAR LOS CONTRASTES ESPACIALES
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE IMAacuteGENES RECTIFICADAS MAPAS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo III
convolusioacuten cuacutebica ( cubic convolution )
supone considerar los ND de los 16 pixeles mas proacuteximos
media ponderada seguacuten la distancia pixeles originalcorregido
EFECTO VISUAL MAS CORRECTO
VOLUacuteMEN DE CAacuteLCULO MUY SUPERIOR TENDENCIA A AGUDIZAR BORDES DE LA IMAGEN
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE ORTOIMAacuteGENES IMPRESIONES DE CALIDAD
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
lineal
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
raiacutez cuadrada
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
lineal 0 - 255
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PORQUEacute EL REALCE
ENTENDIENDO LAS IMAacuteGENES
LOS SENSORES SON CALIBRADOS PARA ABARCAR TODO EL RANGO POSIBLE DE RADIANCIAS
PARA CADA USO EN CONCRETO ES NECESIDAD IMPERIOSA
EXPANDIR EL HISTOGRAMA Y ASIacute CUBRIR EL RANGO COMPLETO DE NIVELES DE GRIS
histograma UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CONTRASTE EN UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
expansioacuten del contraste
los datos uacutetiles solo ocupan pequentildea parte de los niveles de gris disponibles
expandir o estirar el histograma es cambiar los valores originales de ND para utilizar mayor rango
asiacute incrementar el contraste visual de diferentes objetos
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
ejemplos visuales
sin realce lineal
frecuencial gamma
MEacuteTODOS DE EXPANSIOacuteN DEL CONTRASTE
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
lineal
expansioacuten lineal
lo maacutes simple transformacioacuten en liacutenea llevando el valor miacutenimo a 0 y maacuteximo a 255 o se usa un rango por encima y por debajo de miacutenimo y maacuteximo
EXPANSIOacuteN I
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
lineal
EXPANSIOacuteN I expansioacuten
logariacutetmico exponencial
gamma
curvas de transferencia en lugar de rectas gamma es la curvatura de dicha curva se expanden maacutes el contraste de los extremos o del centro
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
frecuencial
EXPANSIOacuteN II
frecuencial ecualizacioacuten del
histograma
cuando los valores de ND no estaacuten distribuidos uniformemente intentar en la medida de lo posible que los valores de salida de los ND tengan el mismo de pixeles con dicho valor
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CONTRASTE EN UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
compresioacuten del contraste
Ya sabemos que el contraste mide el rango dinaacutemico de los colores en la imagen es decir una imagen muy contrastada tiene un amplio abanico de colores (o tonos de gris) desde valores muy bajos a valores muy altos Para una imagen con poco contraste los colores estaacuten muy juntos el margen dinaacutemico es pequentildeo La variacioacuten en el contraste aparece como una compresioacuten del histograma en caso de una reduccioacuten a la inversa de lo visto en el caso de una expansioacuten
Compresioacuten si el rango excede de las capacidades del sistema
Se ha de comparar el nuacutemero de niveles digitales (ND) de la imagen con los niveles de visualizacioacuten (NV) o grises del sistema Es de menos aplicacioacuten Al igual que el brillo variando el contraste se puede provocar una peacuterdida de informacioacuten de la imagen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
MAYOR APLICABILIDAD DEL REALCE
ENTENDIENDO LAS IMAacuteGENES
realce oacuteptimo
realce frecuencial
realce lineal
laquo r e a l c e oacute p t i m o raquo optimiza interpretacioacuten de la imagen
mejor esteacutetica de la imagen NO COINCIDE CON NINGUacuteN CORTE PREDETERMINADO
Y SE LOGRA INTERACTIVAMENTE EN PANTALLA Y PARA CADA BANDA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
COMPOSICIONES COLOR
ENTENDIENDO LAS IMAacuteGENES
formatos de composiciones
CON LA CRECIENTE APARICIOacuteN DE LOS SENSORES HIPERESPECTRALES LAS POSIBILIDADES DE COMPOSICIONES
COLOREADAS DE BANDAS SON CASI ILIMITADAS
LA ELECCIOacuteN DE LAS BANDAS PARA REALIZAR LA COMPOSICIOacuteN Y EL ORDEN DE LAS BANDAS ASIGANADAS A LOS COLORES
PRIMARIOS DEPENDERAacute DE
Sensor Aplicacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EL SEUDO - COLOR
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm formatos de
composiciones
Ya hemos afirmado de que el ojo humano es maacutes capaz de distinguir tonos de color que intensidades de brillo
Por ello el empleo del color ayuda a la interpretacioacuten incluso cuando podamos tener una sola imagen de una banda
Es aquiacute que hablamos del SEUDO COLOR por no contar con tres bandas
El seudo color implica la creacioacuten de una CLUT que asocie el ND de una sola banda a distintos componentes del R V y A APLICACIONES 1 Para tener una leyenda de colores para una img clasificada 2 Para realzar el anaacutelisis de una determinada banda y sustituir los tonos de gris por una paleta de colores
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CLUT COLOUR LOOK-UP TABLE TABLA DE CONSULTA DE COLOR
ENTENDIENDO LAS IMAacuteGENES
httpsenwikipediaorgwikiColour_look-up_table
creacioacuten del seudo color
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Filtros espaciales Concepto de kernel Filtros paso bajo y paso alto Filtros direccionales Anomaliacuteas y correccioacuten atmosfeacuterica Correcciones radiomeacutetricas Anomaliacuteas radiomeacutetricas Fallos en el sensorCorreccioacuten atmosfeacuterica concepto Meacutetodo valores miacutenimos Regresioacuten entre bandas Dispersioacuten por aerosolesCalibracioacuten Caso misioacuten Landsat
47 Interpretacioacuten de Imaacutegenes
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de que es un filtro
espacial
FUNCIONES PARA MEJORAR ASPECTO DE LAS IMAacuteGENES
REALZAN O DISMINUYEN ELEMENTOS VISUALES DE LA IMG
BASADOS EN LA FRECUENCIA ESPACIAL
FRECUENCIAS ESPACIALES ALTAS Variaciones que se producen en pocos piacutexeles TENDENCIA GENERAL FRECUENCIAS ESPACIALES BAJAS
Variaciones que se producen en muchos piacutexeles CONTRASTES LOCALES
FILTROS Figura - CCRS CCT
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de kernel
FILTRADO ESPACIAL Figura - CCRS CCT FILTRADO EN EL DOMINIO
ESPACIAL Lo mas comuacuten es la aplicacioacuten de una ventana deslizante con valores que son coeficientes fijos de una matriz La MATRIZ se suele llamar KERNEL o nuacutecleo del filtro
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DIGITAL
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
3 x 3 5 x 5 7 x 7
1 1 1
1 2 1
1 1 1 matrices
LOS VALORES DEL KERNEL SE MULTIPLICAN POR EL PIacuteXEL QUE TIENEN DEBAJO Y LUEGO SE SUMAN TODOS LOS PRODUCTOS
Y PARA OBTENER EL VALOR DEL PIacuteXEL CENTRAL EN LA IMAGEN TRANSFORMADA SE LO DIVIDE POR LA SUMA DE LOS PONDERADOS O PESOS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO - PASO BAJO PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
26
FILTROS DE PASO BAJO SE FAVORECEN A LOS PIXELES
PERIFEacuteRICOS SE MINIMIZAN LAS DIFERENCIAS CON LOS VECINOS ES UNA ESPECIE DE SUAVIZADO
FILTRO DE PASO ALTO PONDERACIOacuteN DEL VALOR CENTRAL EN DETRIMENTO DE LOS CIRCUNDANTES
SE EXAGERAN DIFERENCIAS Y SE RESALTAN VARIACIONES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO BAJO
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm
simulacioacuten
IMAGEN ORIGINAL
FILTRO PASO BAJO 3x3 SE TRATA DE ASEMEJAR LOS VALORES DE ND DE UN PIXEL A LOS VALORES VECINOS EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA OFRECE PERFILES MENOS NIacuteTIDOS
FILTRO PASO BAJO 7x7 SIRVE PARA REDUCIR VARIABILIDAD ESPACIAL DE ALGUNA CATEGORIacuteA ANTES DE UN PROCESO DE CLASIFICACIOacuteN
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
IMAGEN ORIGINAL
FILTRO PASO ALTO 3x3 SE TRATA DE AISLAR LOS COMPONENTES DE ALTA FRECUENCIA Y REMARCAR DIGITALMENTE CONTRASTES EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA REFUERZA LOS CONTORNOS EN AacuteREAS HOMOGEacuteNEAS
FILTRO PASO ALTO 7x7 SIRVE PARA LOGRAR REALCES DE RASGOS LINEALES COMO PUEDEN SER EN AacuteREAS URBANAS O RASGOS GEOLOacuteGICOS
simulacioacuten
httpgeograuahesrtm
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
Figura - Landsat USGS
IMAGEN ORIGINAL
FILTRO DIRECCIONAL PERMITEN IDENTIFICAR LOS RASGOS FRONTERIZOS EN LAS IMAacuteGENES COMO LOS FILTROS ANTERIORES PERO AHORA CONSIDERANDO LA ORIENTACIOacuteN
se tiene en cuenta la
orientacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
matrices con direccioacuten
NORTE
1 1 1
1 -2 1
-1 -1 -1
SUR
-1 -1 -1
1 -2 1
1 1 1
ESTE
-1 1 1
-1 -2 1
-1 1 1
OESTE
1 1 -1
1 -2 -1
1 1 -1
SURESTE
-1 -1 1
-1 -2 1
1 1 1
NOROESTE
1 1 1
1 -2 -1
1 -1 -1
SUROESTE
1 -1 -1
1 -2 -1
1 1 1
NORESTE
1 1 1
-1 -2 1
-1 -1 1
OBSERVACIOacuteN
LOS NOMBRES OBEDECEN A LA DIRECCIOacuteN DEL CONTRASTE QUE SENtildeALAN
LA DIRECCIOacuteN QUE REALZAN ES JUSTAMENTE LA PERPENDICULAR
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
48 Interpretacioacuten de Imaacutegenes
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Correcciones geomeacutetricas Georreferenciacioacuten Uso de puntos de control Fuentes de error Procesamiento geomeacutetrico Correccioacuten Transformacioacuten geomeacutetrica Calidad y ajuste Generacioacuten de la nueva imagen Transferencia de ND
INSTITUTO DE AGRIMENSURA - DEPARTAMENTO DE GEOMAacuteTICA PROF ADJUNTO GRADO 3 EDISON J ROSAS BERTON
El tratamiento de una imagen de sateacutelite Georreferenciacioacuten
(paso de un sistema de filas y columnas a un sistema de coordenadas estandard)
Para ello debe obtenerse una muestra de puntos de control de los que conozcamos tanto sus coordenadas reales como sus coordenadas en
la imagen deben ser por tanto objetos de un tamantildeo adecuado para resultar identificables tanto en la imagen como sobre el terreno el tamantildeo
dependeraacute loacutegicamente de la resolucioacuten de la imagen A partir de estos puntos de control se obtendraacuten por regresioacuten unas ecuaciones que permitiraacuten a cada par filacolumna un par de coordenadas
XY
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
GEORREFERENCIACIOacuteN
ENTENDIENDO LAS IMAacuteGENES
georreferenciacioacuten porqueacute
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PUNTOS DE CONTROL
ENTENDIENDO LAS IMAacuteGENES
uso de puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
DISTORSIONES POR LA PLATAFORMA ALTITUD DE LA OacuteRBITA ndash Cambio de escala
VELOCIDAD ndash Cambios de escala ORIENTACIOacuteN DE LOS TRES EJES ndash Distorsiones en la geometriacutea
NO SISTEMAacuteTICOS Y COMPLEJOS DE MODELAR
DISTORSIONES POR ROTACIOacuteN TERRESTRE
CONSIDERANDO ALTITUD (800 Km) y TAMANtildeO DE LA IMAGEN (180 Km)ndashEn latitudes medias tarda en adquirir unos 30 segundos la Tierra se desplaza unos 8 Km
ORIENTACIOacuteN NE SW
DISTORSIONES POR EL SENSOR ANOMALIacuteAS SENSOR y MOVIMIENTO ESPEJO ndash Barrido no lineal o cambio en intervalos
AacuteNGULO DE BARRIDO ndash Variacioacuten en el tamantildeo de pixel
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ERROR EN UNA IMAGEN ESPACIAL
ENTENDIENDO LAS IMAacuteGENES
fuentes de error
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Una correccioacuten geomeacutetrica incluye CUALQUIER CAMBIO EN LA POSICIOacuteN DE LOS PIXELES que
conforman la imagen f (c`) = f1 (c l) f (x y) f (l`) = f2 (c l) f (x y)
COORDENADAS DE IMAGEN CORREGIDA SON FUNCIOacuteN DE COORDENADAS COLUMNA Y LIacuteNEA DE LA
IMAGEN DE ENTRADA O DE LAS COORDENADAS DE MAPA AL QUE SUPERPONDREMOS LA IMAGEN
1 CON OBJETIVO DE REALIZAR UNA TRANSFORMACIOacuteN GEOMEacuteTRICA QUE PERMITA AJUSTARLA A OTRA IMAGEN REFERENCIA NORMALMENTE PARA REALIZAR ESTUDIOS MULTITEMPORALES O MOSAICOS CON EL FIN DE AMPLIAR LOS DATOS E INFORMACIOacuteN DE UNA ZONA
2 ESTO PERMITIRAacute QUE LA NUEVA IMAGEN LA PUEDA INTEGRAR CON INFORMACIOacuteN DE OTRAS FUENTES POR EJEMPLO EN UN AMBIENTE SIG
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
correccioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
asumimos que
NO SE CONOCE EL ORIGEN DE LOS ERRORES
modelamos
ECUACIONES EMPIacuteRICAS
aplicadas a un conjunto de puntos
COORDENADAS CONOCIDAS IMAGEN INPUT e IMAGEN OUTPUT
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
1 ndash SELECCIOacuteN DE REFERENCIAS 2 ndash ECUACIONES DE AJUSTE
3 ndash GENERACIOacuteN DE LA IMAGEN CORREGIDA
ES OBVIO CALIDAD DEL AJUSTE DEPENDERAacute DE PRECISIOacuteN CON QUE SE
LOCALICEN LOS PUNTOS DE CONTROL INEXACTA LOCALIZACIOacuteN
DISTRIBUCIOacuteN MUY SECTORIZADA NUacuteMERO DE PUNTOS DE CONTROL INADECUADO
ESTABLECER LOS PUNTOS DE CONTROL FASE MAS CRUCIAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
procesamiento de la correccioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Resaltamos la importancia de
NUacuteMERO LOCALIZACIOacuteN DISTRIBUCIOacuteN
Que debemos atender Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
que considero UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash Croquis ilustrativos de apoyo
TERRENO O ZONAS PLANAS CON IMG OBTENIDAS POR UN SENSOR DE ESTRECHA VISIOacuteN DE CAMPO
TRANSFORMACIOacuteN
BASADO EN ECUACIONES LINEALES SIMPLES
TERRENO ESCARPADO O RUGOSO O UTILIZACIOacuteN DE IMG OBTENIDAS EN UN SENSOR CON VARIACIONES EN LAS CONDICIONES DE OBSERVACIOacuteN
TRANSFORMACIOacuteN MAacuteS COMPLEJA
POLINOMIOS DE SEGUNDO O TERCER ORDEN
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Desde un punto de vista matemaacutetico
GRADO 1 ndash 3 puntos GRADO 2 ndash 6 puntos GRADO 3 ndash 10 puntos
Seguacuten mis objetivos del trabajo no es conveniente utilizar esos miacutenimos
14 a 20 puntos (Landsat 5 MMS ndash seguacuten Bernstein R y D G Ferneyhough Jr 1978)
100 a 120 puntos (Landsat 7 TM ndash seguacuten el National Remote Sensing Center de Inglaterra)
10 o 12 puntos (Pequentildea zona de 512 x 512 pixeles ndash seguacuten Emilio Chuvieco 2010)
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
matemaacuteticamente UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
QUE DEBEMOS DE CONSIDERAR EN CUANTO A LA LOCALIZACIOacuteN
CLARAMENTE IDENTIFICABLES EN IMAGEN Y MAPA RASGOS HUMANOS DEL PAISAJE NO SUJETOS A DINAMISMO TEMPORAL
CRUCE DE CARRETERAS
CAMINOS VIacuteA FEacuteRREAS
NO CONSIDERAR ELEMENTOS ASOCIADOS AL AGUA
COSTA CURSOS DE AGUA
EMBALSES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
localizacioacuten TCP UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la correccioacuten digital de la geometriacutea de una imagen se realiza a partir de establecer unas funciones que relacionen las coordenadas de la imagen
y las coordenadas del mapa
EJ CASO MAS SIMPLE REGRESIOacuteN LINEAL MUacuteLTIPLE
ci = a0 + a1 Xi + a2 Yi li = b0 + b1 Xi + b2 Yi
EN LA PRAacuteCTICA BASTA UNA FUNCIOacuteN LINEAL PARA ABORDAR UN GRAN NUacuteMERO DE
TRANSFORMACIONES Y SON SUFICIENTES SI LAS IMAacuteGENES NO SON MUY GRANDES ANTE LA NECESIDAD DE OTRAS TRANSFORMACIONES SE UTILIZAN DE 2ordm y 3ordm ORDEN CONSIDERANDO ALTERACIONES GEOMEacuteTRICAS NO LINEALES (FUNCIONES QUE NO SE DEFINEN EN UN PLANO
CON EJES LINEALES SINO QUE SUPERFICIES CON EJES CURVILIacuteNEOS)
LOS COEFICIENTES DE LAS FUNCIONES DE TRANSFORMACIOacuteN SE CALCULAN A PARTIR DE UN AJUSTE POR MIacuteNIMOS CUADRADOS
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
funciones de transformacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash ejemplos de funciones de transformacioacuten geomeacutetrica con el efecto causado
TRASLACIOacuteN
CAMBIO DE ESCALA
INCLINACIOacuteN
PERSPECTIVA
ROTACIOacuteN
x = a0 + xacute y = b0 + yacute
x = xacute + a2 yacute y = yacute
x = a1 xacute y = b1 yacute
x = a3xacute yacute y = yacute
x = a4xacute + a5yacute y = b4xacute + b5yacute a4 = b5 = cos Ɵ a5 = -b4 = sen Ɵ
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
transformacioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
comparacioacuten coordenadas reales y las estimadas por la regresioacuten
el promedio de los residuales se conoce como error medio cuadraacutetico
la calidad del ajuste lo da el RMSE (root mean squared error)
(error medio cuadraacutetico)
RMSE es la raiacutez cuadrada de las desviaciones entre los valores reales y los
calculados
RMSE para cada punto es la raiacutez de los residuales al cuadrado que es la distancia entre ellos
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
RMSE UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la praacutectica hace que fijemos una TOLERANCIA y es que si ese promedio supera un valor fijado previamente haya que rever
el valor fijado previamente generalmente es igual o menor a un PIXEL
una correcta verificacioacuten
NECESITA introducir PUNTOS de VERIFICACIOacuteN
que no hayan sido introducidos en el ajuste
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
tolerancias fijadas
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
traducimos coordenadas de un mapa a la imagen tambieacuten necesitamos a la nueva imagen
TRANSFERIR LOS VALORES DIGITALES no olvidar que lo que queremos es generar una nueva imagen que se
corresponda con las coordenadas y las funciones de ajuste
NO ORIGINAN NUEVA IMAGEN solo colocan a los pixeles en la posicioacuten correcta
en criollo las funciones de transformacioacuten generan una nueva matriz bien posicionada pero vaciacutea
DEBEMOS LLENAR LA MATRIZ problema maacutes complejo de lo que puede
pensarse Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
generacioacuten de la nueva imaacutegen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
cada pixel de la imagen corregida se corresponderiacutea con un pixel de la imagen original
LEJOS DE ESE IDEAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo I
vecino maacutes proacuteximo ( nearest neighbour )
a cada celda de la imagen corregida se asigna el ND del pixel maacutes cercano de la
imagen original
SOLUCIOacuteN RAacutePIDA MENOR DISTORSIOacuteN DE LOS ND
INTRODUCE RASGOS LINEALES QUE DISTORSIONAN
CORRECCIOacuteN DE IMAacuteGENES CLASIFICADAS
CONSERVAR LA RADIOMETRIacuteA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo II
interpolacioacuten bilineal ( bilinear interpolation )
supone promediar los ND de los cuatro pixeles mas cercanos
con ponderacioacuten seguacuten la distancia pixeles originalcorregido
REDUCE EL EFECTO DE DISTORSIOacuteN EN RASGOS LINEALES
TIENDE A DIFUMINAR LOS CONTRASTES ESPACIALES
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE IMAacuteGENES RECTIFICADAS MAPAS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo III
convolusioacuten cuacutebica ( cubic convolution )
supone considerar los ND de los 16 pixeles mas proacuteximos
media ponderada seguacuten la distancia pixeles originalcorregido
EFECTO VISUAL MAS CORRECTO
VOLUacuteMEN DE CAacuteLCULO MUY SUPERIOR TENDENCIA A AGUDIZAR BORDES DE LA IMAGEN
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE ORTOIMAacuteGENES IMPRESIONES DE CALIDAD
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
raiacutez cuadrada
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
lineal 0 - 255
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PORQUEacute EL REALCE
ENTENDIENDO LAS IMAacuteGENES
LOS SENSORES SON CALIBRADOS PARA ABARCAR TODO EL RANGO POSIBLE DE RADIANCIAS
PARA CADA USO EN CONCRETO ES NECESIDAD IMPERIOSA
EXPANDIR EL HISTOGRAMA Y ASIacute CUBRIR EL RANGO COMPLETO DE NIVELES DE GRIS
histograma UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CONTRASTE EN UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
expansioacuten del contraste
los datos uacutetiles solo ocupan pequentildea parte de los niveles de gris disponibles
expandir o estirar el histograma es cambiar los valores originales de ND para utilizar mayor rango
asiacute incrementar el contraste visual de diferentes objetos
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
ejemplos visuales
sin realce lineal
frecuencial gamma
MEacuteTODOS DE EXPANSIOacuteN DEL CONTRASTE
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
lineal
expansioacuten lineal
lo maacutes simple transformacioacuten en liacutenea llevando el valor miacutenimo a 0 y maacuteximo a 255 o se usa un rango por encima y por debajo de miacutenimo y maacuteximo
EXPANSIOacuteN I
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
lineal
EXPANSIOacuteN I expansioacuten
logariacutetmico exponencial
gamma
curvas de transferencia en lugar de rectas gamma es la curvatura de dicha curva se expanden maacutes el contraste de los extremos o del centro
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
frecuencial
EXPANSIOacuteN II
frecuencial ecualizacioacuten del
histograma
cuando los valores de ND no estaacuten distribuidos uniformemente intentar en la medida de lo posible que los valores de salida de los ND tengan el mismo de pixeles con dicho valor
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CONTRASTE EN UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
compresioacuten del contraste
Ya sabemos que el contraste mide el rango dinaacutemico de los colores en la imagen es decir una imagen muy contrastada tiene un amplio abanico de colores (o tonos de gris) desde valores muy bajos a valores muy altos Para una imagen con poco contraste los colores estaacuten muy juntos el margen dinaacutemico es pequentildeo La variacioacuten en el contraste aparece como una compresioacuten del histograma en caso de una reduccioacuten a la inversa de lo visto en el caso de una expansioacuten
Compresioacuten si el rango excede de las capacidades del sistema
Se ha de comparar el nuacutemero de niveles digitales (ND) de la imagen con los niveles de visualizacioacuten (NV) o grises del sistema Es de menos aplicacioacuten Al igual que el brillo variando el contraste se puede provocar una peacuterdida de informacioacuten de la imagen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
MAYOR APLICABILIDAD DEL REALCE
ENTENDIENDO LAS IMAacuteGENES
realce oacuteptimo
realce frecuencial
realce lineal
laquo r e a l c e oacute p t i m o raquo optimiza interpretacioacuten de la imagen
mejor esteacutetica de la imagen NO COINCIDE CON NINGUacuteN CORTE PREDETERMINADO
Y SE LOGRA INTERACTIVAMENTE EN PANTALLA Y PARA CADA BANDA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
COMPOSICIONES COLOR
ENTENDIENDO LAS IMAacuteGENES
formatos de composiciones
CON LA CRECIENTE APARICIOacuteN DE LOS SENSORES HIPERESPECTRALES LAS POSIBILIDADES DE COMPOSICIONES
COLOREADAS DE BANDAS SON CASI ILIMITADAS
LA ELECCIOacuteN DE LAS BANDAS PARA REALIZAR LA COMPOSICIOacuteN Y EL ORDEN DE LAS BANDAS ASIGANADAS A LOS COLORES
PRIMARIOS DEPENDERAacute DE
Sensor Aplicacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EL SEUDO - COLOR
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm formatos de
composiciones
Ya hemos afirmado de que el ojo humano es maacutes capaz de distinguir tonos de color que intensidades de brillo
Por ello el empleo del color ayuda a la interpretacioacuten incluso cuando podamos tener una sola imagen de una banda
Es aquiacute que hablamos del SEUDO COLOR por no contar con tres bandas
El seudo color implica la creacioacuten de una CLUT que asocie el ND de una sola banda a distintos componentes del R V y A APLICACIONES 1 Para tener una leyenda de colores para una img clasificada 2 Para realzar el anaacutelisis de una determinada banda y sustituir los tonos de gris por una paleta de colores
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CLUT COLOUR LOOK-UP TABLE TABLA DE CONSULTA DE COLOR
ENTENDIENDO LAS IMAacuteGENES
httpsenwikipediaorgwikiColour_look-up_table
creacioacuten del seudo color
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Filtros espaciales Concepto de kernel Filtros paso bajo y paso alto Filtros direccionales Anomaliacuteas y correccioacuten atmosfeacuterica Correcciones radiomeacutetricas Anomaliacuteas radiomeacutetricas Fallos en el sensorCorreccioacuten atmosfeacuterica concepto Meacutetodo valores miacutenimos Regresioacuten entre bandas Dispersioacuten por aerosolesCalibracioacuten Caso misioacuten Landsat
47 Interpretacioacuten de Imaacutegenes
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de que es un filtro
espacial
FUNCIONES PARA MEJORAR ASPECTO DE LAS IMAacuteGENES
REALZAN O DISMINUYEN ELEMENTOS VISUALES DE LA IMG
BASADOS EN LA FRECUENCIA ESPACIAL
FRECUENCIAS ESPACIALES ALTAS Variaciones que se producen en pocos piacutexeles TENDENCIA GENERAL FRECUENCIAS ESPACIALES BAJAS
Variaciones que se producen en muchos piacutexeles CONTRASTES LOCALES
FILTROS Figura - CCRS CCT
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de kernel
FILTRADO ESPACIAL Figura - CCRS CCT FILTRADO EN EL DOMINIO
ESPACIAL Lo mas comuacuten es la aplicacioacuten de una ventana deslizante con valores que son coeficientes fijos de una matriz La MATRIZ se suele llamar KERNEL o nuacutecleo del filtro
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DIGITAL
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
3 x 3 5 x 5 7 x 7
1 1 1
1 2 1
1 1 1 matrices
LOS VALORES DEL KERNEL SE MULTIPLICAN POR EL PIacuteXEL QUE TIENEN DEBAJO Y LUEGO SE SUMAN TODOS LOS PRODUCTOS
Y PARA OBTENER EL VALOR DEL PIacuteXEL CENTRAL EN LA IMAGEN TRANSFORMADA SE LO DIVIDE POR LA SUMA DE LOS PONDERADOS O PESOS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO - PASO BAJO PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
26
FILTROS DE PASO BAJO SE FAVORECEN A LOS PIXELES
PERIFEacuteRICOS SE MINIMIZAN LAS DIFERENCIAS CON LOS VECINOS ES UNA ESPECIE DE SUAVIZADO
FILTRO DE PASO ALTO PONDERACIOacuteN DEL VALOR CENTRAL EN DETRIMENTO DE LOS CIRCUNDANTES
SE EXAGERAN DIFERENCIAS Y SE RESALTAN VARIACIONES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO BAJO
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm
simulacioacuten
IMAGEN ORIGINAL
FILTRO PASO BAJO 3x3 SE TRATA DE ASEMEJAR LOS VALORES DE ND DE UN PIXEL A LOS VALORES VECINOS EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA OFRECE PERFILES MENOS NIacuteTIDOS
FILTRO PASO BAJO 7x7 SIRVE PARA REDUCIR VARIABILIDAD ESPACIAL DE ALGUNA CATEGORIacuteA ANTES DE UN PROCESO DE CLASIFICACIOacuteN
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
IMAGEN ORIGINAL
FILTRO PASO ALTO 3x3 SE TRATA DE AISLAR LOS COMPONENTES DE ALTA FRECUENCIA Y REMARCAR DIGITALMENTE CONTRASTES EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA REFUERZA LOS CONTORNOS EN AacuteREAS HOMOGEacuteNEAS
FILTRO PASO ALTO 7x7 SIRVE PARA LOGRAR REALCES DE RASGOS LINEALES COMO PUEDEN SER EN AacuteREAS URBANAS O RASGOS GEOLOacuteGICOS
simulacioacuten
httpgeograuahesrtm
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
Figura - Landsat USGS
IMAGEN ORIGINAL
FILTRO DIRECCIONAL PERMITEN IDENTIFICAR LOS RASGOS FRONTERIZOS EN LAS IMAacuteGENES COMO LOS FILTROS ANTERIORES PERO AHORA CONSIDERANDO LA ORIENTACIOacuteN
se tiene en cuenta la
orientacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
matrices con direccioacuten
NORTE
1 1 1
1 -2 1
-1 -1 -1
SUR
-1 -1 -1
1 -2 1
1 1 1
ESTE
-1 1 1
-1 -2 1
-1 1 1
OESTE
1 1 -1
1 -2 -1
1 1 -1
SURESTE
-1 -1 1
-1 -2 1
1 1 1
NOROESTE
1 1 1
1 -2 -1
1 -1 -1
SUROESTE
1 -1 -1
1 -2 -1
1 1 1
NORESTE
1 1 1
-1 -2 1
-1 -1 1
OBSERVACIOacuteN
LOS NOMBRES OBEDECEN A LA DIRECCIOacuteN DEL CONTRASTE QUE SENtildeALAN
LA DIRECCIOacuteN QUE REALZAN ES JUSTAMENTE LA PERPENDICULAR
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
48 Interpretacioacuten de Imaacutegenes
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Correcciones geomeacutetricas Georreferenciacioacuten Uso de puntos de control Fuentes de error Procesamiento geomeacutetrico Correccioacuten Transformacioacuten geomeacutetrica Calidad y ajuste Generacioacuten de la nueva imagen Transferencia de ND
INSTITUTO DE AGRIMENSURA - DEPARTAMENTO DE GEOMAacuteTICA PROF ADJUNTO GRADO 3 EDISON J ROSAS BERTON
El tratamiento de una imagen de sateacutelite Georreferenciacioacuten
(paso de un sistema de filas y columnas a un sistema de coordenadas estandard)
Para ello debe obtenerse una muestra de puntos de control de los que conozcamos tanto sus coordenadas reales como sus coordenadas en
la imagen deben ser por tanto objetos de un tamantildeo adecuado para resultar identificables tanto en la imagen como sobre el terreno el tamantildeo
dependeraacute loacutegicamente de la resolucioacuten de la imagen A partir de estos puntos de control se obtendraacuten por regresioacuten unas ecuaciones que permitiraacuten a cada par filacolumna un par de coordenadas
XY
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
GEORREFERENCIACIOacuteN
ENTENDIENDO LAS IMAacuteGENES
georreferenciacioacuten porqueacute
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PUNTOS DE CONTROL
ENTENDIENDO LAS IMAacuteGENES
uso de puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
DISTORSIONES POR LA PLATAFORMA ALTITUD DE LA OacuteRBITA ndash Cambio de escala
VELOCIDAD ndash Cambios de escala ORIENTACIOacuteN DE LOS TRES EJES ndash Distorsiones en la geometriacutea
NO SISTEMAacuteTICOS Y COMPLEJOS DE MODELAR
DISTORSIONES POR ROTACIOacuteN TERRESTRE
CONSIDERANDO ALTITUD (800 Km) y TAMANtildeO DE LA IMAGEN (180 Km)ndashEn latitudes medias tarda en adquirir unos 30 segundos la Tierra se desplaza unos 8 Km
ORIENTACIOacuteN NE SW
DISTORSIONES POR EL SENSOR ANOMALIacuteAS SENSOR y MOVIMIENTO ESPEJO ndash Barrido no lineal o cambio en intervalos
AacuteNGULO DE BARRIDO ndash Variacioacuten en el tamantildeo de pixel
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ERROR EN UNA IMAGEN ESPACIAL
ENTENDIENDO LAS IMAacuteGENES
fuentes de error
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Una correccioacuten geomeacutetrica incluye CUALQUIER CAMBIO EN LA POSICIOacuteN DE LOS PIXELES que
conforman la imagen f (c`) = f1 (c l) f (x y) f (l`) = f2 (c l) f (x y)
COORDENADAS DE IMAGEN CORREGIDA SON FUNCIOacuteN DE COORDENADAS COLUMNA Y LIacuteNEA DE LA
IMAGEN DE ENTRADA O DE LAS COORDENADAS DE MAPA AL QUE SUPERPONDREMOS LA IMAGEN
1 CON OBJETIVO DE REALIZAR UNA TRANSFORMACIOacuteN GEOMEacuteTRICA QUE PERMITA AJUSTARLA A OTRA IMAGEN REFERENCIA NORMALMENTE PARA REALIZAR ESTUDIOS MULTITEMPORALES O MOSAICOS CON EL FIN DE AMPLIAR LOS DATOS E INFORMACIOacuteN DE UNA ZONA
2 ESTO PERMITIRAacute QUE LA NUEVA IMAGEN LA PUEDA INTEGRAR CON INFORMACIOacuteN DE OTRAS FUENTES POR EJEMPLO EN UN AMBIENTE SIG
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
correccioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
asumimos que
NO SE CONOCE EL ORIGEN DE LOS ERRORES
modelamos
ECUACIONES EMPIacuteRICAS
aplicadas a un conjunto de puntos
COORDENADAS CONOCIDAS IMAGEN INPUT e IMAGEN OUTPUT
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
1 ndash SELECCIOacuteN DE REFERENCIAS 2 ndash ECUACIONES DE AJUSTE
3 ndash GENERACIOacuteN DE LA IMAGEN CORREGIDA
ES OBVIO CALIDAD DEL AJUSTE DEPENDERAacute DE PRECISIOacuteN CON QUE SE
LOCALICEN LOS PUNTOS DE CONTROL INEXACTA LOCALIZACIOacuteN
DISTRIBUCIOacuteN MUY SECTORIZADA NUacuteMERO DE PUNTOS DE CONTROL INADECUADO
ESTABLECER LOS PUNTOS DE CONTROL FASE MAS CRUCIAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
procesamiento de la correccioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Resaltamos la importancia de
NUacuteMERO LOCALIZACIOacuteN DISTRIBUCIOacuteN
Que debemos atender Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
que considero UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash Croquis ilustrativos de apoyo
TERRENO O ZONAS PLANAS CON IMG OBTENIDAS POR UN SENSOR DE ESTRECHA VISIOacuteN DE CAMPO
TRANSFORMACIOacuteN
BASADO EN ECUACIONES LINEALES SIMPLES
TERRENO ESCARPADO O RUGOSO O UTILIZACIOacuteN DE IMG OBTENIDAS EN UN SENSOR CON VARIACIONES EN LAS CONDICIONES DE OBSERVACIOacuteN
TRANSFORMACIOacuteN MAacuteS COMPLEJA
POLINOMIOS DE SEGUNDO O TERCER ORDEN
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Desde un punto de vista matemaacutetico
GRADO 1 ndash 3 puntos GRADO 2 ndash 6 puntos GRADO 3 ndash 10 puntos
Seguacuten mis objetivos del trabajo no es conveniente utilizar esos miacutenimos
14 a 20 puntos (Landsat 5 MMS ndash seguacuten Bernstein R y D G Ferneyhough Jr 1978)
100 a 120 puntos (Landsat 7 TM ndash seguacuten el National Remote Sensing Center de Inglaterra)
10 o 12 puntos (Pequentildea zona de 512 x 512 pixeles ndash seguacuten Emilio Chuvieco 2010)
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
matemaacuteticamente UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
QUE DEBEMOS DE CONSIDERAR EN CUANTO A LA LOCALIZACIOacuteN
CLARAMENTE IDENTIFICABLES EN IMAGEN Y MAPA RASGOS HUMANOS DEL PAISAJE NO SUJETOS A DINAMISMO TEMPORAL
CRUCE DE CARRETERAS
CAMINOS VIacuteA FEacuteRREAS
NO CONSIDERAR ELEMENTOS ASOCIADOS AL AGUA
COSTA CURSOS DE AGUA
EMBALSES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
localizacioacuten TCP UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la correccioacuten digital de la geometriacutea de una imagen se realiza a partir de establecer unas funciones que relacionen las coordenadas de la imagen
y las coordenadas del mapa
EJ CASO MAS SIMPLE REGRESIOacuteN LINEAL MUacuteLTIPLE
ci = a0 + a1 Xi + a2 Yi li = b0 + b1 Xi + b2 Yi
EN LA PRAacuteCTICA BASTA UNA FUNCIOacuteN LINEAL PARA ABORDAR UN GRAN NUacuteMERO DE
TRANSFORMACIONES Y SON SUFICIENTES SI LAS IMAacuteGENES NO SON MUY GRANDES ANTE LA NECESIDAD DE OTRAS TRANSFORMACIONES SE UTILIZAN DE 2ordm y 3ordm ORDEN CONSIDERANDO ALTERACIONES GEOMEacuteTRICAS NO LINEALES (FUNCIONES QUE NO SE DEFINEN EN UN PLANO
CON EJES LINEALES SINO QUE SUPERFICIES CON EJES CURVILIacuteNEOS)
LOS COEFICIENTES DE LAS FUNCIONES DE TRANSFORMACIOacuteN SE CALCULAN A PARTIR DE UN AJUSTE POR MIacuteNIMOS CUADRADOS
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
funciones de transformacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash ejemplos de funciones de transformacioacuten geomeacutetrica con el efecto causado
TRASLACIOacuteN
CAMBIO DE ESCALA
INCLINACIOacuteN
PERSPECTIVA
ROTACIOacuteN
x = a0 + xacute y = b0 + yacute
x = xacute + a2 yacute y = yacute
x = a1 xacute y = b1 yacute
x = a3xacute yacute y = yacute
x = a4xacute + a5yacute y = b4xacute + b5yacute a4 = b5 = cos Ɵ a5 = -b4 = sen Ɵ
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
transformacioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
comparacioacuten coordenadas reales y las estimadas por la regresioacuten
el promedio de los residuales se conoce como error medio cuadraacutetico
la calidad del ajuste lo da el RMSE (root mean squared error)
(error medio cuadraacutetico)
RMSE es la raiacutez cuadrada de las desviaciones entre los valores reales y los
calculados
RMSE para cada punto es la raiacutez de los residuales al cuadrado que es la distancia entre ellos
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
RMSE UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la praacutectica hace que fijemos una TOLERANCIA y es que si ese promedio supera un valor fijado previamente haya que rever
el valor fijado previamente generalmente es igual o menor a un PIXEL
una correcta verificacioacuten
NECESITA introducir PUNTOS de VERIFICACIOacuteN
que no hayan sido introducidos en el ajuste
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
tolerancias fijadas
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
traducimos coordenadas de un mapa a la imagen tambieacuten necesitamos a la nueva imagen
TRANSFERIR LOS VALORES DIGITALES no olvidar que lo que queremos es generar una nueva imagen que se
corresponda con las coordenadas y las funciones de ajuste
NO ORIGINAN NUEVA IMAGEN solo colocan a los pixeles en la posicioacuten correcta
en criollo las funciones de transformacioacuten generan una nueva matriz bien posicionada pero vaciacutea
DEBEMOS LLENAR LA MATRIZ problema maacutes complejo de lo que puede
pensarse Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
generacioacuten de la nueva imaacutegen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
cada pixel de la imagen corregida se corresponderiacutea con un pixel de la imagen original
LEJOS DE ESE IDEAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo I
vecino maacutes proacuteximo ( nearest neighbour )
a cada celda de la imagen corregida se asigna el ND del pixel maacutes cercano de la
imagen original
SOLUCIOacuteN RAacutePIDA MENOR DISTORSIOacuteN DE LOS ND
INTRODUCE RASGOS LINEALES QUE DISTORSIONAN
CORRECCIOacuteN DE IMAacuteGENES CLASIFICADAS
CONSERVAR LA RADIOMETRIacuteA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo II
interpolacioacuten bilineal ( bilinear interpolation )
supone promediar los ND de los cuatro pixeles mas cercanos
con ponderacioacuten seguacuten la distancia pixeles originalcorregido
REDUCE EL EFECTO DE DISTORSIOacuteN EN RASGOS LINEALES
TIENDE A DIFUMINAR LOS CONTRASTES ESPACIALES
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE IMAacuteGENES RECTIFICADAS MAPAS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo III
convolusioacuten cuacutebica ( cubic convolution )
supone considerar los ND de los 16 pixeles mas proacuteximos
media ponderada seguacuten la distancia pixeles originalcorregido
EFECTO VISUAL MAS CORRECTO
VOLUacuteMEN DE CAacuteLCULO MUY SUPERIOR TENDENCIA A AGUDIZAR BORDES DE LA IMAGEN
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE ORTOIMAacuteGENES IMPRESIONES DE CALIDAD
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
anaacutelisis del histograma
lineal 0 - 255
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PORQUEacute EL REALCE
ENTENDIENDO LAS IMAacuteGENES
LOS SENSORES SON CALIBRADOS PARA ABARCAR TODO EL RANGO POSIBLE DE RADIANCIAS
PARA CADA USO EN CONCRETO ES NECESIDAD IMPERIOSA
EXPANDIR EL HISTOGRAMA Y ASIacute CUBRIR EL RANGO COMPLETO DE NIVELES DE GRIS
histograma UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CONTRASTE EN UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
expansioacuten del contraste
los datos uacutetiles solo ocupan pequentildea parte de los niveles de gris disponibles
expandir o estirar el histograma es cambiar los valores originales de ND para utilizar mayor rango
asiacute incrementar el contraste visual de diferentes objetos
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
ejemplos visuales
sin realce lineal
frecuencial gamma
MEacuteTODOS DE EXPANSIOacuteN DEL CONTRASTE
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
lineal
expansioacuten lineal
lo maacutes simple transformacioacuten en liacutenea llevando el valor miacutenimo a 0 y maacuteximo a 255 o se usa un rango por encima y por debajo de miacutenimo y maacuteximo
EXPANSIOacuteN I
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
lineal
EXPANSIOacuteN I expansioacuten
logariacutetmico exponencial
gamma
curvas de transferencia en lugar de rectas gamma es la curvatura de dicha curva se expanden maacutes el contraste de los extremos o del centro
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
frecuencial
EXPANSIOacuteN II
frecuencial ecualizacioacuten del
histograma
cuando los valores de ND no estaacuten distribuidos uniformemente intentar en la medida de lo posible que los valores de salida de los ND tengan el mismo de pixeles con dicho valor
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CONTRASTE EN UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
compresioacuten del contraste
Ya sabemos que el contraste mide el rango dinaacutemico de los colores en la imagen es decir una imagen muy contrastada tiene un amplio abanico de colores (o tonos de gris) desde valores muy bajos a valores muy altos Para una imagen con poco contraste los colores estaacuten muy juntos el margen dinaacutemico es pequentildeo La variacioacuten en el contraste aparece como una compresioacuten del histograma en caso de una reduccioacuten a la inversa de lo visto en el caso de una expansioacuten
Compresioacuten si el rango excede de las capacidades del sistema
Se ha de comparar el nuacutemero de niveles digitales (ND) de la imagen con los niveles de visualizacioacuten (NV) o grises del sistema Es de menos aplicacioacuten Al igual que el brillo variando el contraste se puede provocar una peacuterdida de informacioacuten de la imagen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
MAYOR APLICABILIDAD DEL REALCE
ENTENDIENDO LAS IMAacuteGENES
realce oacuteptimo
realce frecuencial
realce lineal
laquo r e a l c e oacute p t i m o raquo optimiza interpretacioacuten de la imagen
mejor esteacutetica de la imagen NO COINCIDE CON NINGUacuteN CORTE PREDETERMINADO
Y SE LOGRA INTERACTIVAMENTE EN PANTALLA Y PARA CADA BANDA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
COMPOSICIONES COLOR
ENTENDIENDO LAS IMAacuteGENES
formatos de composiciones
CON LA CRECIENTE APARICIOacuteN DE LOS SENSORES HIPERESPECTRALES LAS POSIBILIDADES DE COMPOSICIONES
COLOREADAS DE BANDAS SON CASI ILIMITADAS
LA ELECCIOacuteN DE LAS BANDAS PARA REALIZAR LA COMPOSICIOacuteN Y EL ORDEN DE LAS BANDAS ASIGANADAS A LOS COLORES
PRIMARIOS DEPENDERAacute DE
Sensor Aplicacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EL SEUDO - COLOR
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm formatos de
composiciones
Ya hemos afirmado de que el ojo humano es maacutes capaz de distinguir tonos de color que intensidades de brillo
Por ello el empleo del color ayuda a la interpretacioacuten incluso cuando podamos tener una sola imagen de una banda
Es aquiacute que hablamos del SEUDO COLOR por no contar con tres bandas
El seudo color implica la creacioacuten de una CLUT que asocie el ND de una sola banda a distintos componentes del R V y A APLICACIONES 1 Para tener una leyenda de colores para una img clasificada 2 Para realzar el anaacutelisis de una determinada banda y sustituir los tonos de gris por una paleta de colores
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CLUT COLOUR LOOK-UP TABLE TABLA DE CONSULTA DE COLOR
ENTENDIENDO LAS IMAacuteGENES
httpsenwikipediaorgwikiColour_look-up_table
creacioacuten del seudo color
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Filtros espaciales Concepto de kernel Filtros paso bajo y paso alto Filtros direccionales Anomaliacuteas y correccioacuten atmosfeacuterica Correcciones radiomeacutetricas Anomaliacuteas radiomeacutetricas Fallos en el sensorCorreccioacuten atmosfeacuterica concepto Meacutetodo valores miacutenimos Regresioacuten entre bandas Dispersioacuten por aerosolesCalibracioacuten Caso misioacuten Landsat
47 Interpretacioacuten de Imaacutegenes
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de que es un filtro
espacial
FUNCIONES PARA MEJORAR ASPECTO DE LAS IMAacuteGENES
REALZAN O DISMINUYEN ELEMENTOS VISUALES DE LA IMG
BASADOS EN LA FRECUENCIA ESPACIAL
FRECUENCIAS ESPACIALES ALTAS Variaciones que se producen en pocos piacutexeles TENDENCIA GENERAL FRECUENCIAS ESPACIALES BAJAS
Variaciones que se producen en muchos piacutexeles CONTRASTES LOCALES
FILTROS Figura - CCRS CCT
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de kernel
FILTRADO ESPACIAL Figura - CCRS CCT FILTRADO EN EL DOMINIO
ESPACIAL Lo mas comuacuten es la aplicacioacuten de una ventana deslizante con valores que son coeficientes fijos de una matriz La MATRIZ se suele llamar KERNEL o nuacutecleo del filtro
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DIGITAL
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
3 x 3 5 x 5 7 x 7
1 1 1
1 2 1
1 1 1 matrices
LOS VALORES DEL KERNEL SE MULTIPLICAN POR EL PIacuteXEL QUE TIENEN DEBAJO Y LUEGO SE SUMAN TODOS LOS PRODUCTOS
Y PARA OBTENER EL VALOR DEL PIacuteXEL CENTRAL EN LA IMAGEN TRANSFORMADA SE LO DIVIDE POR LA SUMA DE LOS PONDERADOS O PESOS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO - PASO BAJO PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
26
FILTROS DE PASO BAJO SE FAVORECEN A LOS PIXELES
PERIFEacuteRICOS SE MINIMIZAN LAS DIFERENCIAS CON LOS VECINOS ES UNA ESPECIE DE SUAVIZADO
FILTRO DE PASO ALTO PONDERACIOacuteN DEL VALOR CENTRAL EN DETRIMENTO DE LOS CIRCUNDANTES
SE EXAGERAN DIFERENCIAS Y SE RESALTAN VARIACIONES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO BAJO
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm
simulacioacuten
IMAGEN ORIGINAL
FILTRO PASO BAJO 3x3 SE TRATA DE ASEMEJAR LOS VALORES DE ND DE UN PIXEL A LOS VALORES VECINOS EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA OFRECE PERFILES MENOS NIacuteTIDOS
FILTRO PASO BAJO 7x7 SIRVE PARA REDUCIR VARIABILIDAD ESPACIAL DE ALGUNA CATEGORIacuteA ANTES DE UN PROCESO DE CLASIFICACIOacuteN
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
IMAGEN ORIGINAL
FILTRO PASO ALTO 3x3 SE TRATA DE AISLAR LOS COMPONENTES DE ALTA FRECUENCIA Y REMARCAR DIGITALMENTE CONTRASTES EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA REFUERZA LOS CONTORNOS EN AacuteREAS HOMOGEacuteNEAS
FILTRO PASO ALTO 7x7 SIRVE PARA LOGRAR REALCES DE RASGOS LINEALES COMO PUEDEN SER EN AacuteREAS URBANAS O RASGOS GEOLOacuteGICOS
simulacioacuten
httpgeograuahesrtm
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
Figura - Landsat USGS
IMAGEN ORIGINAL
FILTRO DIRECCIONAL PERMITEN IDENTIFICAR LOS RASGOS FRONTERIZOS EN LAS IMAacuteGENES COMO LOS FILTROS ANTERIORES PERO AHORA CONSIDERANDO LA ORIENTACIOacuteN
se tiene en cuenta la
orientacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
matrices con direccioacuten
NORTE
1 1 1
1 -2 1
-1 -1 -1
SUR
-1 -1 -1
1 -2 1
1 1 1
ESTE
-1 1 1
-1 -2 1
-1 1 1
OESTE
1 1 -1
1 -2 -1
1 1 -1
SURESTE
-1 -1 1
-1 -2 1
1 1 1
NOROESTE
1 1 1
1 -2 -1
1 -1 -1
SUROESTE
1 -1 -1
1 -2 -1
1 1 1
NORESTE
1 1 1
-1 -2 1
-1 -1 1
OBSERVACIOacuteN
LOS NOMBRES OBEDECEN A LA DIRECCIOacuteN DEL CONTRASTE QUE SENtildeALAN
LA DIRECCIOacuteN QUE REALZAN ES JUSTAMENTE LA PERPENDICULAR
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
48 Interpretacioacuten de Imaacutegenes
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Correcciones geomeacutetricas Georreferenciacioacuten Uso de puntos de control Fuentes de error Procesamiento geomeacutetrico Correccioacuten Transformacioacuten geomeacutetrica Calidad y ajuste Generacioacuten de la nueva imagen Transferencia de ND
INSTITUTO DE AGRIMENSURA - DEPARTAMENTO DE GEOMAacuteTICA PROF ADJUNTO GRADO 3 EDISON J ROSAS BERTON
El tratamiento de una imagen de sateacutelite Georreferenciacioacuten
(paso de un sistema de filas y columnas a un sistema de coordenadas estandard)
Para ello debe obtenerse una muestra de puntos de control de los que conozcamos tanto sus coordenadas reales como sus coordenadas en
la imagen deben ser por tanto objetos de un tamantildeo adecuado para resultar identificables tanto en la imagen como sobre el terreno el tamantildeo
dependeraacute loacutegicamente de la resolucioacuten de la imagen A partir de estos puntos de control se obtendraacuten por regresioacuten unas ecuaciones que permitiraacuten a cada par filacolumna un par de coordenadas
XY
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
GEORREFERENCIACIOacuteN
ENTENDIENDO LAS IMAacuteGENES
georreferenciacioacuten porqueacute
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PUNTOS DE CONTROL
ENTENDIENDO LAS IMAacuteGENES
uso de puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
DISTORSIONES POR LA PLATAFORMA ALTITUD DE LA OacuteRBITA ndash Cambio de escala
VELOCIDAD ndash Cambios de escala ORIENTACIOacuteN DE LOS TRES EJES ndash Distorsiones en la geometriacutea
NO SISTEMAacuteTICOS Y COMPLEJOS DE MODELAR
DISTORSIONES POR ROTACIOacuteN TERRESTRE
CONSIDERANDO ALTITUD (800 Km) y TAMANtildeO DE LA IMAGEN (180 Km)ndashEn latitudes medias tarda en adquirir unos 30 segundos la Tierra se desplaza unos 8 Km
ORIENTACIOacuteN NE SW
DISTORSIONES POR EL SENSOR ANOMALIacuteAS SENSOR y MOVIMIENTO ESPEJO ndash Barrido no lineal o cambio en intervalos
AacuteNGULO DE BARRIDO ndash Variacioacuten en el tamantildeo de pixel
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ERROR EN UNA IMAGEN ESPACIAL
ENTENDIENDO LAS IMAacuteGENES
fuentes de error
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Una correccioacuten geomeacutetrica incluye CUALQUIER CAMBIO EN LA POSICIOacuteN DE LOS PIXELES que
conforman la imagen f (c`) = f1 (c l) f (x y) f (l`) = f2 (c l) f (x y)
COORDENADAS DE IMAGEN CORREGIDA SON FUNCIOacuteN DE COORDENADAS COLUMNA Y LIacuteNEA DE LA
IMAGEN DE ENTRADA O DE LAS COORDENADAS DE MAPA AL QUE SUPERPONDREMOS LA IMAGEN
1 CON OBJETIVO DE REALIZAR UNA TRANSFORMACIOacuteN GEOMEacuteTRICA QUE PERMITA AJUSTARLA A OTRA IMAGEN REFERENCIA NORMALMENTE PARA REALIZAR ESTUDIOS MULTITEMPORALES O MOSAICOS CON EL FIN DE AMPLIAR LOS DATOS E INFORMACIOacuteN DE UNA ZONA
2 ESTO PERMITIRAacute QUE LA NUEVA IMAGEN LA PUEDA INTEGRAR CON INFORMACIOacuteN DE OTRAS FUENTES POR EJEMPLO EN UN AMBIENTE SIG
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
correccioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
asumimos que
NO SE CONOCE EL ORIGEN DE LOS ERRORES
modelamos
ECUACIONES EMPIacuteRICAS
aplicadas a un conjunto de puntos
COORDENADAS CONOCIDAS IMAGEN INPUT e IMAGEN OUTPUT
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
1 ndash SELECCIOacuteN DE REFERENCIAS 2 ndash ECUACIONES DE AJUSTE
3 ndash GENERACIOacuteN DE LA IMAGEN CORREGIDA
ES OBVIO CALIDAD DEL AJUSTE DEPENDERAacute DE PRECISIOacuteN CON QUE SE
LOCALICEN LOS PUNTOS DE CONTROL INEXACTA LOCALIZACIOacuteN
DISTRIBUCIOacuteN MUY SECTORIZADA NUacuteMERO DE PUNTOS DE CONTROL INADECUADO
ESTABLECER LOS PUNTOS DE CONTROL FASE MAS CRUCIAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
procesamiento de la correccioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Resaltamos la importancia de
NUacuteMERO LOCALIZACIOacuteN DISTRIBUCIOacuteN
Que debemos atender Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
que considero UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash Croquis ilustrativos de apoyo
TERRENO O ZONAS PLANAS CON IMG OBTENIDAS POR UN SENSOR DE ESTRECHA VISIOacuteN DE CAMPO
TRANSFORMACIOacuteN
BASADO EN ECUACIONES LINEALES SIMPLES
TERRENO ESCARPADO O RUGOSO O UTILIZACIOacuteN DE IMG OBTENIDAS EN UN SENSOR CON VARIACIONES EN LAS CONDICIONES DE OBSERVACIOacuteN
TRANSFORMACIOacuteN MAacuteS COMPLEJA
POLINOMIOS DE SEGUNDO O TERCER ORDEN
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Desde un punto de vista matemaacutetico
GRADO 1 ndash 3 puntos GRADO 2 ndash 6 puntos GRADO 3 ndash 10 puntos
Seguacuten mis objetivos del trabajo no es conveniente utilizar esos miacutenimos
14 a 20 puntos (Landsat 5 MMS ndash seguacuten Bernstein R y D G Ferneyhough Jr 1978)
100 a 120 puntos (Landsat 7 TM ndash seguacuten el National Remote Sensing Center de Inglaterra)
10 o 12 puntos (Pequentildea zona de 512 x 512 pixeles ndash seguacuten Emilio Chuvieco 2010)
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
matemaacuteticamente UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
QUE DEBEMOS DE CONSIDERAR EN CUANTO A LA LOCALIZACIOacuteN
CLARAMENTE IDENTIFICABLES EN IMAGEN Y MAPA RASGOS HUMANOS DEL PAISAJE NO SUJETOS A DINAMISMO TEMPORAL
CRUCE DE CARRETERAS
CAMINOS VIacuteA FEacuteRREAS
NO CONSIDERAR ELEMENTOS ASOCIADOS AL AGUA
COSTA CURSOS DE AGUA
EMBALSES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
localizacioacuten TCP UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la correccioacuten digital de la geometriacutea de una imagen se realiza a partir de establecer unas funciones que relacionen las coordenadas de la imagen
y las coordenadas del mapa
EJ CASO MAS SIMPLE REGRESIOacuteN LINEAL MUacuteLTIPLE
ci = a0 + a1 Xi + a2 Yi li = b0 + b1 Xi + b2 Yi
EN LA PRAacuteCTICA BASTA UNA FUNCIOacuteN LINEAL PARA ABORDAR UN GRAN NUacuteMERO DE
TRANSFORMACIONES Y SON SUFICIENTES SI LAS IMAacuteGENES NO SON MUY GRANDES ANTE LA NECESIDAD DE OTRAS TRANSFORMACIONES SE UTILIZAN DE 2ordm y 3ordm ORDEN CONSIDERANDO ALTERACIONES GEOMEacuteTRICAS NO LINEALES (FUNCIONES QUE NO SE DEFINEN EN UN PLANO
CON EJES LINEALES SINO QUE SUPERFICIES CON EJES CURVILIacuteNEOS)
LOS COEFICIENTES DE LAS FUNCIONES DE TRANSFORMACIOacuteN SE CALCULAN A PARTIR DE UN AJUSTE POR MIacuteNIMOS CUADRADOS
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
funciones de transformacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash ejemplos de funciones de transformacioacuten geomeacutetrica con el efecto causado
TRASLACIOacuteN
CAMBIO DE ESCALA
INCLINACIOacuteN
PERSPECTIVA
ROTACIOacuteN
x = a0 + xacute y = b0 + yacute
x = xacute + a2 yacute y = yacute
x = a1 xacute y = b1 yacute
x = a3xacute yacute y = yacute
x = a4xacute + a5yacute y = b4xacute + b5yacute a4 = b5 = cos Ɵ a5 = -b4 = sen Ɵ
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
transformacioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
comparacioacuten coordenadas reales y las estimadas por la regresioacuten
el promedio de los residuales se conoce como error medio cuadraacutetico
la calidad del ajuste lo da el RMSE (root mean squared error)
(error medio cuadraacutetico)
RMSE es la raiacutez cuadrada de las desviaciones entre los valores reales y los
calculados
RMSE para cada punto es la raiacutez de los residuales al cuadrado que es la distancia entre ellos
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
RMSE UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la praacutectica hace que fijemos una TOLERANCIA y es que si ese promedio supera un valor fijado previamente haya que rever
el valor fijado previamente generalmente es igual o menor a un PIXEL
una correcta verificacioacuten
NECESITA introducir PUNTOS de VERIFICACIOacuteN
que no hayan sido introducidos en el ajuste
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
tolerancias fijadas
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
traducimos coordenadas de un mapa a la imagen tambieacuten necesitamos a la nueva imagen
TRANSFERIR LOS VALORES DIGITALES no olvidar que lo que queremos es generar una nueva imagen que se
corresponda con las coordenadas y las funciones de ajuste
NO ORIGINAN NUEVA IMAGEN solo colocan a los pixeles en la posicioacuten correcta
en criollo las funciones de transformacioacuten generan una nueva matriz bien posicionada pero vaciacutea
DEBEMOS LLENAR LA MATRIZ problema maacutes complejo de lo que puede
pensarse Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
generacioacuten de la nueva imaacutegen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
cada pixel de la imagen corregida se corresponderiacutea con un pixel de la imagen original
LEJOS DE ESE IDEAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo I
vecino maacutes proacuteximo ( nearest neighbour )
a cada celda de la imagen corregida se asigna el ND del pixel maacutes cercano de la
imagen original
SOLUCIOacuteN RAacutePIDA MENOR DISTORSIOacuteN DE LOS ND
INTRODUCE RASGOS LINEALES QUE DISTORSIONAN
CORRECCIOacuteN DE IMAacuteGENES CLASIFICADAS
CONSERVAR LA RADIOMETRIacuteA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo II
interpolacioacuten bilineal ( bilinear interpolation )
supone promediar los ND de los cuatro pixeles mas cercanos
con ponderacioacuten seguacuten la distancia pixeles originalcorregido
REDUCE EL EFECTO DE DISTORSIOacuteN EN RASGOS LINEALES
TIENDE A DIFUMINAR LOS CONTRASTES ESPACIALES
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE IMAacuteGENES RECTIFICADAS MAPAS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo III
convolusioacuten cuacutebica ( cubic convolution )
supone considerar los ND de los 16 pixeles mas proacuteximos
media ponderada seguacuten la distancia pixeles originalcorregido
EFECTO VISUAL MAS CORRECTO
VOLUacuteMEN DE CAacuteLCULO MUY SUPERIOR TENDENCIA A AGUDIZAR BORDES DE LA IMAGEN
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE ORTOIMAacuteGENES IMPRESIONES DE CALIDAD
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
QUE SUCEDE CON LAS IMAacuteGENES SATELITALES
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PORQUEacute EL REALCE
ENTENDIENDO LAS IMAacuteGENES
LOS SENSORES SON CALIBRADOS PARA ABARCAR TODO EL RANGO POSIBLE DE RADIANCIAS
PARA CADA USO EN CONCRETO ES NECESIDAD IMPERIOSA
EXPANDIR EL HISTOGRAMA Y ASIacute CUBRIR EL RANGO COMPLETO DE NIVELES DE GRIS
histograma UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CONTRASTE EN UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
expansioacuten del contraste
los datos uacutetiles solo ocupan pequentildea parte de los niveles de gris disponibles
expandir o estirar el histograma es cambiar los valores originales de ND para utilizar mayor rango
asiacute incrementar el contraste visual de diferentes objetos
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
ejemplos visuales
sin realce lineal
frecuencial gamma
MEacuteTODOS DE EXPANSIOacuteN DEL CONTRASTE
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
lineal
expansioacuten lineal
lo maacutes simple transformacioacuten en liacutenea llevando el valor miacutenimo a 0 y maacuteximo a 255 o se usa un rango por encima y por debajo de miacutenimo y maacuteximo
EXPANSIOacuteN I
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
lineal
EXPANSIOacuteN I expansioacuten
logariacutetmico exponencial
gamma
curvas de transferencia en lugar de rectas gamma es la curvatura de dicha curva se expanden maacutes el contraste de los extremos o del centro
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
frecuencial
EXPANSIOacuteN II
frecuencial ecualizacioacuten del
histograma
cuando los valores de ND no estaacuten distribuidos uniformemente intentar en la medida de lo posible que los valores de salida de los ND tengan el mismo de pixeles con dicho valor
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CONTRASTE EN UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
compresioacuten del contraste
Ya sabemos que el contraste mide el rango dinaacutemico de los colores en la imagen es decir una imagen muy contrastada tiene un amplio abanico de colores (o tonos de gris) desde valores muy bajos a valores muy altos Para una imagen con poco contraste los colores estaacuten muy juntos el margen dinaacutemico es pequentildeo La variacioacuten en el contraste aparece como una compresioacuten del histograma en caso de una reduccioacuten a la inversa de lo visto en el caso de una expansioacuten
Compresioacuten si el rango excede de las capacidades del sistema
Se ha de comparar el nuacutemero de niveles digitales (ND) de la imagen con los niveles de visualizacioacuten (NV) o grises del sistema Es de menos aplicacioacuten Al igual que el brillo variando el contraste se puede provocar una peacuterdida de informacioacuten de la imagen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
MAYOR APLICABILIDAD DEL REALCE
ENTENDIENDO LAS IMAacuteGENES
realce oacuteptimo
realce frecuencial
realce lineal
laquo r e a l c e oacute p t i m o raquo optimiza interpretacioacuten de la imagen
mejor esteacutetica de la imagen NO COINCIDE CON NINGUacuteN CORTE PREDETERMINADO
Y SE LOGRA INTERACTIVAMENTE EN PANTALLA Y PARA CADA BANDA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
COMPOSICIONES COLOR
ENTENDIENDO LAS IMAacuteGENES
formatos de composiciones
CON LA CRECIENTE APARICIOacuteN DE LOS SENSORES HIPERESPECTRALES LAS POSIBILIDADES DE COMPOSICIONES
COLOREADAS DE BANDAS SON CASI ILIMITADAS
LA ELECCIOacuteN DE LAS BANDAS PARA REALIZAR LA COMPOSICIOacuteN Y EL ORDEN DE LAS BANDAS ASIGANADAS A LOS COLORES
PRIMARIOS DEPENDERAacute DE
Sensor Aplicacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EL SEUDO - COLOR
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm formatos de
composiciones
Ya hemos afirmado de que el ojo humano es maacutes capaz de distinguir tonos de color que intensidades de brillo
Por ello el empleo del color ayuda a la interpretacioacuten incluso cuando podamos tener una sola imagen de una banda
Es aquiacute que hablamos del SEUDO COLOR por no contar con tres bandas
El seudo color implica la creacioacuten de una CLUT que asocie el ND de una sola banda a distintos componentes del R V y A APLICACIONES 1 Para tener una leyenda de colores para una img clasificada 2 Para realzar el anaacutelisis de una determinada banda y sustituir los tonos de gris por una paleta de colores
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CLUT COLOUR LOOK-UP TABLE TABLA DE CONSULTA DE COLOR
ENTENDIENDO LAS IMAacuteGENES
httpsenwikipediaorgwikiColour_look-up_table
creacioacuten del seudo color
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Filtros espaciales Concepto de kernel Filtros paso bajo y paso alto Filtros direccionales Anomaliacuteas y correccioacuten atmosfeacuterica Correcciones radiomeacutetricas Anomaliacuteas radiomeacutetricas Fallos en el sensorCorreccioacuten atmosfeacuterica concepto Meacutetodo valores miacutenimos Regresioacuten entre bandas Dispersioacuten por aerosolesCalibracioacuten Caso misioacuten Landsat
47 Interpretacioacuten de Imaacutegenes
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de que es un filtro
espacial
FUNCIONES PARA MEJORAR ASPECTO DE LAS IMAacuteGENES
REALZAN O DISMINUYEN ELEMENTOS VISUALES DE LA IMG
BASADOS EN LA FRECUENCIA ESPACIAL
FRECUENCIAS ESPACIALES ALTAS Variaciones que se producen en pocos piacutexeles TENDENCIA GENERAL FRECUENCIAS ESPACIALES BAJAS
Variaciones que se producen en muchos piacutexeles CONTRASTES LOCALES
FILTROS Figura - CCRS CCT
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de kernel
FILTRADO ESPACIAL Figura - CCRS CCT FILTRADO EN EL DOMINIO
ESPACIAL Lo mas comuacuten es la aplicacioacuten de una ventana deslizante con valores que son coeficientes fijos de una matriz La MATRIZ se suele llamar KERNEL o nuacutecleo del filtro
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DIGITAL
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
3 x 3 5 x 5 7 x 7
1 1 1
1 2 1
1 1 1 matrices
LOS VALORES DEL KERNEL SE MULTIPLICAN POR EL PIacuteXEL QUE TIENEN DEBAJO Y LUEGO SE SUMAN TODOS LOS PRODUCTOS
Y PARA OBTENER EL VALOR DEL PIacuteXEL CENTRAL EN LA IMAGEN TRANSFORMADA SE LO DIVIDE POR LA SUMA DE LOS PONDERADOS O PESOS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO - PASO BAJO PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
26
FILTROS DE PASO BAJO SE FAVORECEN A LOS PIXELES
PERIFEacuteRICOS SE MINIMIZAN LAS DIFERENCIAS CON LOS VECINOS ES UNA ESPECIE DE SUAVIZADO
FILTRO DE PASO ALTO PONDERACIOacuteN DEL VALOR CENTRAL EN DETRIMENTO DE LOS CIRCUNDANTES
SE EXAGERAN DIFERENCIAS Y SE RESALTAN VARIACIONES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO BAJO
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm
simulacioacuten
IMAGEN ORIGINAL
FILTRO PASO BAJO 3x3 SE TRATA DE ASEMEJAR LOS VALORES DE ND DE UN PIXEL A LOS VALORES VECINOS EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA OFRECE PERFILES MENOS NIacuteTIDOS
FILTRO PASO BAJO 7x7 SIRVE PARA REDUCIR VARIABILIDAD ESPACIAL DE ALGUNA CATEGORIacuteA ANTES DE UN PROCESO DE CLASIFICACIOacuteN
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
IMAGEN ORIGINAL
FILTRO PASO ALTO 3x3 SE TRATA DE AISLAR LOS COMPONENTES DE ALTA FRECUENCIA Y REMARCAR DIGITALMENTE CONTRASTES EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA REFUERZA LOS CONTORNOS EN AacuteREAS HOMOGEacuteNEAS
FILTRO PASO ALTO 7x7 SIRVE PARA LOGRAR REALCES DE RASGOS LINEALES COMO PUEDEN SER EN AacuteREAS URBANAS O RASGOS GEOLOacuteGICOS
simulacioacuten
httpgeograuahesrtm
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
Figura - Landsat USGS
IMAGEN ORIGINAL
FILTRO DIRECCIONAL PERMITEN IDENTIFICAR LOS RASGOS FRONTERIZOS EN LAS IMAacuteGENES COMO LOS FILTROS ANTERIORES PERO AHORA CONSIDERANDO LA ORIENTACIOacuteN
se tiene en cuenta la
orientacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
matrices con direccioacuten
NORTE
1 1 1
1 -2 1
-1 -1 -1
SUR
-1 -1 -1
1 -2 1
1 1 1
ESTE
-1 1 1
-1 -2 1
-1 1 1
OESTE
1 1 -1
1 -2 -1
1 1 -1
SURESTE
-1 -1 1
-1 -2 1
1 1 1
NOROESTE
1 1 1
1 -2 -1
1 -1 -1
SUROESTE
1 -1 -1
1 -2 -1
1 1 1
NORESTE
1 1 1
-1 -2 1
-1 -1 1
OBSERVACIOacuteN
LOS NOMBRES OBEDECEN A LA DIRECCIOacuteN DEL CONTRASTE QUE SENtildeALAN
LA DIRECCIOacuteN QUE REALZAN ES JUSTAMENTE LA PERPENDICULAR
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
48 Interpretacioacuten de Imaacutegenes
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Correcciones geomeacutetricas Georreferenciacioacuten Uso de puntos de control Fuentes de error Procesamiento geomeacutetrico Correccioacuten Transformacioacuten geomeacutetrica Calidad y ajuste Generacioacuten de la nueva imagen Transferencia de ND
INSTITUTO DE AGRIMENSURA - DEPARTAMENTO DE GEOMAacuteTICA PROF ADJUNTO GRADO 3 EDISON J ROSAS BERTON
El tratamiento de una imagen de sateacutelite Georreferenciacioacuten
(paso de un sistema de filas y columnas a un sistema de coordenadas estandard)
Para ello debe obtenerse una muestra de puntos de control de los que conozcamos tanto sus coordenadas reales como sus coordenadas en
la imagen deben ser por tanto objetos de un tamantildeo adecuado para resultar identificables tanto en la imagen como sobre el terreno el tamantildeo
dependeraacute loacutegicamente de la resolucioacuten de la imagen A partir de estos puntos de control se obtendraacuten por regresioacuten unas ecuaciones que permitiraacuten a cada par filacolumna un par de coordenadas
XY
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
GEORREFERENCIACIOacuteN
ENTENDIENDO LAS IMAacuteGENES
georreferenciacioacuten porqueacute
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PUNTOS DE CONTROL
ENTENDIENDO LAS IMAacuteGENES
uso de puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
DISTORSIONES POR LA PLATAFORMA ALTITUD DE LA OacuteRBITA ndash Cambio de escala
VELOCIDAD ndash Cambios de escala ORIENTACIOacuteN DE LOS TRES EJES ndash Distorsiones en la geometriacutea
NO SISTEMAacuteTICOS Y COMPLEJOS DE MODELAR
DISTORSIONES POR ROTACIOacuteN TERRESTRE
CONSIDERANDO ALTITUD (800 Km) y TAMANtildeO DE LA IMAGEN (180 Km)ndashEn latitudes medias tarda en adquirir unos 30 segundos la Tierra se desplaza unos 8 Km
ORIENTACIOacuteN NE SW
DISTORSIONES POR EL SENSOR ANOMALIacuteAS SENSOR y MOVIMIENTO ESPEJO ndash Barrido no lineal o cambio en intervalos
AacuteNGULO DE BARRIDO ndash Variacioacuten en el tamantildeo de pixel
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ERROR EN UNA IMAGEN ESPACIAL
ENTENDIENDO LAS IMAacuteGENES
fuentes de error
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Una correccioacuten geomeacutetrica incluye CUALQUIER CAMBIO EN LA POSICIOacuteN DE LOS PIXELES que
conforman la imagen f (c`) = f1 (c l) f (x y) f (l`) = f2 (c l) f (x y)
COORDENADAS DE IMAGEN CORREGIDA SON FUNCIOacuteN DE COORDENADAS COLUMNA Y LIacuteNEA DE LA
IMAGEN DE ENTRADA O DE LAS COORDENADAS DE MAPA AL QUE SUPERPONDREMOS LA IMAGEN
1 CON OBJETIVO DE REALIZAR UNA TRANSFORMACIOacuteN GEOMEacuteTRICA QUE PERMITA AJUSTARLA A OTRA IMAGEN REFERENCIA NORMALMENTE PARA REALIZAR ESTUDIOS MULTITEMPORALES O MOSAICOS CON EL FIN DE AMPLIAR LOS DATOS E INFORMACIOacuteN DE UNA ZONA
2 ESTO PERMITIRAacute QUE LA NUEVA IMAGEN LA PUEDA INTEGRAR CON INFORMACIOacuteN DE OTRAS FUENTES POR EJEMPLO EN UN AMBIENTE SIG
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
correccioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
asumimos que
NO SE CONOCE EL ORIGEN DE LOS ERRORES
modelamos
ECUACIONES EMPIacuteRICAS
aplicadas a un conjunto de puntos
COORDENADAS CONOCIDAS IMAGEN INPUT e IMAGEN OUTPUT
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
1 ndash SELECCIOacuteN DE REFERENCIAS 2 ndash ECUACIONES DE AJUSTE
3 ndash GENERACIOacuteN DE LA IMAGEN CORREGIDA
ES OBVIO CALIDAD DEL AJUSTE DEPENDERAacute DE PRECISIOacuteN CON QUE SE
LOCALICEN LOS PUNTOS DE CONTROL INEXACTA LOCALIZACIOacuteN
DISTRIBUCIOacuteN MUY SECTORIZADA NUacuteMERO DE PUNTOS DE CONTROL INADECUADO
ESTABLECER LOS PUNTOS DE CONTROL FASE MAS CRUCIAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
procesamiento de la correccioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Resaltamos la importancia de
NUacuteMERO LOCALIZACIOacuteN DISTRIBUCIOacuteN
Que debemos atender Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
que considero UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash Croquis ilustrativos de apoyo
TERRENO O ZONAS PLANAS CON IMG OBTENIDAS POR UN SENSOR DE ESTRECHA VISIOacuteN DE CAMPO
TRANSFORMACIOacuteN
BASADO EN ECUACIONES LINEALES SIMPLES
TERRENO ESCARPADO O RUGOSO O UTILIZACIOacuteN DE IMG OBTENIDAS EN UN SENSOR CON VARIACIONES EN LAS CONDICIONES DE OBSERVACIOacuteN
TRANSFORMACIOacuteN MAacuteS COMPLEJA
POLINOMIOS DE SEGUNDO O TERCER ORDEN
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Desde un punto de vista matemaacutetico
GRADO 1 ndash 3 puntos GRADO 2 ndash 6 puntos GRADO 3 ndash 10 puntos
Seguacuten mis objetivos del trabajo no es conveniente utilizar esos miacutenimos
14 a 20 puntos (Landsat 5 MMS ndash seguacuten Bernstein R y D G Ferneyhough Jr 1978)
100 a 120 puntos (Landsat 7 TM ndash seguacuten el National Remote Sensing Center de Inglaterra)
10 o 12 puntos (Pequentildea zona de 512 x 512 pixeles ndash seguacuten Emilio Chuvieco 2010)
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
matemaacuteticamente UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
QUE DEBEMOS DE CONSIDERAR EN CUANTO A LA LOCALIZACIOacuteN
CLARAMENTE IDENTIFICABLES EN IMAGEN Y MAPA RASGOS HUMANOS DEL PAISAJE NO SUJETOS A DINAMISMO TEMPORAL
CRUCE DE CARRETERAS
CAMINOS VIacuteA FEacuteRREAS
NO CONSIDERAR ELEMENTOS ASOCIADOS AL AGUA
COSTA CURSOS DE AGUA
EMBALSES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
localizacioacuten TCP UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la correccioacuten digital de la geometriacutea de una imagen se realiza a partir de establecer unas funciones que relacionen las coordenadas de la imagen
y las coordenadas del mapa
EJ CASO MAS SIMPLE REGRESIOacuteN LINEAL MUacuteLTIPLE
ci = a0 + a1 Xi + a2 Yi li = b0 + b1 Xi + b2 Yi
EN LA PRAacuteCTICA BASTA UNA FUNCIOacuteN LINEAL PARA ABORDAR UN GRAN NUacuteMERO DE
TRANSFORMACIONES Y SON SUFICIENTES SI LAS IMAacuteGENES NO SON MUY GRANDES ANTE LA NECESIDAD DE OTRAS TRANSFORMACIONES SE UTILIZAN DE 2ordm y 3ordm ORDEN CONSIDERANDO ALTERACIONES GEOMEacuteTRICAS NO LINEALES (FUNCIONES QUE NO SE DEFINEN EN UN PLANO
CON EJES LINEALES SINO QUE SUPERFICIES CON EJES CURVILIacuteNEOS)
LOS COEFICIENTES DE LAS FUNCIONES DE TRANSFORMACIOacuteN SE CALCULAN A PARTIR DE UN AJUSTE POR MIacuteNIMOS CUADRADOS
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
funciones de transformacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash ejemplos de funciones de transformacioacuten geomeacutetrica con el efecto causado
TRASLACIOacuteN
CAMBIO DE ESCALA
INCLINACIOacuteN
PERSPECTIVA
ROTACIOacuteN
x = a0 + xacute y = b0 + yacute
x = xacute + a2 yacute y = yacute
x = a1 xacute y = b1 yacute
x = a3xacute yacute y = yacute
x = a4xacute + a5yacute y = b4xacute + b5yacute a4 = b5 = cos Ɵ a5 = -b4 = sen Ɵ
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
transformacioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
comparacioacuten coordenadas reales y las estimadas por la regresioacuten
el promedio de los residuales se conoce como error medio cuadraacutetico
la calidad del ajuste lo da el RMSE (root mean squared error)
(error medio cuadraacutetico)
RMSE es la raiacutez cuadrada de las desviaciones entre los valores reales y los
calculados
RMSE para cada punto es la raiacutez de los residuales al cuadrado que es la distancia entre ellos
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
RMSE UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la praacutectica hace que fijemos una TOLERANCIA y es que si ese promedio supera un valor fijado previamente haya que rever
el valor fijado previamente generalmente es igual o menor a un PIXEL
una correcta verificacioacuten
NECESITA introducir PUNTOS de VERIFICACIOacuteN
que no hayan sido introducidos en el ajuste
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
tolerancias fijadas
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
traducimos coordenadas de un mapa a la imagen tambieacuten necesitamos a la nueva imagen
TRANSFERIR LOS VALORES DIGITALES no olvidar que lo que queremos es generar una nueva imagen que se
corresponda con las coordenadas y las funciones de ajuste
NO ORIGINAN NUEVA IMAGEN solo colocan a los pixeles en la posicioacuten correcta
en criollo las funciones de transformacioacuten generan una nueva matriz bien posicionada pero vaciacutea
DEBEMOS LLENAR LA MATRIZ problema maacutes complejo de lo que puede
pensarse Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
generacioacuten de la nueva imaacutegen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
cada pixel de la imagen corregida se corresponderiacutea con un pixel de la imagen original
LEJOS DE ESE IDEAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo I
vecino maacutes proacuteximo ( nearest neighbour )
a cada celda de la imagen corregida se asigna el ND del pixel maacutes cercano de la
imagen original
SOLUCIOacuteN RAacutePIDA MENOR DISTORSIOacuteN DE LOS ND
INTRODUCE RASGOS LINEALES QUE DISTORSIONAN
CORRECCIOacuteN DE IMAacuteGENES CLASIFICADAS
CONSERVAR LA RADIOMETRIacuteA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo II
interpolacioacuten bilineal ( bilinear interpolation )
supone promediar los ND de los cuatro pixeles mas cercanos
con ponderacioacuten seguacuten la distancia pixeles originalcorregido
REDUCE EL EFECTO DE DISTORSIOacuteN EN RASGOS LINEALES
TIENDE A DIFUMINAR LOS CONTRASTES ESPACIALES
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE IMAacuteGENES RECTIFICADAS MAPAS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo III
convolusioacuten cuacutebica ( cubic convolution )
supone considerar los ND de los 16 pixeles mas proacuteximos
media ponderada seguacuten la distancia pixeles originalcorregido
EFECTO VISUAL MAS CORRECTO
VOLUacuteMEN DE CAacuteLCULO MUY SUPERIOR TENDENCIA A AGUDIZAR BORDES DE LA IMAGEN
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE ORTOIMAacuteGENES IMPRESIONES DE CALIDAD
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PORQUEacute EL REALCE
ENTENDIENDO LAS IMAacuteGENES
LOS SENSORES SON CALIBRADOS PARA ABARCAR TODO EL RANGO POSIBLE DE RADIANCIAS
PARA CADA USO EN CONCRETO ES NECESIDAD IMPERIOSA
EXPANDIR EL HISTOGRAMA Y ASIacute CUBRIR EL RANGO COMPLETO DE NIVELES DE GRIS
histograma UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CONTRASTE EN UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
expansioacuten del contraste
los datos uacutetiles solo ocupan pequentildea parte de los niveles de gris disponibles
expandir o estirar el histograma es cambiar los valores originales de ND para utilizar mayor rango
asiacute incrementar el contraste visual de diferentes objetos
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
ejemplos visuales
sin realce lineal
frecuencial gamma
MEacuteTODOS DE EXPANSIOacuteN DEL CONTRASTE
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
lineal
expansioacuten lineal
lo maacutes simple transformacioacuten en liacutenea llevando el valor miacutenimo a 0 y maacuteximo a 255 o se usa un rango por encima y por debajo de miacutenimo y maacuteximo
EXPANSIOacuteN I
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
lineal
EXPANSIOacuteN I expansioacuten
logariacutetmico exponencial
gamma
curvas de transferencia en lugar de rectas gamma es la curvatura de dicha curva se expanden maacutes el contraste de los extremos o del centro
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
frecuencial
EXPANSIOacuteN II
frecuencial ecualizacioacuten del
histograma
cuando los valores de ND no estaacuten distribuidos uniformemente intentar en la medida de lo posible que los valores de salida de los ND tengan el mismo de pixeles con dicho valor
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CONTRASTE EN UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
compresioacuten del contraste
Ya sabemos que el contraste mide el rango dinaacutemico de los colores en la imagen es decir una imagen muy contrastada tiene un amplio abanico de colores (o tonos de gris) desde valores muy bajos a valores muy altos Para una imagen con poco contraste los colores estaacuten muy juntos el margen dinaacutemico es pequentildeo La variacioacuten en el contraste aparece como una compresioacuten del histograma en caso de una reduccioacuten a la inversa de lo visto en el caso de una expansioacuten
Compresioacuten si el rango excede de las capacidades del sistema
Se ha de comparar el nuacutemero de niveles digitales (ND) de la imagen con los niveles de visualizacioacuten (NV) o grises del sistema Es de menos aplicacioacuten Al igual que el brillo variando el contraste se puede provocar una peacuterdida de informacioacuten de la imagen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
MAYOR APLICABILIDAD DEL REALCE
ENTENDIENDO LAS IMAacuteGENES
realce oacuteptimo
realce frecuencial
realce lineal
laquo r e a l c e oacute p t i m o raquo optimiza interpretacioacuten de la imagen
mejor esteacutetica de la imagen NO COINCIDE CON NINGUacuteN CORTE PREDETERMINADO
Y SE LOGRA INTERACTIVAMENTE EN PANTALLA Y PARA CADA BANDA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
COMPOSICIONES COLOR
ENTENDIENDO LAS IMAacuteGENES
formatos de composiciones
CON LA CRECIENTE APARICIOacuteN DE LOS SENSORES HIPERESPECTRALES LAS POSIBILIDADES DE COMPOSICIONES
COLOREADAS DE BANDAS SON CASI ILIMITADAS
LA ELECCIOacuteN DE LAS BANDAS PARA REALIZAR LA COMPOSICIOacuteN Y EL ORDEN DE LAS BANDAS ASIGANADAS A LOS COLORES
PRIMARIOS DEPENDERAacute DE
Sensor Aplicacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EL SEUDO - COLOR
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm formatos de
composiciones
Ya hemos afirmado de que el ojo humano es maacutes capaz de distinguir tonos de color que intensidades de brillo
Por ello el empleo del color ayuda a la interpretacioacuten incluso cuando podamos tener una sola imagen de una banda
Es aquiacute que hablamos del SEUDO COLOR por no contar con tres bandas
El seudo color implica la creacioacuten de una CLUT que asocie el ND de una sola banda a distintos componentes del R V y A APLICACIONES 1 Para tener una leyenda de colores para una img clasificada 2 Para realzar el anaacutelisis de una determinada banda y sustituir los tonos de gris por una paleta de colores
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CLUT COLOUR LOOK-UP TABLE TABLA DE CONSULTA DE COLOR
ENTENDIENDO LAS IMAacuteGENES
httpsenwikipediaorgwikiColour_look-up_table
creacioacuten del seudo color
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Filtros espaciales Concepto de kernel Filtros paso bajo y paso alto Filtros direccionales Anomaliacuteas y correccioacuten atmosfeacuterica Correcciones radiomeacutetricas Anomaliacuteas radiomeacutetricas Fallos en el sensorCorreccioacuten atmosfeacuterica concepto Meacutetodo valores miacutenimos Regresioacuten entre bandas Dispersioacuten por aerosolesCalibracioacuten Caso misioacuten Landsat
47 Interpretacioacuten de Imaacutegenes
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de que es un filtro
espacial
FUNCIONES PARA MEJORAR ASPECTO DE LAS IMAacuteGENES
REALZAN O DISMINUYEN ELEMENTOS VISUALES DE LA IMG
BASADOS EN LA FRECUENCIA ESPACIAL
FRECUENCIAS ESPACIALES ALTAS Variaciones que se producen en pocos piacutexeles TENDENCIA GENERAL FRECUENCIAS ESPACIALES BAJAS
Variaciones que se producen en muchos piacutexeles CONTRASTES LOCALES
FILTROS Figura - CCRS CCT
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de kernel
FILTRADO ESPACIAL Figura - CCRS CCT FILTRADO EN EL DOMINIO
ESPACIAL Lo mas comuacuten es la aplicacioacuten de una ventana deslizante con valores que son coeficientes fijos de una matriz La MATRIZ se suele llamar KERNEL o nuacutecleo del filtro
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DIGITAL
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
3 x 3 5 x 5 7 x 7
1 1 1
1 2 1
1 1 1 matrices
LOS VALORES DEL KERNEL SE MULTIPLICAN POR EL PIacuteXEL QUE TIENEN DEBAJO Y LUEGO SE SUMAN TODOS LOS PRODUCTOS
Y PARA OBTENER EL VALOR DEL PIacuteXEL CENTRAL EN LA IMAGEN TRANSFORMADA SE LO DIVIDE POR LA SUMA DE LOS PONDERADOS O PESOS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO - PASO BAJO PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
26
FILTROS DE PASO BAJO SE FAVORECEN A LOS PIXELES
PERIFEacuteRICOS SE MINIMIZAN LAS DIFERENCIAS CON LOS VECINOS ES UNA ESPECIE DE SUAVIZADO
FILTRO DE PASO ALTO PONDERACIOacuteN DEL VALOR CENTRAL EN DETRIMENTO DE LOS CIRCUNDANTES
SE EXAGERAN DIFERENCIAS Y SE RESALTAN VARIACIONES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO BAJO
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm
simulacioacuten
IMAGEN ORIGINAL
FILTRO PASO BAJO 3x3 SE TRATA DE ASEMEJAR LOS VALORES DE ND DE UN PIXEL A LOS VALORES VECINOS EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA OFRECE PERFILES MENOS NIacuteTIDOS
FILTRO PASO BAJO 7x7 SIRVE PARA REDUCIR VARIABILIDAD ESPACIAL DE ALGUNA CATEGORIacuteA ANTES DE UN PROCESO DE CLASIFICACIOacuteN
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
IMAGEN ORIGINAL
FILTRO PASO ALTO 3x3 SE TRATA DE AISLAR LOS COMPONENTES DE ALTA FRECUENCIA Y REMARCAR DIGITALMENTE CONTRASTES EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA REFUERZA LOS CONTORNOS EN AacuteREAS HOMOGEacuteNEAS
FILTRO PASO ALTO 7x7 SIRVE PARA LOGRAR REALCES DE RASGOS LINEALES COMO PUEDEN SER EN AacuteREAS URBANAS O RASGOS GEOLOacuteGICOS
simulacioacuten
httpgeograuahesrtm
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
Figura - Landsat USGS
IMAGEN ORIGINAL
FILTRO DIRECCIONAL PERMITEN IDENTIFICAR LOS RASGOS FRONTERIZOS EN LAS IMAacuteGENES COMO LOS FILTROS ANTERIORES PERO AHORA CONSIDERANDO LA ORIENTACIOacuteN
se tiene en cuenta la
orientacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
matrices con direccioacuten
NORTE
1 1 1
1 -2 1
-1 -1 -1
SUR
-1 -1 -1
1 -2 1
1 1 1
ESTE
-1 1 1
-1 -2 1
-1 1 1
OESTE
1 1 -1
1 -2 -1
1 1 -1
SURESTE
-1 -1 1
-1 -2 1
1 1 1
NOROESTE
1 1 1
1 -2 -1
1 -1 -1
SUROESTE
1 -1 -1
1 -2 -1
1 1 1
NORESTE
1 1 1
-1 -2 1
-1 -1 1
OBSERVACIOacuteN
LOS NOMBRES OBEDECEN A LA DIRECCIOacuteN DEL CONTRASTE QUE SENtildeALAN
LA DIRECCIOacuteN QUE REALZAN ES JUSTAMENTE LA PERPENDICULAR
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
48 Interpretacioacuten de Imaacutegenes
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Correcciones geomeacutetricas Georreferenciacioacuten Uso de puntos de control Fuentes de error Procesamiento geomeacutetrico Correccioacuten Transformacioacuten geomeacutetrica Calidad y ajuste Generacioacuten de la nueva imagen Transferencia de ND
INSTITUTO DE AGRIMENSURA - DEPARTAMENTO DE GEOMAacuteTICA PROF ADJUNTO GRADO 3 EDISON J ROSAS BERTON
El tratamiento de una imagen de sateacutelite Georreferenciacioacuten
(paso de un sistema de filas y columnas a un sistema de coordenadas estandard)
Para ello debe obtenerse una muestra de puntos de control de los que conozcamos tanto sus coordenadas reales como sus coordenadas en
la imagen deben ser por tanto objetos de un tamantildeo adecuado para resultar identificables tanto en la imagen como sobre el terreno el tamantildeo
dependeraacute loacutegicamente de la resolucioacuten de la imagen A partir de estos puntos de control se obtendraacuten por regresioacuten unas ecuaciones que permitiraacuten a cada par filacolumna un par de coordenadas
XY
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
GEORREFERENCIACIOacuteN
ENTENDIENDO LAS IMAacuteGENES
georreferenciacioacuten porqueacute
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PUNTOS DE CONTROL
ENTENDIENDO LAS IMAacuteGENES
uso de puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
DISTORSIONES POR LA PLATAFORMA ALTITUD DE LA OacuteRBITA ndash Cambio de escala
VELOCIDAD ndash Cambios de escala ORIENTACIOacuteN DE LOS TRES EJES ndash Distorsiones en la geometriacutea
NO SISTEMAacuteTICOS Y COMPLEJOS DE MODELAR
DISTORSIONES POR ROTACIOacuteN TERRESTRE
CONSIDERANDO ALTITUD (800 Km) y TAMANtildeO DE LA IMAGEN (180 Km)ndashEn latitudes medias tarda en adquirir unos 30 segundos la Tierra se desplaza unos 8 Km
ORIENTACIOacuteN NE SW
DISTORSIONES POR EL SENSOR ANOMALIacuteAS SENSOR y MOVIMIENTO ESPEJO ndash Barrido no lineal o cambio en intervalos
AacuteNGULO DE BARRIDO ndash Variacioacuten en el tamantildeo de pixel
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ERROR EN UNA IMAGEN ESPACIAL
ENTENDIENDO LAS IMAacuteGENES
fuentes de error
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Una correccioacuten geomeacutetrica incluye CUALQUIER CAMBIO EN LA POSICIOacuteN DE LOS PIXELES que
conforman la imagen f (c`) = f1 (c l) f (x y) f (l`) = f2 (c l) f (x y)
COORDENADAS DE IMAGEN CORREGIDA SON FUNCIOacuteN DE COORDENADAS COLUMNA Y LIacuteNEA DE LA
IMAGEN DE ENTRADA O DE LAS COORDENADAS DE MAPA AL QUE SUPERPONDREMOS LA IMAGEN
1 CON OBJETIVO DE REALIZAR UNA TRANSFORMACIOacuteN GEOMEacuteTRICA QUE PERMITA AJUSTARLA A OTRA IMAGEN REFERENCIA NORMALMENTE PARA REALIZAR ESTUDIOS MULTITEMPORALES O MOSAICOS CON EL FIN DE AMPLIAR LOS DATOS E INFORMACIOacuteN DE UNA ZONA
2 ESTO PERMITIRAacute QUE LA NUEVA IMAGEN LA PUEDA INTEGRAR CON INFORMACIOacuteN DE OTRAS FUENTES POR EJEMPLO EN UN AMBIENTE SIG
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
correccioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
asumimos que
NO SE CONOCE EL ORIGEN DE LOS ERRORES
modelamos
ECUACIONES EMPIacuteRICAS
aplicadas a un conjunto de puntos
COORDENADAS CONOCIDAS IMAGEN INPUT e IMAGEN OUTPUT
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
1 ndash SELECCIOacuteN DE REFERENCIAS 2 ndash ECUACIONES DE AJUSTE
3 ndash GENERACIOacuteN DE LA IMAGEN CORREGIDA
ES OBVIO CALIDAD DEL AJUSTE DEPENDERAacute DE PRECISIOacuteN CON QUE SE
LOCALICEN LOS PUNTOS DE CONTROL INEXACTA LOCALIZACIOacuteN
DISTRIBUCIOacuteN MUY SECTORIZADA NUacuteMERO DE PUNTOS DE CONTROL INADECUADO
ESTABLECER LOS PUNTOS DE CONTROL FASE MAS CRUCIAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
procesamiento de la correccioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Resaltamos la importancia de
NUacuteMERO LOCALIZACIOacuteN DISTRIBUCIOacuteN
Que debemos atender Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
que considero UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash Croquis ilustrativos de apoyo
TERRENO O ZONAS PLANAS CON IMG OBTENIDAS POR UN SENSOR DE ESTRECHA VISIOacuteN DE CAMPO
TRANSFORMACIOacuteN
BASADO EN ECUACIONES LINEALES SIMPLES
TERRENO ESCARPADO O RUGOSO O UTILIZACIOacuteN DE IMG OBTENIDAS EN UN SENSOR CON VARIACIONES EN LAS CONDICIONES DE OBSERVACIOacuteN
TRANSFORMACIOacuteN MAacuteS COMPLEJA
POLINOMIOS DE SEGUNDO O TERCER ORDEN
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Desde un punto de vista matemaacutetico
GRADO 1 ndash 3 puntos GRADO 2 ndash 6 puntos GRADO 3 ndash 10 puntos
Seguacuten mis objetivos del trabajo no es conveniente utilizar esos miacutenimos
14 a 20 puntos (Landsat 5 MMS ndash seguacuten Bernstein R y D G Ferneyhough Jr 1978)
100 a 120 puntos (Landsat 7 TM ndash seguacuten el National Remote Sensing Center de Inglaterra)
10 o 12 puntos (Pequentildea zona de 512 x 512 pixeles ndash seguacuten Emilio Chuvieco 2010)
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
matemaacuteticamente UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
QUE DEBEMOS DE CONSIDERAR EN CUANTO A LA LOCALIZACIOacuteN
CLARAMENTE IDENTIFICABLES EN IMAGEN Y MAPA RASGOS HUMANOS DEL PAISAJE NO SUJETOS A DINAMISMO TEMPORAL
CRUCE DE CARRETERAS
CAMINOS VIacuteA FEacuteRREAS
NO CONSIDERAR ELEMENTOS ASOCIADOS AL AGUA
COSTA CURSOS DE AGUA
EMBALSES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
localizacioacuten TCP UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la correccioacuten digital de la geometriacutea de una imagen se realiza a partir de establecer unas funciones que relacionen las coordenadas de la imagen
y las coordenadas del mapa
EJ CASO MAS SIMPLE REGRESIOacuteN LINEAL MUacuteLTIPLE
ci = a0 + a1 Xi + a2 Yi li = b0 + b1 Xi + b2 Yi
EN LA PRAacuteCTICA BASTA UNA FUNCIOacuteN LINEAL PARA ABORDAR UN GRAN NUacuteMERO DE
TRANSFORMACIONES Y SON SUFICIENTES SI LAS IMAacuteGENES NO SON MUY GRANDES ANTE LA NECESIDAD DE OTRAS TRANSFORMACIONES SE UTILIZAN DE 2ordm y 3ordm ORDEN CONSIDERANDO ALTERACIONES GEOMEacuteTRICAS NO LINEALES (FUNCIONES QUE NO SE DEFINEN EN UN PLANO
CON EJES LINEALES SINO QUE SUPERFICIES CON EJES CURVILIacuteNEOS)
LOS COEFICIENTES DE LAS FUNCIONES DE TRANSFORMACIOacuteN SE CALCULAN A PARTIR DE UN AJUSTE POR MIacuteNIMOS CUADRADOS
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
funciones de transformacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash ejemplos de funciones de transformacioacuten geomeacutetrica con el efecto causado
TRASLACIOacuteN
CAMBIO DE ESCALA
INCLINACIOacuteN
PERSPECTIVA
ROTACIOacuteN
x = a0 + xacute y = b0 + yacute
x = xacute + a2 yacute y = yacute
x = a1 xacute y = b1 yacute
x = a3xacute yacute y = yacute
x = a4xacute + a5yacute y = b4xacute + b5yacute a4 = b5 = cos Ɵ a5 = -b4 = sen Ɵ
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
transformacioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
comparacioacuten coordenadas reales y las estimadas por la regresioacuten
el promedio de los residuales se conoce como error medio cuadraacutetico
la calidad del ajuste lo da el RMSE (root mean squared error)
(error medio cuadraacutetico)
RMSE es la raiacutez cuadrada de las desviaciones entre los valores reales y los
calculados
RMSE para cada punto es la raiacutez de los residuales al cuadrado que es la distancia entre ellos
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
RMSE UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la praacutectica hace que fijemos una TOLERANCIA y es que si ese promedio supera un valor fijado previamente haya que rever
el valor fijado previamente generalmente es igual o menor a un PIXEL
una correcta verificacioacuten
NECESITA introducir PUNTOS de VERIFICACIOacuteN
que no hayan sido introducidos en el ajuste
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
tolerancias fijadas
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
traducimos coordenadas de un mapa a la imagen tambieacuten necesitamos a la nueva imagen
TRANSFERIR LOS VALORES DIGITALES no olvidar que lo que queremos es generar una nueva imagen que se
corresponda con las coordenadas y las funciones de ajuste
NO ORIGINAN NUEVA IMAGEN solo colocan a los pixeles en la posicioacuten correcta
en criollo las funciones de transformacioacuten generan una nueva matriz bien posicionada pero vaciacutea
DEBEMOS LLENAR LA MATRIZ problema maacutes complejo de lo que puede
pensarse Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
generacioacuten de la nueva imaacutegen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
cada pixel de la imagen corregida se corresponderiacutea con un pixel de la imagen original
LEJOS DE ESE IDEAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo I
vecino maacutes proacuteximo ( nearest neighbour )
a cada celda de la imagen corregida se asigna el ND del pixel maacutes cercano de la
imagen original
SOLUCIOacuteN RAacutePIDA MENOR DISTORSIOacuteN DE LOS ND
INTRODUCE RASGOS LINEALES QUE DISTORSIONAN
CORRECCIOacuteN DE IMAacuteGENES CLASIFICADAS
CONSERVAR LA RADIOMETRIacuteA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo II
interpolacioacuten bilineal ( bilinear interpolation )
supone promediar los ND de los cuatro pixeles mas cercanos
con ponderacioacuten seguacuten la distancia pixeles originalcorregido
REDUCE EL EFECTO DE DISTORSIOacuteN EN RASGOS LINEALES
TIENDE A DIFUMINAR LOS CONTRASTES ESPACIALES
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE IMAacuteGENES RECTIFICADAS MAPAS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo III
convolusioacuten cuacutebica ( cubic convolution )
supone considerar los ND de los 16 pixeles mas proacuteximos
media ponderada seguacuten la distancia pixeles originalcorregido
EFECTO VISUAL MAS CORRECTO
VOLUacuteMEN DE CAacuteLCULO MUY SUPERIOR TENDENCIA A AGUDIZAR BORDES DE LA IMAGEN
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE ORTOIMAacuteGENES IMPRESIONES DE CALIDAD
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CONTRASTE EN UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
expansioacuten del contraste
los datos uacutetiles solo ocupan pequentildea parte de los niveles de gris disponibles
expandir o estirar el histograma es cambiar los valores originales de ND para utilizar mayor rango
asiacute incrementar el contraste visual de diferentes objetos
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
ejemplos visuales
sin realce lineal
frecuencial gamma
MEacuteTODOS DE EXPANSIOacuteN DEL CONTRASTE
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
lineal
expansioacuten lineal
lo maacutes simple transformacioacuten en liacutenea llevando el valor miacutenimo a 0 y maacuteximo a 255 o se usa un rango por encima y por debajo de miacutenimo y maacuteximo
EXPANSIOacuteN I
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
lineal
EXPANSIOacuteN I expansioacuten
logariacutetmico exponencial
gamma
curvas de transferencia en lugar de rectas gamma es la curvatura de dicha curva se expanden maacutes el contraste de los extremos o del centro
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
frecuencial
EXPANSIOacuteN II
frecuencial ecualizacioacuten del
histograma
cuando los valores de ND no estaacuten distribuidos uniformemente intentar en la medida de lo posible que los valores de salida de los ND tengan el mismo de pixeles con dicho valor
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CONTRASTE EN UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
compresioacuten del contraste
Ya sabemos que el contraste mide el rango dinaacutemico de los colores en la imagen es decir una imagen muy contrastada tiene un amplio abanico de colores (o tonos de gris) desde valores muy bajos a valores muy altos Para una imagen con poco contraste los colores estaacuten muy juntos el margen dinaacutemico es pequentildeo La variacioacuten en el contraste aparece como una compresioacuten del histograma en caso de una reduccioacuten a la inversa de lo visto en el caso de una expansioacuten
Compresioacuten si el rango excede de las capacidades del sistema
Se ha de comparar el nuacutemero de niveles digitales (ND) de la imagen con los niveles de visualizacioacuten (NV) o grises del sistema Es de menos aplicacioacuten Al igual que el brillo variando el contraste se puede provocar una peacuterdida de informacioacuten de la imagen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
MAYOR APLICABILIDAD DEL REALCE
ENTENDIENDO LAS IMAacuteGENES
realce oacuteptimo
realce frecuencial
realce lineal
laquo r e a l c e oacute p t i m o raquo optimiza interpretacioacuten de la imagen
mejor esteacutetica de la imagen NO COINCIDE CON NINGUacuteN CORTE PREDETERMINADO
Y SE LOGRA INTERACTIVAMENTE EN PANTALLA Y PARA CADA BANDA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
COMPOSICIONES COLOR
ENTENDIENDO LAS IMAacuteGENES
formatos de composiciones
CON LA CRECIENTE APARICIOacuteN DE LOS SENSORES HIPERESPECTRALES LAS POSIBILIDADES DE COMPOSICIONES
COLOREADAS DE BANDAS SON CASI ILIMITADAS
LA ELECCIOacuteN DE LAS BANDAS PARA REALIZAR LA COMPOSICIOacuteN Y EL ORDEN DE LAS BANDAS ASIGANADAS A LOS COLORES
PRIMARIOS DEPENDERAacute DE
Sensor Aplicacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EL SEUDO - COLOR
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm formatos de
composiciones
Ya hemos afirmado de que el ojo humano es maacutes capaz de distinguir tonos de color que intensidades de brillo
Por ello el empleo del color ayuda a la interpretacioacuten incluso cuando podamos tener una sola imagen de una banda
Es aquiacute que hablamos del SEUDO COLOR por no contar con tres bandas
El seudo color implica la creacioacuten de una CLUT que asocie el ND de una sola banda a distintos componentes del R V y A APLICACIONES 1 Para tener una leyenda de colores para una img clasificada 2 Para realzar el anaacutelisis de una determinada banda y sustituir los tonos de gris por una paleta de colores
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CLUT COLOUR LOOK-UP TABLE TABLA DE CONSULTA DE COLOR
ENTENDIENDO LAS IMAacuteGENES
httpsenwikipediaorgwikiColour_look-up_table
creacioacuten del seudo color
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Filtros espaciales Concepto de kernel Filtros paso bajo y paso alto Filtros direccionales Anomaliacuteas y correccioacuten atmosfeacuterica Correcciones radiomeacutetricas Anomaliacuteas radiomeacutetricas Fallos en el sensorCorreccioacuten atmosfeacuterica concepto Meacutetodo valores miacutenimos Regresioacuten entre bandas Dispersioacuten por aerosolesCalibracioacuten Caso misioacuten Landsat
47 Interpretacioacuten de Imaacutegenes
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de que es un filtro
espacial
FUNCIONES PARA MEJORAR ASPECTO DE LAS IMAacuteGENES
REALZAN O DISMINUYEN ELEMENTOS VISUALES DE LA IMG
BASADOS EN LA FRECUENCIA ESPACIAL
FRECUENCIAS ESPACIALES ALTAS Variaciones que se producen en pocos piacutexeles TENDENCIA GENERAL FRECUENCIAS ESPACIALES BAJAS
Variaciones que se producen en muchos piacutexeles CONTRASTES LOCALES
FILTROS Figura - CCRS CCT
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de kernel
FILTRADO ESPACIAL Figura - CCRS CCT FILTRADO EN EL DOMINIO
ESPACIAL Lo mas comuacuten es la aplicacioacuten de una ventana deslizante con valores que son coeficientes fijos de una matriz La MATRIZ se suele llamar KERNEL o nuacutecleo del filtro
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DIGITAL
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
3 x 3 5 x 5 7 x 7
1 1 1
1 2 1
1 1 1 matrices
LOS VALORES DEL KERNEL SE MULTIPLICAN POR EL PIacuteXEL QUE TIENEN DEBAJO Y LUEGO SE SUMAN TODOS LOS PRODUCTOS
Y PARA OBTENER EL VALOR DEL PIacuteXEL CENTRAL EN LA IMAGEN TRANSFORMADA SE LO DIVIDE POR LA SUMA DE LOS PONDERADOS O PESOS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO - PASO BAJO PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
26
FILTROS DE PASO BAJO SE FAVORECEN A LOS PIXELES
PERIFEacuteRICOS SE MINIMIZAN LAS DIFERENCIAS CON LOS VECINOS ES UNA ESPECIE DE SUAVIZADO
FILTRO DE PASO ALTO PONDERACIOacuteN DEL VALOR CENTRAL EN DETRIMENTO DE LOS CIRCUNDANTES
SE EXAGERAN DIFERENCIAS Y SE RESALTAN VARIACIONES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO BAJO
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm
simulacioacuten
IMAGEN ORIGINAL
FILTRO PASO BAJO 3x3 SE TRATA DE ASEMEJAR LOS VALORES DE ND DE UN PIXEL A LOS VALORES VECINOS EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA OFRECE PERFILES MENOS NIacuteTIDOS
FILTRO PASO BAJO 7x7 SIRVE PARA REDUCIR VARIABILIDAD ESPACIAL DE ALGUNA CATEGORIacuteA ANTES DE UN PROCESO DE CLASIFICACIOacuteN
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
IMAGEN ORIGINAL
FILTRO PASO ALTO 3x3 SE TRATA DE AISLAR LOS COMPONENTES DE ALTA FRECUENCIA Y REMARCAR DIGITALMENTE CONTRASTES EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA REFUERZA LOS CONTORNOS EN AacuteREAS HOMOGEacuteNEAS
FILTRO PASO ALTO 7x7 SIRVE PARA LOGRAR REALCES DE RASGOS LINEALES COMO PUEDEN SER EN AacuteREAS URBANAS O RASGOS GEOLOacuteGICOS
simulacioacuten
httpgeograuahesrtm
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
Figura - Landsat USGS
IMAGEN ORIGINAL
FILTRO DIRECCIONAL PERMITEN IDENTIFICAR LOS RASGOS FRONTERIZOS EN LAS IMAacuteGENES COMO LOS FILTROS ANTERIORES PERO AHORA CONSIDERANDO LA ORIENTACIOacuteN
se tiene en cuenta la
orientacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
matrices con direccioacuten
NORTE
1 1 1
1 -2 1
-1 -1 -1
SUR
-1 -1 -1
1 -2 1
1 1 1
ESTE
-1 1 1
-1 -2 1
-1 1 1
OESTE
1 1 -1
1 -2 -1
1 1 -1
SURESTE
-1 -1 1
-1 -2 1
1 1 1
NOROESTE
1 1 1
1 -2 -1
1 -1 -1
SUROESTE
1 -1 -1
1 -2 -1
1 1 1
NORESTE
1 1 1
-1 -2 1
-1 -1 1
OBSERVACIOacuteN
LOS NOMBRES OBEDECEN A LA DIRECCIOacuteN DEL CONTRASTE QUE SENtildeALAN
LA DIRECCIOacuteN QUE REALZAN ES JUSTAMENTE LA PERPENDICULAR
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
48 Interpretacioacuten de Imaacutegenes
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Correcciones geomeacutetricas Georreferenciacioacuten Uso de puntos de control Fuentes de error Procesamiento geomeacutetrico Correccioacuten Transformacioacuten geomeacutetrica Calidad y ajuste Generacioacuten de la nueva imagen Transferencia de ND
INSTITUTO DE AGRIMENSURA - DEPARTAMENTO DE GEOMAacuteTICA PROF ADJUNTO GRADO 3 EDISON J ROSAS BERTON
El tratamiento de una imagen de sateacutelite Georreferenciacioacuten
(paso de un sistema de filas y columnas a un sistema de coordenadas estandard)
Para ello debe obtenerse una muestra de puntos de control de los que conozcamos tanto sus coordenadas reales como sus coordenadas en
la imagen deben ser por tanto objetos de un tamantildeo adecuado para resultar identificables tanto en la imagen como sobre el terreno el tamantildeo
dependeraacute loacutegicamente de la resolucioacuten de la imagen A partir de estos puntos de control se obtendraacuten por regresioacuten unas ecuaciones que permitiraacuten a cada par filacolumna un par de coordenadas
XY
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
GEORREFERENCIACIOacuteN
ENTENDIENDO LAS IMAacuteGENES
georreferenciacioacuten porqueacute
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PUNTOS DE CONTROL
ENTENDIENDO LAS IMAacuteGENES
uso de puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
DISTORSIONES POR LA PLATAFORMA ALTITUD DE LA OacuteRBITA ndash Cambio de escala
VELOCIDAD ndash Cambios de escala ORIENTACIOacuteN DE LOS TRES EJES ndash Distorsiones en la geometriacutea
NO SISTEMAacuteTICOS Y COMPLEJOS DE MODELAR
DISTORSIONES POR ROTACIOacuteN TERRESTRE
CONSIDERANDO ALTITUD (800 Km) y TAMANtildeO DE LA IMAGEN (180 Km)ndashEn latitudes medias tarda en adquirir unos 30 segundos la Tierra se desplaza unos 8 Km
ORIENTACIOacuteN NE SW
DISTORSIONES POR EL SENSOR ANOMALIacuteAS SENSOR y MOVIMIENTO ESPEJO ndash Barrido no lineal o cambio en intervalos
AacuteNGULO DE BARRIDO ndash Variacioacuten en el tamantildeo de pixel
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ERROR EN UNA IMAGEN ESPACIAL
ENTENDIENDO LAS IMAacuteGENES
fuentes de error
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Una correccioacuten geomeacutetrica incluye CUALQUIER CAMBIO EN LA POSICIOacuteN DE LOS PIXELES que
conforman la imagen f (c`) = f1 (c l) f (x y) f (l`) = f2 (c l) f (x y)
COORDENADAS DE IMAGEN CORREGIDA SON FUNCIOacuteN DE COORDENADAS COLUMNA Y LIacuteNEA DE LA
IMAGEN DE ENTRADA O DE LAS COORDENADAS DE MAPA AL QUE SUPERPONDREMOS LA IMAGEN
1 CON OBJETIVO DE REALIZAR UNA TRANSFORMACIOacuteN GEOMEacuteTRICA QUE PERMITA AJUSTARLA A OTRA IMAGEN REFERENCIA NORMALMENTE PARA REALIZAR ESTUDIOS MULTITEMPORALES O MOSAICOS CON EL FIN DE AMPLIAR LOS DATOS E INFORMACIOacuteN DE UNA ZONA
2 ESTO PERMITIRAacute QUE LA NUEVA IMAGEN LA PUEDA INTEGRAR CON INFORMACIOacuteN DE OTRAS FUENTES POR EJEMPLO EN UN AMBIENTE SIG
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
correccioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
asumimos que
NO SE CONOCE EL ORIGEN DE LOS ERRORES
modelamos
ECUACIONES EMPIacuteRICAS
aplicadas a un conjunto de puntos
COORDENADAS CONOCIDAS IMAGEN INPUT e IMAGEN OUTPUT
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
1 ndash SELECCIOacuteN DE REFERENCIAS 2 ndash ECUACIONES DE AJUSTE
3 ndash GENERACIOacuteN DE LA IMAGEN CORREGIDA
ES OBVIO CALIDAD DEL AJUSTE DEPENDERAacute DE PRECISIOacuteN CON QUE SE
LOCALICEN LOS PUNTOS DE CONTROL INEXACTA LOCALIZACIOacuteN
DISTRIBUCIOacuteN MUY SECTORIZADA NUacuteMERO DE PUNTOS DE CONTROL INADECUADO
ESTABLECER LOS PUNTOS DE CONTROL FASE MAS CRUCIAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
procesamiento de la correccioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Resaltamos la importancia de
NUacuteMERO LOCALIZACIOacuteN DISTRIBUCIOacuteN
Que debemos atender Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
que considero UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash Croquis ilustrativos de apoyo
TERRENO O ZONAS PLANAS CON IMG OBTENIDAS POR UN SENSOR DE ESTRECHA VISIOacuteN DE CAMPO
TRANSFORMACIOacuteN
BASADO EN ECUACIONES LINEALES SIMPLES
TERRENO ESCARPADO O RUGOSO O UTILIZACIOacuteN DE IMG OBTENIDAS EN UN SENSOR CON VARIACIONES EN LAS CONDICIONES DE OBSERVACIOacuteN
TRANSFORMACIOacuteN MAacuteS COMPLEJA
POLINOMIOS DE SEGUNDO O TERCER ORDEN
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Desde un punto de vista matemaacutetico
GRADO 1 ndash 3 puntos GRADO 2 ndash 6 puntos GRADO 3 ndash 10 puntos
Seguacuten mis objetivos del trabajo no es conveniente utilizar esos miacutenimos
14 a 20 puntos (Landsat 5 MMS ndash seguacuten Bernstein R y D G Ferneyhough Jr 1978)
100 a 120 puntos (Landsat 7 TM ndash seguacuten el National Remote Sensing Center de Inglaterra)
10 o 12 puntos (Pequentildea zona de 512 x 512 pixeles ndash seguacuten Emilio Chuvieco 2010)
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
matemaacuteticamente UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
QUE DEBEMOS DE CONSIDERAR EN CUANTO A LA LOCALIZACIOacuteN
CLARAMENTE IDENTIFICABLES EN IMAGEN Y MAPA RASGOS HUMANOS DEL PAISAJE NO SUJETOS A DINAMISMO TEMPORAL
CRUCE DE CARRETERAS
CAMINOS VIacuteA FEacuteRREAS
NO CONSIDERAR ELEMENTOS ASOCIADOS AL AGUA
COSTA CURSOS DE AGUA
EMBALSES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
localizacioacuten TCP UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la correccioacuten digital de la geometriacutea de una imagen se realiza a partir de establecer unas funciones que relacionen las coordenadas de la imagen
y las coordenadas del mapa
EJ CASO MAS SIMPLE REGRESIOacuteN LINEAL MUacuteLTIPLE
ci = a0 + a1 Xi + a2 Yi li = b0 + b1 Xi + b2 Yi
EN LA PRAacuteCTICA BASTA UNA FUNCIOacuteN LINEAL PARA ABORDAR UN GRAN NUacuteMERO DE
TRANSFORMACIONES Y SON SUFICIENTES SI LAS IMAacuteGENES NO SON MUY GRANDES ANTE LA NECESIDAD DE OTRAS TRANSFORMACIONES SE UTILIZAN DE 2ordm y 3ordm ORDEN CONSIDERANDO ALTERACIONES GEOMEacuteTRICAS NO LINEALES (FUNCIONES QUE NO SE DEFINEN EN UN PLANO
CON EJES LINEALES SINO QUE SUPERFICIES CON EJES CURVILIacuteNEOS)
LOS COEFICIENTES DE LAS FUNCIONES DE TRANSFORMACIOacuteN SE CALCULAN A PARTIR DE UN AJUSTE POR MIacuteNIMOS CUADRADOS
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
funciones de transformacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash ejemplos de funciones de transformacioacuten geomeacutetrica con el efecto causado
TRASLACIOacuteN
CAMBIO DE ESCALA
INCLINACIOacuteN
PERSPECTIVA
ROTACIOacuteN
x = a0 + xacute y = b0 + yacute
x = xacute + a2 yacute y = yacute
x = a1 xacute y = b1 yacute
x = a3xacute yacute y = yacute
x = a4xacute + a5yacute y = b4xacute + b5yacute a4 = b5 = cos Ɵ a5 = -b4 = sen Ɵ
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
transformacioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
comparacioacuten coordenadas reales y las estimadas por la regresioacuten
el promedio de los residuales se conoce como error medio cuadraacutetico
la calidad del ajuste lo da el RMSE (root mean squared error)
(error medio cuadraacutetico)
RMSE es la raiacutez cuadrada de las desviaciones entre los valores reales y los
calculados
RMSE para cada punto es la raiacutez de los residuales al cuadrado que es la distancia entre ellos
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
RMSE UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la praacutectica hace que fijemos una TOLERANCIA y es que si ese promedio supera un valor fijado previamente haya que rever
el valor fijado previamente generalmente es igual o menor a un PIXEL
una correcta verificacioacuten
NECESITA introducir PUNTOS de VERIFICACIOacuteN
que no hayan sido introducidos en el ajuste
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
tolerancias fijadas
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
traducimos coordenadas de un mapa a la imagen tambieacuten necesitamos a la nueva imagen
TRANSFERIR LOS VALORES DIGITALES no olvidar que lo que queremos es generar una nueva imagen que se
corresponda con las coordenadas y las funciones de ajuste
NO ORIGINAN NUEVA IMAGEN solo colocan a los pixeles en la posicioacuten correcta
en criollo las funciones de transformacioacuten generan una nueva matriz bien posicionada pero vaciacutea
DEBEMOS LLENAR LA MATRIZ problema maacutes complejo de lo que puede
pensarse Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
generacioacuten de la nueva imaacutegen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
cada pixel de la imagen corregida se corresponderiacutea con un pixel de la imagen original
LEJOS DE ESE IDEAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo I
vecino maacutes proacuteximo ( nearest neighbour )
a cada celda de la imagen corregida se asigna el ND del pixel maacutes cercano de la
imagen original
SOLUCIOacuteN RAacutePIDA MENOR DISTORSIOacuteN DE LOS ND
INTRODUCE RASGOS LINEALES QUE DISTORSIONAN
CORRECCIOacuteN DE IMAacuteGENES CLASIFICADAS
CONSERVAR LA RADIOMETRIacuteA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo II
interpolacioacuten bilineal ( bilinear interpolation )
supone promediar los ND de los cuatro pixeles mas cercanos
con ponderacioacuten seguacuten la distancia pixeles originalcorregido
REDUCE EL EFECTO DE DISTORSIOacuteN EN RASGOS LINEALES
TIENDE A DIFUMINAR LOS CONTRASTES ESPACIALES
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE IMAacuteGENES RECTIFICADAS MAPAS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo III
convolusioacuten cuacutebica ( cubic convolution )
supone considerar los ND de los 16 pixeles mas proacuteximos
media ponderada seguacuten la distancia pixeles originalcorregido
EFECTO VISUAL MAS CORRECTO
VOLUacuteMEN DE CAacuteLCULO MUY SUPERIOR TENDENCIA A AGUDIZAR BORDES DE LA IMAGEN
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE ORTOIMAacuteGENES IMPRESIONES DE CALIDAD
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
ejemplos visuales
sin realce lineal
frecuencial gamma
MEacuteTODOS DE EXPANSIOacuteN DEL CONTRASTE
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
lineal
expansioacuten lineal
lo maacutes simple transformacioacuten en liacutenea llevando el valor miacutenimo a 0 y maacuteximo a 255 o se usa un rango por encima y por debajo de miacutenimo y maacuteximo
EXPANSIOacuteN I
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
lineal
EXPANSIOacuteN I expansioacuten
logariacutetmico exponencial
gamma
curvas de transferencia en lugar de rectas gamma es la curvatura de dicha curva se expanden maacutes el contraste de los extremos o del centro
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
frecuencial
EXPANSIOacuteN II
frecuencial ecualizacioacuten del
histograma
cuando los valores de ND no estaacuten distribuidos uniformemente intentar en la medida de lo posible que los valores de salida de los ND tengan el mismo de pixeles con dicho valor
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CONTRASTE EN UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
compresioacuten del contraste
Ya sabemos que el contraste mide el rango dinaacutemico de los colores en la imagen es decir una imagen muy contrastada tiene un amplio abanico de colores (o tonos de gris) desde valores muy bajos a valores muy altos Para una imagen con poco contraste los colores estaacuten muy juntos el margen dinaacutemico es pequentildeo La variacioacuten en el contraste aparece como una compresioacuten del histograma en caso de una reduccioacuten a la inversa de lo visto en el caso de una expansioacuten
Compresioacuten si el rango excede de las capacidades del sistema
Se ha de comparar el nuacutemero de niveles digitales (ND) de la imagen con los niveles de visualizacioacuten (NV) o grises del sistema Es de menos aplicacioacuten Al igual que el brillo variando el contraste se puede provocar una peacuterdida de informacioacuten de la imagen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
MAYOR APLICABILIDAD DEL REALCE
ENTENDIENDO LAS IMAacuteGENES
realce oacuteptimo
realce frecuencial
realce lineal
laquo r e a l c e oacute p t i m o raquo optimiza interpretacioacuten de la imagen
mejor esteacutetica de la imagen NO COINCIDE CON NINGUacuteN CORTE PREDETERMINADO
Y SE LOGRA INTERACTIVAMENTE EN PANTALLA Y PARA CADA BANDA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
COMPOSICIONES COLOR
ENTENDIENDO LAS IMAacuteGENES
formatos de composiciones
CON LA CRECIENTE APARICIOacuteN DE LOS SENSORES HIPERESPECTRALES LAS POSIBILIDADES DE COMPOSICIONES
COLOREADAS DE BANDAS SON CASI ILIMITADAS
LA ELECCIOacuteN DE LAS BANDAS PARA REALIZAR LA COMPOSICIOacuteN Y EL ORDEN DE LAS BANDAS ASIGANADAS A LOS COLORES
PRIMARIOS DEPENDERAacute DE
Sensor Aplicacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EL SEUDO - COLOR
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm formatos de
composiciones
Ya hemos afirmado de que el ojo humano es maacutes capaz de distinguir tonos de color que intensidades de brillo
Por ello el empleo del color ayuda a la interpretacioacuten incluso cuando podamos tener una sola imagen de una banda
Es aquiacute que hablamos del SEUDO COLOR por no contar con tres bandas
El seudo color implica la creacioacuten de una CLUT que asocie el ND de una sola banda a distintos componentes del R V y A APLICACIONES 1 Para tener una leyenda de colores para una img clasificada 2 Para realzar el anaacutelisis de una determinada banda y sustituir los tonos de gris por una paleta de colores
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CLUT COLOUR LOOK-UP TABLE TABLA DE CONSULTA DE COLOR
ENTENDIENDO LAS IMAacuteGENES
httpsenwikipediaorgwikiColour_look-up_table
creacioacuten del seudo color
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Filtros espaciales Concepto de kernel Filtros paso bajo y paso alto Filtros direccionales Anomaliacuteas y correccioacuten atmosfeacuterica Correcciones radiomeacutetricas Anomaliacuteas radiomeacutetricas Fallos en el sensorCorreccioacuten atmosfeacuterica concepto Meacutetodo valores miacutenimos Regresioacuten entre bandas Dispersioacuten por aerosolesCalibracioacuten Caso misioacuten Landsat
47 Interpretacioacuten de Imaacutegenes
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de que es un filtro
espacial
FUNCIONES PARA MEJORAR ASPECTO DE LAS IMAacuteGENES
REALZAN O DISMINUYEN ELEMENTOS VISUALES DE LA IMG
BASADOS EN LA FRECUENCIA ESPACIAL
FRECUENCIAS ESPACIALES ALTAS Variaciones que se producen en pocos piacutexeles TENDENCIA GENERAL FRECUENCIAS ESPACIALES BAJAS
Variaciones que se producen en muchos piacutexeles CONTRASTES LOCALES
FILTROS Figura - CCRS CCT
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de kernel
FILTRADO ESPACIAL Figura - CCRS CCT FILTRADO EN EL DOMINIO
ESPACIAL Lo mas comuacuten es la aplicacioacuten de una ventana deslizante con valores que son coeficientes fijos de una matriz La MATRIZ se suele llamar KERNEL o nuacutecleo del filtro
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DIGITAL
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
3 x 3 5 x 5 7 x 7
1 1 1
1 2 1
1 1 1 matrices
LOS VALORES DEL KERNEL SE MULTIPLICAN POR EL PIacuteXEL QUE TIENEN DEBAJO Y LUEGO SE SUMAN TODOS LOS PRODUCTOS
Y PARA OBTENER EL VALOR DEL PIacuteXEL CENTRAL EN LA IMAGEN TRANSFORMADA SE LO DIVIDE POR LA SUMA DE LOS PONDERADOS O PESOS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO - PASO BAJO PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
26
FILTROS DE PASO BAJO SE FAVORECEN A LOS PIXELES
PERIFEacuteRICOS SE MINIMIZAN LAS DIFERENCIAS CON LOS VECINOS ES UNA ESPECIE DE SUAVIZADO
FILTRO DE PASO ALTO PONDERACIOacuteN DEL VALOR CENTRAL EN DETRIMENTO DE LOS CIRCUNDANTES
SE EXAGERAN DIFERENCIAS Y SE RESALTAN VARIACIONES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO BAJO
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm
simulacioacuten
IMAGEN ORIGINAL
FILTRO PASO BAJO 3x3 SE TRATA DE ASEMEJAR LOS VALORES DE ND DE UN PIXEL A LOS VALORES VECINOS EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA OFRECE PERFILES MENOS NIacuteTIDOS
FILTRO PASO BAJO 7x7 SIRVE PARA REDUCIR VARIABILIDAD ESPACIAL DE ALGUNA CATEGORIacuteA ANTES DE UN PROCESO DE CLASIFICACIOacuteN
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
IMAGEN ORIGINAL
FILTRO PASO ALTO 3x3 SE TRATA DE AISLAR LOS COMPONENTES DE ALTA FRECUENCIA Y REMARCAR DIGITALMENTE CONTRASTES EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA REFUERZA LOS CONTORNOS EN AacuteREAS HOMOGEacuteNEAS
FILTRO PASO ALTO 7x7 SIRVE PARA LOGRAR REALCES DE RASGOS LINEALES COMO PUEDEN SER EN AacuteREAS URBANAS O RASGOS GEOLOacuteGICOS
simulacioacuten
httpgeograuahesrtm
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
Figura - Landsat USGS
IMAGEN ORIGINAL
FILTRO DIRECCIONAL PERMITEN IDENTIFICAR LOS RASGOS FRONTERIZOS EN LAS IMAacuteGENES COMO LOS FILTROS ANTERIORES PERO AHORA CONSIDERANDO LA ORIENTACIOacuteN
se tiene en cuenta la
orientacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
matrices con direccioacuten
NORTE
1 1 1
1 -2 1
-1 -1 -1
SUR
-1 -1 -1
1 -2 1
1 1 1
ESTE
-1 1 1
-1 -2 1
-1 1 1
OESTE
1 1 -1
1 -2 -1
1 1 -1
SURESTE
-1 -1 1
-1 -2 1
1 1 1
NOROESTE
1 1 1
1 -2 -1
1 -1 -1
SUROESTE
1 -1 -1
1 -2 -1
1 1 1
NORESTE
1 1 1
-1 -2 1
-1 -1 1
OBSERVACIOacuteN
LOS NOMBRES OBEDECEN A LA DIRECCIOacuteN DEL CONTRASTE QUE SENtildeALAN
LA DIRECCIOacuteN QUE REALZAN ES JUSTAMENTE LA PERPENDICULAR
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
48 Interpretacioacuten de Imaacutegenes
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Correcciones geomeacutetricas Georreferenciacioacuten Uso de puntos de control Fuentes de error Procesamiento geomeacutetrico Correccioacuten Transformacioacuten geomeacutetrica Calidad y ajuste Generacioacuten de la nueva imagen Transferencia de ND
INSTITUTO DE AGRIMENSURA - DEPARTAMENTO DE GEOMAacuteTICA PROF ADJUNTO GRADO 3 EDISON J ROSAS BERTON
El tratamiento de una imagen de sateacutelite Georreferenciacioacuten
(paso de un sistema de filas y columnas a un sistema de coordenadas estandard)
Para ello debe obtenerse una muestra de puntos de control de los que conozcamos tanto sus coordenadas reales como sus coordenadas en
la imagen deben ser por tanto objetos de un tamantildeo adecuado para resultar identificables tanto en la imagen como sobre el terreno el tamantildeo
dependeraacute loacutegicamente de la resolucioacuten de la imagen A partir de estos puntos de control se obtendraacuten por regresioacuten unas ecuaciones que permitiraacuten a cada par filacolumna un par de coordenadas
XY
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
GEORREFERENCIACIOacuteN
ENTENDIENDO LAS IMAacuteGENES
georreferenciacioacuten porqueacute
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PUNTOS DE CONTROL
ENTENDIENDO LAS IMAacuteGENES
uso de puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
DISTORSIONES POR LA PLATAFORMA ALTITUD DE LA OacuteRBITA ndash Cambio de escala
VELOCIDAD ndash Cambios de escala ORIENTACIOacuteN DE LOS TRES EJES ndash Distorsiones en la geometriacutea
NO SISTEMAacuteTICOS Y COMPLEJOS DE MODELAR
DISTORSIONES POR ROTACIOacuteN TERRESTRE
CONSIDERANDO ALTITUD (800 Km) y TAMANtildeO DE LA IMAGEN (180 Km)ndashEn latitudes medias tarda en adquirir unos 30 segundos la Tierra se desplaza unos 8 Km
ORIENTACIOacuteN NE SW
DISTORSIONES POR EL SENSOR ANOMALIacuteAS SENSOR y MOVIMIENTO ESPEJO ndash Barrido no lineal o cambio en intervalos
AacuteNGULO DE BARRIDO ndash Variacioacuten en el tamantildeo de pixel
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ERROR EN UNA IMAGEN ESPACIAL
ENTENDIENDO LAS IMAacuteGENES
fuentes de error
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Una correccioacuten geomeacutetrica incluye CUALQUIER CAMBIO EN LA POSICIOacuteN DE LOS PIXELES que
conforman la imagen f (c`) = f1 (c l) f (x y) f (l`) = f2 (c l) f (x y)
COORDENADAS DE IMAGEN CORREGIDA SON FUNCIOacuteN DE COORDENADAS COLUMNA Y LIacuteNEA DE LA
IMAGEN DE ENTRADA O DE LAS COORDENADAS DE MAPA AL QUE SUPERPONDREMOS LA IMAGEN
1 CON OBJETIVO DE REALIZAR UNA TRANSFORMACIOacuteN GEOMEacuteTRICA QUE PERMITA AJUSTARLA A OTRA IMAGEN REFERENCIA NORMALMENTE PARA REALIZAR ESTUDIOS MULTITEMPORALES O MOSAICOS CON EL FIN DE AMPLIAR LOS DATOS E INFORMACIOacuteN DE UNA ZONA
2 ESTO PERMITIRAacute QUE LA NUEVA IMAGEN LA PUEDA INTEGRAR CON INFORMACIOacuteN DE OTRAS FUENTES POR EJEMPLO EN UN AMBIENTE SIG
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
correccioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
asumimos que
NO SE CONOCE EL ORIGEN DE LOS ERRORES
modelamos
ECUACIONES EMPIacuteRICAS
aplicadas a un conjunto de puntos
COORDENADAS CONOCIDAS IMAGEN INPUT e IMAGEN OUTPUT
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
1 ndash SELECCIOacuteN DE REFERENCIAS 2 ndash ECUACIONES DE AJUSTE
3 ndash GENERACIOacuteN DE LA IMAGEN CORREGIDA
ES OBVIO CALIDAD DEL AJUSTE DEPENDERAacute DE PRECISIOacuteN CON QUE SE
LOCALICEN LOS PUNTOS DE CONTROL INEXACTA LOCALIZACIOacuteN
DISTRIBUCIOacuteN MUY SECTORIZADA NUacuteMERO DE PUNTOS DE CONTROL INADECUADO
ESTABLECER LOS PUNTOS DE CONTROL FASE MAS CRUCIAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
procesamiento de la correccioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Resaltamos la importancia de
NUacuteMERO LOCALIZACIOacuteN DISTRIBUCIOacuteN
Que debemos atender Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
que considero UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash Croquis ilustrativos de apoyo
TERRENO O ZONAS PLANAS CON IMG OBTENIDAS POR UN SENSOR DE ESTRECHA VISIOacuteN DE CAMPO
TRANSFORMACIOacuteN
BASADO EN ECUACIONES LINEALES SIMPLES
TERRENO ESCARPADO O RUGOSO O UTILIZACIOacuteN DE IMG OBTENIDAS EN UN SENSOR CON VARIACIONES EN LAS CONDICIONES DE OBSERVACIOacuteN
TRANSFORMACIOacuteN MAacuteS COMPLEJA
POLINOMIOS DE SEGUNDO O TERCER ORDEN
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Desde un punto de vista matemaacutetico
GRADO 1 ndash 3 puntos GRADO 2 ndash 6 puntos GRADO 3 ndash 10 puntos
Seguacuten mis objetivos del trabajo no es conveniente utilizar esos miacutenimos
14 a 20 puntos (Landsat 5 MMS ndash seguacuten Bernstein R y D G Ferneyhough Jr 1978)
100 a 120 puntos (Landsat 7 TM ndash seguacuten el National Remote Sensing Center de Inglaterra)
10 o 12 puntos (Pequentildea zona de 512 x 512 pixeles ndash seguacuten Emilio Chuvieco 2010)
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
matemaacuteticamente UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
QUE DEBEMOS DE CONSIDERAR EN CUANTO A LA LOCALIZACIOacuteN
CLARAMENTE IDENTIFICABLES EN IMAGEN Y MAPA RASGOS HUMANOS DEL PAISAJE NO SUJETOS A DINAMISMO TEMPORAL
CRUCE DE CARRETERAS
CAMINOS VIacuteA FEacuteRREAS
NO CONSIDERAR ELEMENTOS ASOCIADOS AL AGUA
COSTA CURSOS DE AGUA
EMBALSES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
localizacioacuten TCP UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la correccioacuten digital de la geometriacutea de una imagen se realiza a partir de establecer unas funciones que relacionen las coordenadas de la imagen
y las coordenadas del mapa
EJ CASO MAS SIMPLE REGRESIOacuteN LINEAL MUacuteLTIPLE
ci = a0 + a1 Xi + a2 Yi li = b0 + b1 Xi + b2 Yi
EN LA PRAacuteCTICA BASTA UNA FUNCIOacuteN LINEAL PARA ABORDAR UN GRAN NUacuteMERO DE
TRANSFORMACIONES Y SON SUFICIENTES SI LAS IMAacuteGENES NO SON MUY GRANDES ANTE LA NECESIDAD DE OTRAS TRANSFORMACIONES SE UTILIZAN DE 2ordm y 3ordm ORDEN CONSIDERANDO ALTERACIONES GEOMEacuteTRICAS NO LINEALES (FUNCIONES QUE NO SE DEFINEN EN UN PLANO
CON EJES LINEALES SINO QUE SUPERFICIES CON EJES CURVILIacuteNEOS)
LOS COEFICIENTES DE LAS FUNCIONES DE TRANSFORMACIOacuteN SE CALCULAN A PARTIR DE UN AJUSTE POR MIacuteNIMOS CUADRADOS
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
funciones de transformacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash ejemplos de funciones de transformacioacuten geomeacutetrica con el efecto causado
TRASLACIOacuteN
CAMBIO DE ESCALA
INCLINACIOacuteN
PERSPECTIVA
ROTACIOacuteN
x = a0 + xacute y = b0 + yacute
x = xacute + a2 yacute y = yacute
x = a1 xacute y = b1 yacute
x = a3xacute yacute y = yacute
x = a4xacute + a5yacute y = b4xacute + b5yacute a4 = b5 = cos Ɵ a5 = -b4 = sen Ɵ
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
transformacioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
comparacioacuten coordenadas reales y las estimadas por la regresioacuten
el promedio de los residuales se conoce como error medio cuadraacutetico
la calidad del ajuste lo da el RMSE (root mean squared error)
(error medio cuadraacutetico)
RMSE es la raiacutez cuadrada de las desviaciones entre los valores reales y los
calculados
RMSE para cada punto es la raiacutez de los residuales al cuadrado que es la distancia entre ellos
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
RMSE UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la praacutectica hace que fijemos una TOLERANCIA y es que si ese promedio supera un valor fijado previamente haya que rever
el valor fijado previamente generalmente es igual o menor a un PIXEL
una correcta verificacioacuten
NECESITA introducir PUNTOS de VERIFICACIOacuteN
que no hayan sido introducidos en el ajuste
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
tolerancias fijadas
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
traducimos coordenadas de un mapa a la imagen tambieacuten necesitamos a la nueva imagen
TRANSFERIR LOS VALORES DIGITALES no olvidar que lo que queremos es generar una nueva imagen que se
corresponda con las coordenadas y las funciones de ajuste
NO ORIGINAN NUEVA IMAGEN solo colocan a los pixeles en la posicioacuten correcta
en criollo las funciones de transformacioacuten generan una nueva matriz bien posicionada pero vaciacutea
DEBEMOS LLENAR LA MATRIZ problema maacutes complejo de lo que puede
pensarse Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
generacioacuten de la nueva imaacutegen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
cada pixel de la imagen corregida se corresponderiacutea con un pixel de la imagen original
LEJOS DE ESE IDEAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo I
vecino maacutes proacuteximo ( nearest neighbour )
a cada celda de la imagen corregida se asigna el ND del pixel maacutes cercano de la
imagen original
SOLUCIOacuteN RAacutePIDA MENOR DISTORSIOacuteN DE LOS ND
INTRODUCE RASGOS LINEALES QUE DISTORSIONAN
CORRECCIOacuteN DE IMAacuteGENES CLASIFICADAS
CONSERVAR LA RADIOMETRIacuteA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo II
interpolacioacuten bilineal ( bilinear interpolation )
supone promediar los ND de los cuatro pixeles mas cercanos
con ponderacioacuten seguacuten la distancia pixeles originalcorregido
REDUCE EL EFECTO DE DISTORSIOacuteN EN RASGOS LINEALES
TIENDE A DIFUMINAR LOS CONTRASTES ESPACIALES
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE IMAacuteGENES RECTIFICADAS MAPAS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo III
convolusioacuten cuacutebica ( cubic convolution )
supone considerar los ND de los 16 pixeles mas proacuteximos
media ponderada seguacuten la distancia pixeles originalcorregido
EFECTO VISUAL MAS CORRECTO
VOLUacuteMEN DE CAacuteLCULO MUY SUPERIOR TENDENCIA A AGUDIZAR BORDES DE LA IMAGEN
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE ORTOIMAacuteGENES IMPRESIONES DE CALIDAD
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
lineal
expansioacuten lineal
lo maacutes simple transformacioacuten en liacutenea llevando el valor miacutenimo a 0 y maacuteximo a 255 o se usa un rango por encima y por debajo de miacutenimo y maacuteximo
EXPANSIOacuteN I
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
lineal
EXPANSIOacuteN I expansioacuten
logariacutetmico exponencial
gamma
curvas de transferencia en lugar de rectas gamma es la curvatura de dicha curva se expanden maacutes el contraste de los extremos o del centro
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
frecuencial
EXPANSIOacuteN II
frecuencial ecualizacioacuten del
histograma
cuando los valores de ND no estaacuten distribuidos uniformemente intentar en la medida de lo posible que los valores de salida de los ND tengan el mismo de pixeles con dicho valor
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CONTRASTE EN UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
compresioacuten del contraste
Ya sabemos que el contraste mide el rango dinaacutemico de los colores en la imagen es decir una imagen muy contrastada tiene un amplio abanico de colores (o tonos de gris) desde valores muy bajos a valores muy altos Para una imagen con poco contraste los colores estaacuten muy juntos el margen dinaacutemico es pequentildeo La variacioacuten en el contraste aparece como una compresioacuten del histograma en caso de una reduccioacuten a la inversa de lo visto en el caso de una expansioacuten
Compresioacuten si el rango excede de las capacidades del sistema
Se ha de comparar el nuacutemero de niveles digitales (ND) de la imagen con los niveles de visualizacioacuten (NV) o grises del sistema Es de menos aplicacioacuten Al igual que el brillo variando el contraste se puede provocar una peacuterdida de informacioacuten de la imagen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
MAYOR APLICABILIDAD DEL REALCE
ENTENDIENDO LAS IMAacuteGENES
realce oacuteptimo
realce frecuencial
realce lineal
laquo r e a l c e oacute p t i m o raquo optimiza interpretacioacuten de la imagen
mejor esteacutetica de la imagen NO COINCIDE CON NINGUacuteN CORTE PREDETERMINADO
Y SE LOGRA INTERACTIVAMENTE EN PANTALLA Y PARA CADA BANDA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
COMPOSICIONES COLOR
ENTENDIENDO LAS IMAacuteGENES
formatos de composiciones
CON LA CRECIENTE APARICIOacuteN DE LOS SENSORES HIPERESPECTRALES LAS POSIBILIDADES DE COMPOSICIONES
COLOREADAS DE BANDAS SON CASI ILIMITADAS
LA ELECCIOacuteN DE LAS BANDAS PARA REALIZAR LA COMPOSICIOacuteN Y EL ORDEN DE LAS BANDAS ASIGANADAS A LOS COLORES
PRIMARIOS DEPENDERAacute DE
Sensor Aplicacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EL SEUDO - COLOR
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm formatos de
composiciones
Ya hemos afirmado de que el ojo humano es maacutes capaz de distinguir tonos de color que intensidades de brillo
Por ello el empleo del color ayuda a la interpretacioacuten incluso cuando podamos tener una sola imagen de una banda
Es aquiacute que hablamos del SEUDO COLOR por no contar con tres bandas
El seudo color implica la creacioacuten de una CLUT que asocie el ND de una sola banda a distintos componentes del R V y A APLICACIONES 1 Para tener una leyenda de colores para una img clasificada 2 Para realzar el anaacutelisis de una determinada banda y sustituir los tonos de gris por una paleta de colores
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CLUT COLOUR LOOK-UP TABLE TABLA DE CONSULTA DE COLOR
ENTENDIENDO LAS IMAacuteGENES
httpsenwikipediaorgwikiColour_look-up_table
creacioacuten del seudo color
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Filtros espaciales Concepto de kernel Filtros paso bajo y paso alto Filtros direccionales Anomaliacuteas y correccioacuten atmosfeacuterica Correcciones radiomeacutetricas Anomaliacuteas radiomeacutetricas Fallos en el sensorCorreccioacuten atmosfeacuterica concepto Meacutetodo valores miacutenimos Regresioacuten entre bandas Dispersioacuten por aerosolesCalibracioacuten Caso misioacuten Landsat
47 Interpretacioacuten de Imaacutegenes
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de que es un filtro
espacial
FUNCIONES PARA MEJORAR ASPECTO DE LAS IMAacuteGENES
REALZAN O DISMINUYEN ELEMENTOS VISUALES DE LA IMG
BASADOS EN LA FRECUENCIA ESPACIAL
FRECUENCIAS ESPACIALES ALTAS Variaciones que se producen en pocos piacutexeles TENDENCIA GENERAL FRECUENCIAS ESPACIALES BAJAS
Variaciones que se producen en muchos piacutexeles CONTRASTES LOCALES
FILTROS Figura - CCRS CCT
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de kernel
FILTRADO ESPACIAL Figura - CCRS CCT FILTRADO EN EL DOMINIO
ESPACIAL Lo mas comuacuten es la aplicacioacuten de una ventana deslizante con valores que son coeficientes fijos de una matriz La MATRIZ se suele llamar KERNEL o nuacutecleo del filtro
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DIGITAL
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
3 x 3 5 x 5 7 x 7
1 1 1
1 2 1
1 1 1 matrices
LOS VALORES DEL KERNEL SE MULTIPLICAN POR EL PIacuteXEL QUE TIENEN DEBAJO Y LUEGO SE SUMAN TODOS LOS PRODUCTOS
Y PARA OBTENER EL VALOR DEL PIacuteXEL CENTRAL EN LA IMAGEN TRANSFORMADA SE LO DIVIDE POR LA SUMA DE LOS PONDERADOS O PESOS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO - PASO BAJO PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
26
FILTROS DE PASO BAJO SE FAVORECEN A LOS PIXELES
PERIFEacuteRICOS SE MINIMIZAN LAS DIFERENCIAS CON LOS VECINOS ES UNA ESPECIE DE SUAVIZADO
FILTRO DE PASO ALTO PONDERACIOacuteN DEL VALOR CENTRAL EN DETRIMENTO DE LOS CIRCUNDANTES
SE EXAGERAN DIFERENCIAS Y SE RESALTAN VARIACIONES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO BAJO
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm
simulacioacuten
IMAGEN ORIGINAL
FILTRO PASO BAJO 3x3 SE TRATA DE ASEMEJAR LOS VALORES DE ND DE UN PIXEL A LOS VALORES VECINOS EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA OFRECE PERFILES MENOS NIacuteTIDOS
FILTRO PASO BAJO 7x7 SIRVE PARA REDUCIR VARIABILIDAD ESPACIAL DE ALGUNA CATEGORIacuteA ANTES DE UN PROCESO DE CLASIFICACIOacuteN
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
IMAGEN ORIGINAL
FILTRO PASO ALTO 3x3 SE TRATA DE AISLAR LOS COMPONENTES DE ALTA FRECUENCIA Y REMARCAR DIGITALMENTE CONTRASTES EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA REFUERZA LOS CONTORNOS EN AacuteREAS HOMOGEacuteNEAS
FILTRO PASO ALTO 7x7 SIRVE PARA LOGRAR REALCES DE RASGOS LINEALES COMO PUEDEN SER EN AacuteREAS URBANAS O RASGOS GEOLOacuteGICOS
simulacioacuten
httpgeograuahesrtm
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
Figura - Landsat USGS
IMAGEN ORIGINAL
FILTRO DIRECCIONAL PERMITEN IDENTIFICAR LOS RASGOS FRONTERIZOS EN LAS IMAacuteGENES COMO LOS FILTROS ANTERIORES PERO AHORA CONSIDERANDO LA ORIENTACIOacuteN
se tiene en cuenta la
orientacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
matrices con direccioacuten
NORTE
1 1 1
1 -2 1
-1 -1 -1
SUR
-1 -1 -1
1 -2 1
1 1 1
ESTE
-1 1 1
-1 -2 1
-1 1 1
OESTE
1 1 -1
1 -2 -1
1 1 -1
SURESTE
-1 -1 1
-1 -2 1
1 1 1
NOROESTE
1 1 1
1 -2 -1
1 -1 -1
SUROESTE
1 -1 -1
1 -2 -1
1 1 1
NORESTE
1 1 1
-1 -2 1
-1 -1 1
OBSERVACIOacuteN
LOS NOMBRES OBEDECEN A LA DIRECCIOacuteN DEL CONTRASTE QUE SENtildeALAN
LA DIRECCIOacuteN QUE REALZAN ES JUSTAMENTE LA PERPENDICULAR
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
48 Interpretacioacuten de Imaacutegenes
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Correcciones geomeacutetricas Georreferenciacioacuten Uso de puntos de control Fuentes de error Procesamiento geomeacutetrico Correccioacuten Transformacioacuten geomeacutetrica Calidad y ajuste Generacioacuten de la nueva imagen Transferencia de ND
INSTITUTO DE AGRIMENSURA - DEPARTAMENTO DE GEOMAacuteTICA PROF ADJUNTO GRADO 3 EDISON J ROSAS BERTON
El tratamiento de una imagen de sateacutelite Georreferenciacioacuten
(paso de un sistema de filas y columnas a un sistema de coordenadas estandard)
Para ello debe obtenerse una muestra de puntos de control de los que conozcamos tanto sus coordenadas reales como sus coordenadas en
la imagen deben ser por tanto objetos de un tamantildeo adecuado para resultar identificables tanto en la imagen como sobre el terreno el tamantildeo
dependeraacute loacutegicamente de la resolucioacuten de la imagen A partir de estos puntos de control se obtendraacuten por regresioacuten unas ecuaciones que permitiraacuten a cada par filacolumna un par de coordenadas
XY
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
GEORREFERENCIACIOacuteN
ENTENDIENDO LAS IMAacuteGENES
georreferenciacioacuten porqueacute
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PUNTOS DE CONTROL
ENTENDIENDO LAS IMAacuteGENES
uso de puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
DISTORSIONES POR LA PLATAFORMA ALTITUD DE LA OacuteRBITA ndash Cambio de escala
VELOCIDAD ndash Cambios de escala ORIENTACIOacuteN DE LOS TRES EJES ndash Distorsiones en la geometriacutea
NO SISTEMAacuteTICOS Y COMPLEJOS DE MODELAR
DISTORSIONES POR ROTACIOacuteN TERRESTRE
CONSIDERANDO ALTITUD (800 Km) y TAMANtildeO DE LA IMAGEN (180 Km)ndashEn latitudes medias tarda en adquirir unos 30 segundos la Tierra se desplaza unos 8 Km
ORIENTACIOacuteN NE SW
DISTORSIONES POR EL SENSOR ANOMALIacuteAS SENSOR y MOVIMIENTO ESPEJO ndash Barrido no lineal o cambio en intervalos
AacuteNGULO DE BARRIDO ndash Variacioacuten en el tamantildeo de pixel
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ERROR EN UNA IMAGEN ESPACIAL
ENTENDIENDO LAS IMAacuteGENES
fuentes de error
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Una correccioacuten geomeacutetrica incluye CUALQUIER CAMBIO EN LA POSICIOacuteN DE LOS PIXELES que
conforman la imagen f (c`) = f1 (c l) f (x y) f (l`) = f2 (c l) f (x y)
COORDENADAS DE IMAGEN CORREGIDA SON FUNCIOacuteN DE COORDENADAS COLUMNA Y LIacuteNEA DE LA
IMAGEN DE ENTRADA O DE LAS COORDENADAS DE MAPA AL QUE SUPERPONDREMOS LA IMAGEN
1 CON OBJETIVO DE REALIZAR UNA TRANSFORMACIOacuteN GEOMEacuteTRICA QUE PERMITA AJUSTARLA A OTRA IMAGEN REFERENCIA NORMALMENTE PARA REALIZAR ESTUDIOS MULTITEMPORALES O MOSAICOS CON EL FIN DE AMPLIAR LOS DATOS E INFORMACIOacuteN DE UNA ZONA
2 ESTO PERMITIRAacute QUE LA NUEVA IMAGEN LA PUEDA INTEGRAR CON INFORMACIOacuteN DE OTRAS FUENTES POR EJEMPLO EN UN AMBIENTE SIG
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
correccioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
asumimos que
NO SE CONOCE EL ORIGEN DE LOS ERRORES
modelamos
ECUACIONES EMPIacuteRICAS
aplicadas a un conjunto de puntos
COORDENADAS CONOCIDAS IMAGEN INPUT e IMAGEN OUTPUT
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
1 ndash SELECCIOacuteN DE REFERENCIAS 2 ndash ECUACIONES DE AJUSTE
3 ndash GENERACIOacuteN DE LA IMAGEN CORREGIDA
ES OBVIO CALIDAD DEL AJUSTE DEPENDERAacute DE PRECISIOacuteN CON QUE SE
LOCALICEN LOS PUNTOS DE CONTROL INEXACTA LOCALIZACIOacuteN
DISTRIBUCIOacuteN MUY SECTORIZADA NUacuteMERO DE PUNTOS DE CONTROL INADECUADO
ESTABLECER LOS PUNTOS DE CONTROL FASE MAS CRUCIAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
procesamiento de la correccioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Resaltamos la importancia de
NUacuteMERO LOCALIZACIOacuteN DISTRIBUCIOacuteN
Que debemos atender Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
que considero UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash Croquis ilustrativos de apoyo
TERRENO O ZONAS PLANAS CON IMG OBTENIDAS POR UN SENSOR DE ESTRECHA VISIOacuteN DE CAMPO
TRANSFORMACIOacuteN
BASADO EN ECUACIONES LINEALES SIMPLES
TERRENO ESCARPADO O RUGOSO O UTILIZACIOacuteN DE IMG OBTENIDAS EN UN SENSOR CON VARIACIONES EN LAS CONDICIONES DE OBSERVACIOacuteN
TRANSFORMACIOacuteN MAacuteS COMPLEJA
POLINOMIOS DE SEGUNDO O TERCER ORDEN
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Desde un punto de vista matemaacutetico
GRADO 1 ndash 3 puntos GRADO 2 ndash 6 puntos GRADO 3 ndash 10 puntos
Seguacuten mis objetivos del trabajo no es conveniente utilizar esos miacutenimos
14 a 20 puntos (Landsat 5 MMS ndash seguacuten Bernstein R y D G Ferneyhough Jr 1978)
100 a 120 puntos (Landsat 7 TM ndash seguacuten el National Remote Sensing Center de Inglaterra)
10 o 12 puntos (Pequentildea zona de 512 x 512 pixeles ndash seguacuten Emilio Chuvieco 2010)
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
matemaacuteticamente UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
QUE DEBEMOS DE CONSIDERAR EN CUANTO A LA LOCALIZACIOacuteN
CLARAMENTE IDENTIFICABLES EN IMAGEN Y MAPA RASGOS HUMANOS DEL PAISAJE NO SUJETOS A DINAMISMO TEMPORAL
CRUCE DE CARRETERAS
CAMINOS VIacuteA FEacuteRREAS
NO CONSIDERAR ELEMENTOS ASOCIADOS AL AGUA
COSTA CURSOS DE AGUA
EMBALSES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
localizacioacuten TCP UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la correccioacuten digital de la geometriacutea de una imagen se realiza a partir de establecer unas funciones que relacionen las coordenadas de la imagen
y las coordenadas del mapa
EJ CASO MAS SIMPLE REGRESIOacuteN LINEAL MUacuteLTIPLE
ci = a0 + a1 Xi + a2 Yi li = b0 + b1 Xi + b2 Yi
EN LA PRAacuteCTICA BASTA UNA FUNCIOacuteN LINEAL PARA ABORDAR UN GRAN NUacuteMERO DE
TRANSFORMACIONES Y SON SUFICIENTES SI LAS IMAacuteGENES NO SON MUY GRANDES ANTE LA NECESIDAD DE OTRAS TRANSFORMACIONES SE UTILIZAN DE 2ordm y 3ordm ORDEN CONSIDERANDO ALTERACIONES GEOMEacuteTRICAS NO LINEALES (FUNCIONES QUE NO SE DEFINEN EN UN PLANO
CON EJES LINEALES SINO QUE SUPERFICIES CON EJES CURVILIacuteNEOS)
LOS COEFICIENTES DE LAS FUNCIONES DE TRANSFORMACIOacuteN SE CALCULAN A PARTIR DE UN AJUSTE POR MIacuteNIMOS CUADRADOS
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
funciones de transformacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash ejemplos de funciones de transformacioacuten geomeacutetrica con el efecto causado
TRASLACIOacuteN
CAMBIO DE ESCALA
INCLINACIOacuteN
PERSPECTIVA
ROTACIOacuteN
x = a0 + xacute y = b0 + yacute
x = xacute + a2 yacute y = yacute
x = a1 xacute y = b1 yacute
x = a3xacute yacute y = yacute
x = a4xacute + a5yacute y = b4xacute + b5yacute a4 = b5 = cos Ɵ a5 = -b4 = sen Ɵ
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
transformacioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
comparacioacuten coordenadas reales y las estimadas por la regresioacuten
el promedio de los residuales se conoce como error medio cuadraacutetico
la calidad del ajuste lo da el RMSE (root mean squared error)
(error medio cuadraacutetico)
RMSE es la raiacutez cuadrada de las desviaciones entre los valores reales y los
calculados
RMSE para cada punto es la raiacutez de los residuales al cuadrado que es la distancia entre ellos
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
RMSE UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la praacutectica hace que fijemos una TOLERANCIA y es que si ese promedio supera un valor fijado previamente haya que rever
el valor fijado previamente generalmente es igual o menor a un PIXEL
una correcta verificacioacuten
NECESITA introducir PUNTOS de VERIFICACIOacuteN
que no hayan sido introducidos en el ajuste
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
tolerancias fijadas
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
traducimos coordenadas de un mapa a la imagen tambieacuten necesitamos a la nueva imagen
TRANSFERIR LOS VALORES DIGITALES no olvidar que lo que queremos es generar una nueva imagen que se
corresponda con las coordenadas y las funciones de ajuste
NO ORIGINAN NUEVA IMAGEN solo colocan a los pixeles en la posicioacuten correcta
en criollo las funciones de transformacioacuten generan una nueva matriz bien posicionada pero vaciacutea
DEBEMOS LLENAR LA MATRIZ problema maacutes complejo de lo que puede
pensarse Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
generacioacuten de la nueva imaacutegen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
cada pixel de la imagen corregida se corresponderiacutea con un pixel de la imagen original
LEJOS DE ESE IDEAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo I
vecino maacutes proacuteximo ( nearest neighbour )
a cada celda de la imagen corregida se asigna el ND del pixel maacutes cercano de la
imagen original
SOLUCIOacuteN RAacutePIDA MENOR DISTORSIOacuteN DE LOS ND
INTRODUCE RASGOS LINEALES QUE DISTORSIONAN
CORRECCIOacuteN DE IMAacuteGENES CLASIFICADAS
CONSERVAR LA RADIOMETRIacuteA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo II
interpolacioacuten bilineal ( bilinear interpolation )
supone promediar los ND de los cuatro pixeles mas cercanos
con ponderacioacuten seguacuten la distancia pixeles originalcorregido
REDUCE EL EFECTO DE DISTORSIOacuteN EN RASGOS LINEALES
TIENDE A DIFUMINAR LOS CONTRASTES ESPACIALES
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE IMAacuteGENES RECTIFICADAS MAPAS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo III
convolusioacuten cuacutebica ( cubic convolution )
supone considerar los ND de los 16 pixeles mas proacuteximos
media ponderada seguacuten la distancia pixeles originalcorregido
EFECTO VISUAL MAS CORRECTO
VOLUacuteMEN DE CAacuteLCULO MUY SUPERIOR TENDENCIA A AGUDIZAR BORDES DE LA IMAGEN
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE ORTOIMAacuteGENES IMPRESIONES DE CALIDAD
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
lineal
EXPANSIOacuteN I expansioacuten
logariacutetmico exponencial
gamma
curvas de transferencia en lugar de rectas gamma es la curvatura de dicha curva se expanden maacutes el contraste de los extremos o del centro
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
frecuencial
EXPANSIOacuteN II
frecuencial ecualizacioacuten del
histograma
cuando los valores de ND no estaacuten distribuidos uniformemente intentar en la medida de lo posible que los valores de salida de los ND tengan el mismo de pixeles con dicho valor
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CONTRASTE EN UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
compresioacuten del contraste
Ya sabemos que el contraste mide el rango dinaacutemico de los colores en la imagen es decir una imagen muy contrastada tiene un amplio abanico de colores (o tonos de gris) desde valores muy bajos a valores muy altos Para una imagen con poco contraste los colores estaacuten muy juntos el margen dinaacutemico es pequentildeo La variacioacuten en el contraste aparece como una compresioacuten del histograma en caso de una reduccioacuten a la inversa de lo visto en el caso de una expansioacuten
Compresioacuten si el rango excede de las capacidades del sistema
Se ha de comparar el nuacutemero de niveles digitales (ND) de la imagen con los niveles de visualizacioacuten (NV) o grises del sistema Es de menos aplicacioacuten Al igual que el brillo variando el contraste se puede provocar una peacuterdida de informacioacuten de la imagen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
MAYOR APLICABILIDAD DEL REALCE
ENTENDIENDO LAS IMAacuteGENES
realce oacuteptimo
realce frecuencial
realce lineal
laquo r e a l c e oacute p t i m o raquo optimiza interpretacioacuten de la imagen
mejor esteacutetica de la imagen NO COINCIDE CON NINGUacuteN CORTE PREDETERMINADO
Y SE LOGRA INTERACTIVAMENTE EN PANTALLA Y PARA CADA BANDA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
COMPOSICIONES COLOR
ENTENDIENDO LAS IMAacuteGENES
formatos de composiciones
CON LA CRECIENTE APARICIOacuteN DE LOS SENSORES HIPERESPECTRALES LAS POSIBILIDADES DE COMPOSICIONES
COLOREADAS DE BANDAS SON CASI ILIMITADAS
LA ELECCIOacuteN DE LAS BANDAS PARA REALIZAR LA COMPOSICIOacuteN Y EL ORDEN DE LAS BANDAS ASIGANADAS A LOS COLORES
PRIMARIOS DEPENDERAacute DE
Sensor Aplicacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EL SEUDO - COLOR
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm formatos de
composiciones
Ya hemos afirmado de que el ojo humano es maacutes capaz de distinguir tonos de color que intensidades de brillo
Por ello el empleo del color ayuda a la interpretacioacuten incluso cuando podamos tener una sola imagen de una banda
Es aquiacute que hablamos del SEUDO COLOR por no contar con tres bandas
El seudo color implica la creacioacuten de una CLUT que asocie el ND de una sola banda a distintos componentes del R V y A APLICACIONES 1 Para tener una leyenda de colores para una img clasificada 2 Para realzar el anaacutelisis de una determinada banda y sustituir los tonos de gris por una paleta de colores
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CLUT COLOUR LOOK-UP TABLE TABLA DE CONSULTA DE COLOR
ENTENDIENDO LAS IMAacuteGENES
httpsenwikipediaorgwikiColour_look-up_table
creacioacuten del seudo color
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Filtros espaciales Concepto de kernel Filtros paso bajo y paso alto Filtros direccionales Anomaliacuteas y correccioacuten atmosfeacuterica Correcciones radiomeacutetricas Anomaliacuteas radiomeacutetricas Fallos en el sensorCorreccioacuten atmosfeacuterica concepto Meacutetodo valores miacutenimos Regresioacuten entre bandas Dispersioacuten por aerosolesCalibracioacuten Caso misioacuten Landsat
47 Interpretacioacuten de Imaacutegenes
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de que es un filtro
espacial
FUNCIONES PARA MEJORAR ASPECTO DE LAS IMAacuteGENES
REALZAN O DISMINUYEN ELEMENTOS VISUALES DE LA IMG
BASADOS EN LA FRECUENCIA ESPACIAL
FRECUENCIAS ESPACIALES ALTAS Variaciones que se producen en pocos piacutexeles TENDENCIA GENERAL FRECUENCIAS ESPACIALES BAJAS
Variaciones que se producen en muchos piacutexeles CONTRASTES LOCALES
FILTROS Figura - CCRS CCT
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de kernel
FILTRADO ESPACIAL Figura - CCRS CCT FILTRADO EN EL DOMINIO
ESPACIAL Lo mas comuacuten es la aplicacioacuten de una ventana deslizante con valores que son coeficientes fijos de una matriz La MATRIZ se suele llamar KERNEL o nuacutecleo del filtro
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DIGITAL
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
3 x 3 5 x 5 7 x 7
1 1 1
1 2 1
1 1 1 matrices
LOS VALORES DEL KERNEL SE MULTIPLICAN POR EL PIacuteXEL QUE TIENEN DEBAJO Y LUEGO SE SUMAN TODOS LOS PRODUCTOS
Y PARA OBTENER EL VALOR DEL PIacuteXEL CENTRAL EN LA IMAGEN TRANSFORMADA SE LO DIVIDE POR LA SUMA DE LOS PONDERADOS O PESOS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO - PASO BAJO PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
26
FILTROS DE PASO BAJO SE FAVORECEN A LOS PIXELES
PERIFEacuteRICOS SE MINIMIZAN LAS DIFERENCIAS CON LOS VECINOS ES UNA ESPECIE DE SUAVIZADO
FILTRO DE PASO ALTO PONDERACIOacuteN DEL VALOR CENTRAL EN DETRIMENTO DE LOS CIRCUNDANTES
SE EXAGERAN DIFERENCIAS Y SE RESALTAN VARIACIONES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO BAJO
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm
simulacioacuten
IMAGEN ORIGINAL
FILTRO PASO BAJO 3x3 SE TRATA DE ASEMEJAR LOS VALORES DE ND DE UN PIXEL A LOS VALORES VECINOS EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA OFRECE PERFILES MENOS NIacuteTIDOS
FILTRO PASO BAJO 7x7 SIRVE PARA REDUCIR VARIABILIDAD ESPACIAL DE ALGUNA CATEGORIacuteA ANTES DE UN PROCESO DE CLASIFICACIOacuteN
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
IMAGEN ORIGINAL
FILTRO PASO ALTO 3x3 SE TRATA DE AISLAR LOS COMPONENTES DE ALTA FRECUENCIA Y REMARCAR DIGITALMENTE CONTRASTES EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA REFUERZA LOS CONTORNOS EN AacuteREAS HOMOGEacuteNEAS
FILTRO PASO ALTO 7x7 SIRVE PARA LOGRAR REALCES DE RASGOS LINEALES COMO PUEDEN SER EN AacuteREAS URBANAS O RASGOS GEOLOacuteGICOS
simulacioacuten
httpgeograuahesrtm
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
Figura - Landsat USGS
IMAGEN ORIGINAL
FILTRO DIRECCIONAL PERMITEN IDENTIFICAR LOS RASGOS FRONTERIZOS EN LAS IMAacuteGENES COMO LOS FILTROS ANTERIORES PERO AHORA CONSIDERANDO LA ORIENTACIOacuteN
se tiene en cuenta la
orientacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
matrices con direccioacuten
NORTE
1 1 1
1 -2 1
-1 -1 -1
SUR
-1 -1 -1
1 -2 1
1 1 1
ESTE
-1 1 1
-1 -2 1
-1 1 1
OESTE
1 1 -1
1 -2 -1
1 1 -1
SURESTE
-1 -1 1
-1 -2 1
1 1 1
NOROESTE
1 1 1
1 -2 -1
1 -1 -1
SUROESTE
1 -1 -1
1 -2 -1
1 1 1
NORESTE
1 1 1
-1 -2 1
-1 -1 1
OBSERVACIOacuteN
LOS NOMBRES OBEDECEN A LA DIRECCIOacuteN DEL CONTRASTE QUE SENtildeALAN
LA DIRECCIOacuteN QUE REALZAN ES JUSTAMENTE LA PERPENDICULAR
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
48 Interpretacioacuten de Imaacutegenes
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Correcciones geomeacutetricas Georreferenciacioacuten Uso de puntos de control Fuentes de error Procesamiento geomeacutetrico Correccioacuten Transformacioacuten geomeacutetrica Calidad y ajuste Generacioacuten de la nueva imagen Transferencia de ND
INSTITUTO DE AGRIMENSURA - DEPARTAMENTO DE GEOMAacuteTICA PROF ADJUNTO GRADO 3 EDISON J ROSAS BERTON
El tratamiento de una imagen de sateacutelite Georreferenciacioacuten
(paso de un sistema de filas y columnas a un sistema de coordenadas estandard)
Para ello debe obtenerse una muestra de puntos de control de los que conozcamos tanto sus coordenadas reales como sus coordenadas en
la imagen deben ser por tanto objetos de un tamantildeo adecuado para resultar identificables tanto en la imagen como sobre el terreno el tamantildeo
dependeraacute loacutegicamente de la resolucioacuten de la imagen A partir de estos puntos de control se obtendraacuten por regresioacuten unas ecuaciones que permitiraacuten a cada par filacolumna un par de coordenadas
XY
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
GEORREFERENCIACIOacuteN
ENTENDIENDO LAS IMAacuteGENES
georreferenciacioacuten porqueacute
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PUNTOS DE CONTROL
ENTENDIENDO LAS IMAacuteGENES
uso de puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
DISTORSIONES POR LA PLATAFORMA ALTITUD DE LA OacuteRBITA ndash Cambio de escala
VELOCIDAD ndash Cambios de escala ORIENTACIOacuteN DE LOS TRES EJES ndash Distorsiones en la geometriacutea
NO SISTEMAacuteTICOS Y COMPLEJOS DE MODELAR
DISTORSIONES POR ROTACIOacuteN TERRESTRE
CONSIDERANDO ALTITUD (800 Km) y TAMANtildeO DE LA IMAGEN (180 Km)ndashEn latitudes medias tarda en adquirir unos 30 segundos la Tierra se desplaza unos 8 Km
ORIENTACIOacuteN NE SW
DISTORSIONES POR EL SENSOR ANOMALIacuteAS SENSOR y MOVIMIENTO ESPEJO ndash Barrido no lineal o cambio en intervalos
AacuteNGULO DE BARRIDO ndash Variacioacuten en el tamantildeo de pixel
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ERROR EN UNA IMAGEN ESPACIAL
ENTENDIENDO LAS IMAacuteGENES
fuentes de error
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Una correccioacuten geomeacutetrica incluye CUALQUIER CAMBIO EN LA POSICIOacuteN DE LOS PIXELES que
conforman la imagen f (c`) = f1 (c l) f (x y) f (l`) = f2 (c l) f (x y)
COORDENADAS DE IMAGEN CORREGIDA SON FUNCIOacuteN DE COORDENADAS COLUMNA Y LIacuteNEA DE LA
IMAGEN DE ENTRADA O DE LAS COORDENADAS DE MAPA AL QUE SUPERPONDREMOS LA IMAGEN
1 CON OBJETIVO DE REALIZAR UNA TRANSFORMACIOacuteN GEOMEacuteTRICA QUE PERMITA AJUSTARLA A OTRA IMAGEN REFERENCIA NORMALMENTE PARA REALIZAR ESTUDIOS MULTITEMPORALES O MOSAICOS CON EL FIN DE AMPLIAR LOS DATOS E INFORMACIOacuteN DE UNA ZONA
2 ESTO PERMITIRAacute QUE LA NUEVA IMAGEN LA PUEDA INTEGRAR CON INFORMACIOacuteN DE OTRAS FUENTES POR EJEMPLO EN UN AMBIENTE SIG
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
correccioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
asumimos que
NO SE CONOCE EL ORIGEN DE LOS ERRORES
modelamos
ECUACIONES EMPIacuteRICAS
aplicadas a un conjunto de puntos
COORDENADAS CONOCIDAS IMAGEN INPUT e IMAGEN OUTPUT
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
1 ndash SELECCIOacuteN DE REFERENCIAS 2 ndash ECUACIONES DE AJUSTE
3 ndash GENERACIOacuteN DE LA IMAGEN CORREGIDA
ES OBVIO CALIDAD DEL AJUSTE DEPENDERAacute DE PRECISIOacuteN CON QUE SE
LOCALICEN LOS PUNTOS DE CONTROL INEXACTA LOCALIZACIOacuteN
DISTRIBUCIOacuteN MUY SECTORIZADA NUacuteMERO DE PUNTOS DE CONTROL INADECUADO
ESTABLECER LOS PUNTOS DE CONTROL FASE MAS CRUCIAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
procesamiento de la correccioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Resaltamos la importancia de
NUacuteMERO LOCALIZACIOacuteN DISTRIBUCIOacuteN
Que debemos atender Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
que considero UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash Croquis ilustrativos de apoyo
TERRENO O ZONAS PLANAS CON IMG OBTENIDAS POR UN SENSOR DE ESTRECHA VISIOacuteN DE CAMPO
TRANSFORMACIOacuteN
BASADO EN ECUACIONES LINEALES SIMPLES
TERRENO ESCARPADO O RUGOSO O UTILIZACIOacuteN DE IMG OBTENIDAS EN UN SENSOR CON VARIACIONES EN LAS CONDICIONES DE OBSERVACIOacuteN
TRANSFORMACIOacuteN MAacuteS COMPLEJA
POLINOMIOS DE SEGUNDO O TERCER ORDEN
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Desde un punto de vista matemaacutetico
GRADO 1 ndash 3 puntos GRADO 2 ndash 6 puntos GRADO 3 ndash 10 puntos
Seguacuten mis objetivos del trabajo no es conveniente utilizar esos miacutenimos
14 a 20 puntos (Landsat 5 MMS ndash seguacuten Bernstein R y D G Ferneyhough Jr 1978)
100 a 120 puntos (Landsat 7 TM ndash seguacuten el National Remote Sensing Center de Inglaterra)
10 o 12 puntos (Pequentildea zona de 512 x 512 pixeles ndash seguacuten Emilio Chuvieco 2010)
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
matemaacuteticamente UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
QUE DEBEMOS DE CONSIDERAR EN CUANTO A LA LOCALIZACIOacuteN
CLARAMENTE IDENTIFICABLES EN IMAGEN Y MAPA RASGOS HUMANOS DEL PAISAJE NO SUJETOS A DINAMISMO TEMPORAL
CRUCE DE CARRETERAS
CAMINOS VIacuteA FEacuteRREAS
NO CONSIDERAR ELEMENTOS ASOCIADOS AL AGUA
COSTA CURSOS DE AGUA
EMBALSES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
localizacioacuten TCP UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la correccioacuten digital de la geometriacutea de una imagen se realiza a partir de establecer unas funciones que relacionen las coordenadas de la imagen
y las coordenadas del mapa
EJ CASO MAS SIMPLE REGRESIOacuteN LINEAL MUacuteLTIPLE
ci = a0 + a1 Xi + a2 Yi li = b0 + b1 Xi + b2 Yi
EN LA PRAacuteCTICA BASTA UNA FUNCIOacuteN LINEAL PARA ABORDAR UN GRAN NUacuteMERO DE
TRANSFORMACIONES Y SON SUFICIENTES SI LAS IMAacuteGENES NO SON MUY GRANDES ANTE LA NECESIDAD DE OTRAS TRANSFORMACIONES SE UTILIZAN DE 2ordm y 3ordm ORDEN CONSIDERANDO ALTERACIONES GEOMEacuteTRICAS NO LINEALES (FUNCIONES QUE NO SE DEFINEN EN UN PLANO
CON EJES LINEALES SINO QUE SUPERFICIES CON EJES CURVILIacuteNEOS)
LOS COEFICIENTES DE LAS FUNCIONES DE TRANSFORMACIOacuteN SE CALCULAN A PARTIR DE UN AJUSTE POR MIacuteNIMOS CUADRADOS
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
funciones de transformacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash ejemplos de funciones de transformacioacuten geomeacutetrica con el efecto causado
TRASLACIOacuteN
CAMBIO DE ESCALA
INCLINACIOacuteN
PERSPECTIVA
ROTACIOacuteN
x = a0 + xacute y = b0 + yacute
x = xacute + a2 yacute y = yacute
x = a1 xacute y = b1 yacute
x = a3xacute yacute y = yacute
x = a4xacute + a5yacute y = b4xacute + b5yacute a4 = b5 = cos Ɵ a5 = -b4 = sen Ɵ
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
transformacioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
comparacioacuten coordenadas reales y las estimadas por la regresioacuten
el promedio de los residuales se conoce como error medio cuadraacutetico
la calidad del ajuste lo da el RMSE (root mean squared error)
(error medio cuadraacutetico)
RMSE es la raiacutez cuadrada de las desviaciones entre los valores reales y los
calculados
RMSE para cada punto es la raiacutez de los residuales al cuadrado que es la distancia entre ellos
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
RMSE UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la praacutectica hace que fijemos una TOLERANCIA y es que si ese promedio supera un valor fijado previamente haya que rever
el valor fijado previamente generalmente es igual o menor a un PIXEL
una correcta verificacioacuten
NECESITA introducir PUNTOS de VERIFICACIOacuteN
que no hayan sido introducidos en el ajuste
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
tolerancias fijadas
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
traducimos coordenadas de un mapa a la imagen tambieacuten necesitamos a la nueva imagen
TRANSFERIR LOS VALORES DIGITALES no olvidar que lo que queremos es generar una nueva imagen que se
corresponda con las coordenadas y las funciones de ajuste
NO ORIGINAN NUEVA IMAGEN solo colocan a los pixeles en la posicioacuten correcta
en criollo las funciones de transformacioacuten generan una nueva matriz bien posicionada pero vaciacutea
DEBEMOS LLENAR LA MATRIZ problema maacutes complejo de lo que puede
pensarse Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
generacioacuten de la nueva imaacutegen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
cada pixel de la imagen corregida se corresponderiacutea con un pixel de la imagen original
LEJOS DE ESE IDEAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo I
vecino maacutes proacuteximo ( nearest neighbour )
a cada celda de la imagen corregida se asigna el ND del pixel maacutes cercano de la
imagen original
SOLUCIOacuteN RAacutePIDA MENOR DISTORSIOacuteN DE LOS ND
INTRODUCE RASGOS LINEALES QUE DISTORSIONAN
CORRECCIOacuteN DE IMAacuteGENES CLASIFICADAS
CONSERVAR LA RADIOMETRIacuteA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo II
interpolacioacuten bilineal ( bilinear interpolation )
supone promediar los ND de los cuatro pixeles mas cercanos
con ponderacioacuten seguacuten la distancia pixeles originalcorregido
REDUCE EL EFECTO DE DISTORSIOacuteN EN RASGOS LINEALES
TIENDE A DIFUMINAR LOS CONTRASTES ESPACIALES
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE IMAacuteGENES RECTIFICADAS MAPAS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo III
convolusioacuten cuacutebica ( cubic convolution )
supone considerar los ND de los 16 pixeles mas proacuteximos
media ponderada seguacuten la distancia pixeles originalcorregido
EFECTO VISUAL MAS CORRECTO
VOLUacuteMEN DE CAacuteLCULO MUY SUPERIOR TENDENCIA A AGUDIZAR BORDES DE LA IMAGEN
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE ORTOIMAacuteGENES IMPRESIONES DE CALIDAD
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
frecuencial
EXPANSIOacuteN II
frecuencial ecualizacioacuten del
histograma
cuando los valores de ND no estaacuten distribuidos uniformemente intentar en la medida de lo posible que los valores de salida de los ND tengan el mismo de pixeles con dicho valor
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CONTRASTE EN UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
compresioacuten del contraste
Ya sabemos que el contraste mide el rango dinaacutemico de los colores en la imagen es decir una imagen muy contrastada tiene un amplio abanico de colores (o tonos de gris) desde valores muy bajos a valores muy altos Para una imagen con poco contraste los colores estaacuten muy juntos el margen dinaacutemico es pequentildeo La variacioacuten en el contraste aparece como una compresioacuten del histograma en caso de una reduccioacuten a la inversa de lo visto en el caso de una expansioacuten
Compresioacuten si el rango excede de las capacidades del sistema
Se ha de comparar el nuacutemero de niveles digitales (ND) de la imagen con los niveles de visualizacioacuten (NV) o grises del sistema Es de menos aplicacioacuten Al igual que el brillo variando el contraste se puede provocar una peacuterdida de informacioacuten de la imagen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
MAYOR APLICABILIDAD DEL REALCE
ENTENDIENDO LAS IMAacuteGENES
realce oacuteptimo
realce frecuencial
realce lineal
laquo r e a l c e oacute p t i m o raquo optimiza interpretacioacuten de la imagen
mejor esteacutetica de la imagen NO COINCIDE CON NINGUacuteN CORTE PREDETERMINADO
Y SE LOGRA INTERACTIVAMENTE EN PANTALLA Y PARA CADA BANDA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
COMPOSICIONES COLOR
ENTENDIENDO LAS IMAacuteGENES
formatos de composiciones
CON LA CRECIENTE APARICIOacuteN DE LOS SENSORES HIPERESPECTRALES LAS POSIBILIDADES DE COMPOSICIONES
COLOREADAS DE BANDAS SON CASI ILIMITADAS
LA ELECCIOacuteN DE LAS BANDAS PARA REALIZAR LA COMPOSICIOacuteN Y EL ORDEN DE LAS BANDAS ASIGANADAS A LOS COLORES
PRIMARIOS DEPENDERAacute DE
Sensor Aplicacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EL SEUDO - COLOR
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm formatos de
composiciones
Ya hemos afirmado de que el ojo humano es maacutes capaz de distinguir tonos de color que intensidades de brillo
Por ello el empleo del color ayuda a la interpretacioacuten incluso cuando podamos tener una sola imagen de una banda
Es aquiacute que hablamos del SEUDO COLOR por no contar con tres bandas
El seudo color implica la creacioacuten de una CLUT que asocie el ND de una sola banda a distintos componentes del R V y A APLICACIONES 1 Para tener una leyenda de colores para una img clasificada 2 Para realzar el anaacutelisis de una determinada banda y sustituir los tonos de gris por una paleta de colores
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CLUT COLOUR LOOK-UP TABLE TABLA DE CONSULTA DE COLOR
ENTENDIENDO LAS IMAacuteGENES
httpsenwikipediaorgwikiColour_look-up_table
creacioacuten del seudo color
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Filtros espaciales Concepto de kernel Filtros paso bajo y paso alto Filtros direccionales Anomaliacuteas y correccioacuten atmosfeacuterica Correcciones radiomeacutetricas Anomaliacuteas radiomeacutetricas Fallos en el sensorCorreccioacuten atmosfeacuterica concepto Meacutetodo valores miacutenimos Regresioacuten entre bandas Dispersioacuten por aerosolesCalibracioacuten Caso misioacuten Landsat
47 Interpretacioacuten de Imaacutegenes
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de que es un filtro
espacial
FUNCIONES PARA MEJORAR ASPECTO DE LAS IMAacuteGENES
REALZAN O DISMINUYEN ELEMENTOS VISUALES DE LA IMG
BASADOS EN LA FRECUENCIA ESPACIAL
FRECUENCIAS ESPACIALES ALTAS Variaciones que se producen en pocos piacutexeles TENDENCIA GENERAL FRECUENCIAS ESPACIALES BAJAS
Variaciones que se producen en muchos piacutexeles CONTRASTES LOCALES
FILTROS Figura - CCRS CCT
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de kernel
FILTRADO ESPACIAL Figura - CCRS CCT FILTRADO EN EL DOMINIO
ESPACIAL Lo mas comuacuten es la aplicacioacuten de una ventana deslizante con valores que son coeficientes fijos de una matriz La MATRIZ se suele llamar KERNEL o nuacutecleo del filtro
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DIGITAL
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
3 x 3 5 x 5 7 x 7
1 1 1
1 2 1
1 1 1 matrices
LOS VALORES DEL KERNEL SE MULTIPLICAN POR EL PIacuteXEL QUE TIENEN DEBAJO Y LUEGO SE SUMAN TODOS LOS PRODUCTOS
Y PARA OBTENER EL VALOR DEL PIacuteXEL CENTRAL EN LA IMAGEN TRANSFORMADA SE LO DIVIDE POR LA SUMA DE LOS PONDERADOS O PESOS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO - PASO BAJO PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
26
FILTROS DE PASO BAJO SE FAVORECEN A LOS PIXELES
PERIFEacuteRICOS SE MINIMIZAN LAS DIFERENCIAS CON LOS VECINOS ES UNA ESPECIE DE SUAVIZADO
FILTRO DE PASO ALTO PONDERACIOacuteN DEL VALOR CENTRAL EN DETRIMENTO DE LOS CIRCUNDANTES
SE EXAGERAN DIFERENCIAS Y SE RESALTAN VARIACIONES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO BAJO
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm
simulacioacuten
IMAGEN ORIGINAL
FILTRO PASO BAJO 3x3 SE TRATA DE ASEMEJAR LOS VALORES DE ND DE UN PIXEL A LOS VALORES VECINOS EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA OFRECE PERFILES MENOS NIacuteTIDOS
FILTRO PASO BAJO 7x7 SIRVE PARA REDUCIR VARIABILIDAD ESPACIAL DE ALGUNA CATEGORIacuteA ANTES DE UN PROCESO DE CLASIFICACIOacuteN
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
IMAGEN ORIGINAL
FILTRO PASO ALTO 3x3 SE TRATA DE AISLAR LOS COMPONENTES DE ALTA FRECUENCIA Y REMARCAR DIGITALMENTE CONTRASTES EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA REFUERZA LOS CONTORNOS EN AacuteREAS HOMOGEacuteNEAS
FILTRO PASO ALTO 7x7 SIRVE PARA LOGRAR REALCES DE RASGOS LINEALES COMO PUEDEN SER EN AacuteREAS URBANAS O RASGOS GEOLOacuteGICOS
simulacioacuten
httpgeograuahesrtm
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
Figura - Landsat USGS
IMAGEN ORIGINAL
FILTRO DIRECCIONAL PERMITEN IDENTIFICAR LOS RASGOS FRONTERIZOS EN LAS IMAacuteGENES COMO LOS FILTROS ANTERIORES PERO AHORA CONSIDERANDO LA ORIENTACIOacuteN
se tiene en cuenta la
orientacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
matrices con direccioacuten
NORTE
1 1 1
1 -2 1
-1 -1 -1
SUR
-1 -1 -1
1 -2 1
1 1 1
ESTE
-1 1 1
-1 -2 1
-1 1 1
OESTE
1 1 -1
1 -2 -1
1 1 -1
SURESTE
-1 -1 1
-1 -2 1
1 1 1
NOROESTE
1 1 1
1 -2 -1
1 -1 -1
SUROESTE
1 -1 -1
1 -2 -1
1 1 1
NORESTE
1 1 1
-1 -2 1
-1 -1 1
OBSERVACIOacuteN
LOS NOMBRES OBEDECEN A LA DIRECCIOacuteN DEL CONTRASTE QUE SENtildeALAN
LA DIRECCIOacuteN QUE REALZAN ES JUSTAMENTE LA PERPENDICULAR
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
48 Interpretacioacuten de Imaacutegenes
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Correcciones geomeacutetricas Georreferenciacioacuten Uso de puntos de control Fuentes de error Procesamiento geomeacutetrico Correccioacuten Transformacioacuten geomeacutetrica Calidad y ajuste Generacioacuten de la nueva imagen Transferencia de ND
INSTITUTO DE AGRIMENSURA - DEPARTAMENTO DE GEOMAacuteTICA PROF ADJUNTO GRADO 3 EDISON J ROSAS BERTON
El tratamiento de una imagen de sateacutelite Georreferenciacioacuten
(paso de un sistema de filas y columnas a un sistema de coordenadas estandard)
Para ello debe obtenerse una muestra de puntos de control de los que conozcamos tanto sus coordenadas reales como sus coordenadas en
la imagen deben ser por tanto objetos de un tamantildeo adecuado para resultar identificables tanto en la imagen como sobre el terreno el tamantildeo
dependeraacute loacutegicamente de la resolucioacuten de la imagen A partir de estos puntos de control se obtendraacuten por regresioacuten unas ecuaciones que permitiraacuten a cada par filacolumna un par de coordenadas
XY
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
GEORREFERENCIACIOacuteN
ENTENDIENDO LAS IMAacuteGENES
georreferenciacioacuten porqueacute
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PUNTOS DE CONTROL
ENTENDIENDO LAS IMAacuteGENES
uso de puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
DISTORSIONES POR LA PLATAFORMA ALTITUD DE LA OacuteRBITA ndash Cambio de escala
VELOCIDAD ndash Cambios de escala ORIENTACIOacuteN DE LOS TRES EJES ndash Distorsiones en la geometriacutea
NO SISTEMAacuteTICOS Y COMPLEJOS DE MODELAR
DISTORSIONES POR ROTACIOacuteN TERRESTRE
CONSIDERANDO ALTITUD (800 Km) y TAMANtildeO DE LA IMAGEN (180 Km)ndashEn latitudes medias tarda en adquirir unos 30 segundos la Tierra se desplaza unos 8 Km
ORIENTACIOacuteN NE SW
DISTORSIONES POR EL SENSOR ANOMALIacuteAS SENSOR y MOVIMIENTO ESPEJO ndash Barrido no lineal o cambio en intervalos
AacuteNGULO DE BARRIDO ndash Variacioacuten en el tamantildeo de pixel
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ERROR EN UNA IMAGEN ESPACIAL
ENTENDIENDO LAS IMAacuteGENES
fuentes de error
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Una correccioacuten geomeacutetrica incluye CUALQUIER CAMBIO EN LA POSICIOacuteN DE LOS PIXELES que
conforman la imagen f (c`) = f1 (c l) f (x y) f (l`) = f2 (c l) f (x y)
COORDENADAS DE IMAGEN CORREGIDA SON FUNCIOacuteN DE COORDENADAS COLUMNA Y LIacuteNEA DE LA
IMAGEN DE ENTRADA O DE LAS COORDENADAS DE MAPA AL QUE SUPERPONDREMOS LA IMAGEN
1 CON OBJETIVO DE REALIZAR UNA TRANSFORMACIOacuteN GEOMEacuteTRICA QUE PERMITA AJUSTARLA A OTRA IMAGEN REFERENCIA NORMALMENTE PARA REALIZAR ESTUDIOS MULTITEMPORALES O MOSAICOS CON EL FIN DE AMPLIAR LOS DATOS E INFORMACIOacuteN DE UNA ZONA
2 ESTO PERMITIRAacute QUE LA NUEVA IMAGEN LA PUEDA INTEGRAR CON INFORMACIOacuteN DE OTRAS FUENTES POR EJEMPLO EN UN AMBIENTE SIG
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
correccioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
asumimos que
NO SE CONOCE EL ORIGEN DE LOS ERRORES
modelamos
ECUACIONES EMPIacuteRICAS
aplicadas a un conjunto de puntos
COORDENADAS CONOCIDAS IMAGEN INPUT e IMAGEN OUTPUT
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
1 ndash SELECCIOacuteN DE REFERENCIAS 2 ndash ECUACIONES DE AJUSTE
3 ndash GENERACIOacuteN DE LA IMAGEN CORREGIDA
ES OBVIO CALIDAD DEL AJUSTE DEPENDERAacute DE PRECISIOacuteN CON QUE SE
LOCALICEN LOS PUNTOS DE CONTROL INEXACTA LOCALIZACIOacuteN
DISTRIBUCIOacuteN MUY SECTORIZADA NUacuteMERO DE PUNTOS DE CONTROL INADECUADO
ESTABLECER LOS PUNTOS DE CONTROL FASE MAS CRUCIAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
procesamiento de la correccioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Resaltamos la importancia de
NUacuteMERO LOCALIZACIOacuteN DISTRIBUCIOacuteN
Que debemos atender Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
que considero UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash Croquis ilustrativos de apoyo
TERRENO O ZONAS PLANAS CON IMG OBTENIDAS POR UN SENSOR DE ESTRECHA VISIOacuteN DE CAMPO
TRANSFORMACIOacuteN
BASADO EN ECUACIONES LINEALES SIMPLES
TERRENO ESCARPADO O RUGOSO O UTILIZACIOacuteN DE IMG OBTENIDAS EN UN SENSOR CON VARIACIONES EN LAS CONDICIONES DE OBSERVACIOacuteN
TRANSFORMACIOacuteN MAacuteS COMPLEJA
POLINOMIOS DE SEGUNDO O TERCER ORDEN
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Desde un punto de vista matemaacutetico
GRADO 1 ndash 3 puntos GRADO 2 ndash 6 puntos GRADO 3 ndash 10 puntos
Seguacuten mis objetivos del trabajo no es conveniente utilizar esos miacutenimos
14 a 20 puntos (Landsat 5 MMS ndash seguacuten Bernstein R y D G Ferneyhough Jr 1978)
100 a 120 puntos (Landsat 7 TM ndash seguacuten el National Remote Sensing Center de Inglaterra)
10 o 12 puntos (Pequentildea zona de 512 x 512 pixeles ndash seguacuten Emilio Chuvieco 2010)
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
matemaacuteticamente UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
QUE DEBEMOS DE CONSIDERAR EN CUANTO A LA LOCALIZACIOacuteN
CLARAMENTE IDENTIFICABLES EN IMAGEN Y MAPA RASGOS HUMANOS DEL PAISAJE NO SUJETOS A DINAMISMO TEMPORAL
CRUCE DE CARRETERAS
CAMINOS VIacuteA FEacuteRREAS
NO CONSIDERAR ELEMENTOS ASOCIADOS AL AGUA
COSTA CURSOS DE AGUA
EMBALSES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
localizacioacuten TCP UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la correccioacuten digital de la geometriacutea de una imagen se realiza a partir de establecer unas funciones que relacionen las coordenadas de la imagen
y las coordenadas del mapa
EJ CASO MAS SIMPLE REGRESIOacuteN LINEAL MUacuteLTIPLE
ci = a0 + a1 Xi + a2 Yi li = b0 + b1 Xi + b2 Yi
EN LA PRAacuteCTICA BASTA UNA FUNCIOacuteN LINEAL PARA ABORDAR UN GRAN NUacuteMERO DE
TRANSFORMACIONES Y SON SUFICIENTES SI LAS IMAacuteGENES NO SON MUY GRANDES ANTE LA NECESIDAD DE OTRAS TRANSFORMACIONES SE UTILIZAN DE 2ordm y 3ordm ORDEN CONSIDERANDO ALTERACIONES GEOMEacuteTRICAS NO LINEALES (FUNCIONES QUE NO SE DEFINEN EN UN PLANO
CON EJES LINEALES SINO QUE SUPERFICIES CON EJES CURVILIacuteNEOS)
LOS COEFICIENTES DE LAS FUNCIONES DE TRANSFORMACIOacuteN SE CALCULAN A PARTIR DE UN AJUSTE POR MIacuteNIMOS CUADRADOS
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
funciones de transformacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash ejemplos de funciones de transformacioacuten geomeacutetrica con el efecto causado
TRASLACIOacuteN
CAMBIO DE ESCALA
INCLINACIOacuteN
PERSPECTIVA
ROTACIOacuteN
x = a0 + xacute y = b0 + yacute
x = xacute + a2 yacute y = yacute
x = a1 xacute y = b1 yacute
x = a3xacute yacute y = yacute
x = a4xacute + a5yacute y = b4xacute + b5yacute a4 = b5 = cos Ɵ a5 = -b4 = sen Ɵ
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
transformacioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
comparacioacuten coordenadas reales y las estimadas por la regresioacuten
el promedio de los residuales se conoce como error medio cuadraacutetico
la calidad del ajuste lo da el RMSE (root mean squared error)
(error medio cuadraacutetico)
RMSE es la raiacutez cuadrada de las desviaciones entre los valores reales y los
calculados
RMSE para cada punto es la raiacutez de los residuales al cuadrado que es la distancia entre ellos
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
RMSE UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la praacutectica hace que fijemos una TOLERANCIA y es que si ese promedio supera un valor fijado previamente haya que rever
el valor fijado previamente generalmente es igual o menor a un PIXEL
una correcta verificacioacuten
NECESITA introducir PUNTOS de VERIFICACIOacuteN
que no hayan sido introducidos en el ajuste
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
tolerancias fijadas
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
traducimos coordenadas de un mapa a la imagen tambieacuten necesitamos a la nueva imagen
TRANSFERIR LOS VALORES DIGITALES no olvidar que lo que queremos es generar una nueva imagen que se
corresponda con las coordenadas y las funciones de ajuste
NO ORIGINAN NUEVA IMAGEN solo colocan a los pixeles en la posicioacuten correcta
en criollo las funciones de transformacioacuten generan una nueva matriz bien posicionada pero vaciacutea
DEBEMOS LLENAR LA MATRIZ problema maacutes complejo de lo que puede
pensarse Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
generacioacuten de la nueva imaacutegen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
cada pixel de la imagen corregida se corresponderiacutea con un pixel de la imagen original
LEJOS DE ESE IDEAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo I
vecino maacutes proacuteximo ( nearest neighbour )
a cada celda de la imagen corregida se asigna el ND del pixel maacutes cercano de la
imagen original
SOLUCIOacuteN RAacutePIDA MENOR DISTORSIOacuteN DE LOS ND
INTRODUCE RASGOS LINEALES QUE DISTORSIONAN
CORRECCIOacuteN DE IMAacuteGENES CLASIFICADAS
CONSERVAR LA RADIOMETRIacuteA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo II
interpolacioacuten bilineal ( bilinear interpolation )
supone promediar los ND de los cuatro pixeles mas cercanos
con ponderacioacuten seguacuten la distancia pixeles originalcorregido
REDUCE EL EFECTO DE DISTORSIOacuteN EN RASGOS LINEALES
TIENDE A DIFUMINAR LOS CONTRASTES ESPACIALES
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE IMAacuteGENES RECTIFICADAS MAPAS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo III
convolusioacuten cuacutebica ( cubic convolution )
supone considerar los ND de los 16 pixeles mas proacuteximos
media ponderada seguacuten la distancia pixeles originalcorregido
EFECTO VISUAL MAS CORRECTO
VOLUacuteMEN DE CAacuteLCULO MUY SUPERIOR TENDENCIA A AGUDIZAR BORDES DE LA IMAGEN
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE ORTOIMAacuteGENES IMPRESIONES DE CALIDAD
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CONTRASTE EN UNA IMAGEN
ENTENDIENDO LAS IMAacuteGENES
compresioacuten del contraste
Ya sabemos que el contraste mide el rango dinaacutemico de los colores en la imagen es decir una imagen muy contrastada tiene un amplio abanico de colores (o tonos de gris) desde valores muy bajos a valores muy altos Para una imagen con poco contraste los colores estaacuten muy juntos el margen dinaacutemico es pequentildeo La variacioacuten en el contraste aparece como una compresioacuten del histograma en caso de una reduccioacuten a la inversa de lo visto en el caso de una expansioacuten
Compresioacuten si el rango excede de las capacidades del sistema
Se ha de comparar el nuacutemero de niveles digitales (ND) de la imagen con los niveles de visualizacioacuten (NV) o grises del sistema Es de menos aplicacioacuten Al igual que el brillo variando el contraste se puede provocar una peacuterdida de informacioacuten de la imagen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
MAYOR APLICABILIDAD DEL REALCE
ENTENDIENDO LAS IMAacuteGENES
realce oacuteptimo
realce frecuencial
realce lineal
laquo r e a l c e oacute p t i m o raquo optimiza interpretacioacuten de la imagen
mejor esteacutetica de la imagen NO COINCIDE CON NINGUacuteN CORTE PREDETERMINADO
Y SE LOGRA INTERACTIVAMENTE EN PANTALLA Y PARA CADA BANDA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
COMPOSICIONES COLOR
ENTENDIENDO LAS IMAacuteGENES
formatos de composiciones
CON LA CRECIENTE APARICIOacuteN DE LOS SENSORES HIPERESPECTRALES LAS POSIBILIDADES DE COMPOSICIONES
COLOREADAS DE BANDAS SON CASI ILIMITADAS
LA ELECCIOacuteN DE LAS BANDAS PARA REALIZAR LA COMPOSICIOacuteN Y EL ORDEN DE LAS BANDAS ASIGANADAS A LOS COLORES
PRIMARIOS DEPENDERAacute DE
Sensor Aplicacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EL SEUDO - COLOR
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm formatos de
composiciones
Ya hemos afirmado de que el ojo humano es maacutes capaz de distinguir tonos de color que intensidades de brillo
Por ello el empleo del color ayuda a la interpretacioacuten incluso cuando podamos tener una sola imagen de una banda
Es aquiacute que hablamos del SEUDO COLOR por no contar con tres bandas
El seudo color implica la creacioacuten de una CLUT que asocie el ND de una sola banda a distintos componentes del R V y A APLICACIONES 1 Para tener una leyenda de colores para una img clasificada 2 Para realzar el anaacutelisis de una determinada banda y sustituir los tonos de gris por una paleta de colores
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CLUT COLOUR LOOK-UP TABLE TABLA DE CONSULTA DE COLOR
ENTENDIENDO LAS IMAacuteGENES
httpsenwikipediaorgwikiColour_look-up_table
creacioacuten del seudo color
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Filtros espaciales Concepto de kernel Filtros paso bajo y paso alto Filtros direccionales Anomaliacuteas y correccioacuten atmosfeacuterica Correcciones radiomeacutetricas Anomaliacuteas radiomeacutetricas Fallos en el sensorCorreccioacuten atmosfeacuterica concepto Meacutetodo valores miacutenimos Regresioacuten entre bandas Dispersioacuten por aerosolesCalibracioacuten Caso misioacuten Landsat
47 Interpretacioacuten de Imaacutegenes
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de que es un filtro
espacial
FUNCIONES PARA MEJORAR ASPECTO DE LAS IMAacuteGENES
REALZAN O DISMINUYEN ELEMENTOS VISUALES DE LA IMG
BASADOS EN LA FRECUENCIA ESPACIAL
FRECUENCIAS ESPACIALES ALTAS Variaciones que se producen en pocos piacutexeles TENDENCIA GENERAL FRECUENCIAS ESPACIALES BAJAS
Variaciones que se producen en muchos piacutexeles CONTRASTES LOCALES
FILTROS Figura - CCRS CCT
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de kernel
FILTRADO ESPACIAL Figura - CCRS CCT FILTRADO EN EL DOMINIO
ESPACIAL Lo mas comuacuten es la aplicacioacuten de una ventana deslizante con valores que son coeficientes fijos de una matriz La MATRIZ se suele llamar KERNEL o nuacutecleo del filtro
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DIGITAL
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
3 x 3 5 x 5 7 x 7
1 1 1
1 2 1
1 1 1 matrices
LOS VALORES DEL KERNEL SE MULTIPLICAN POR EL PIacuteXEL QUE TIENEN DEBAJO Y LUEGO SE SUMAN TODOS LOS PRODUCTOS
Y PARA OBTENER EL VALOR DEL PIacuteXEL CENTRAL EN LA IMAGEN TRANSFORMADA SE LO DIVIDE POR LA SUMA DE LOS PONDERADOS O PESOS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO - PASO BAJO PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
26
FILTROS DE PASO BAJO SE FAVORECEN A LOS PIXELES
PERIFEacuteRICOS SE MINIMIZAN LAS DIFERENCIAS CON LOS VECINOS ES UNA ESPECIE DE SUAVIZADO
FILTRO DE PASO ALTO PONDERACIOacuteN DEL VALOR CENTRAL EN DETRIMENTO DE LOS CIRCUNDANTES
SE EXAGERAN DIFERENCIAS Y SE RESALTAN VARIACIONES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO BAJO
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm
simulacioacuten
IMAGEN ORIGINAL
FILTRO PASO BAJO 3x3 SE TRATA DE ASEMEJAR LOS VALORES DE ND DE UN PIXEL A LOS VALORES VECINOS EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA OFRECE PERFILES MENOS NIacuteTIDOS
FILTRO PASO BAJO 7x7 SIRVE PARA REDUCIR VARIABILIDAD ESPACIAL DE ALGUNA CATEGORIacuteA ANTES DE UN PROCESO DE CLASIFICACIOacuteN
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
IMAGEN ORIGINAL
FILTRO PASO ALTO 3x3 SE TRATA DE AISLAR LOS COMPONENTES DE ALTA FRECUENCIA Y REMARCAR DIGITALMENTE CONTRASTES EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA REFUERZA LOS CONTORNOS EN AacuteREAS HOMOGEacuteNEAS
FILTRO PASO ALTO 7x7 SIRVE PARA LOGRAR REALCES DE RASGOS LINEALES COMO PUEDEN SER EN AacuteREAS URBANAS O RASGOS GEOLOacuteGICOS
simulacioacuten
httpgeograuahesrtm
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
Figura - Landsat USGS
IMAGEN ORIGINAL
FILTRO DIRECCIONAL PERMITEN IDENTIFICAR LOS RASGOS FRONTERIZOS EN LAS IMAacuteGENES COMO LOS FILTROS ANTERIORES PERO AHORA CONSIDERANDO LA ORIENTACIOacuteN
se tiene en cuenta la
orientacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
matrices con direccioacuten
NORTE
1 1 1
1 -2 1
-1 -1 -1
SUR
-1 -1 -1
1 -2 1
1 1 1
ESTE
-1 1 1
-1 -2 1
-1 1 1
OESTE
1 1 -1
1 -2 -1
1 1 -1
SURESTE
-1 -1 1
-1 -2 1
1 1 1
NOROESTE
1 1 1
1 -2 -1
1 -1 -1
SUROESTE
1 -1 -1
1 -2 -1
1 1 1
NORESTE
1 1 1
-1 -2 1
-1 -1 1
OBSERVACIOacuteN
LOS NOMBRES OBEDECEN A LA DIRECCIOacuteN DEL CONTRASTE QUE SENtildeALAN
LA DIRECCIOacuteN QUE REALZAN ES JUSTAMENTE LA PERPENDICULAR
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
48 Interpretacioacuten de Imaacutegenes
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Correcciones geomeacutetricas Georreferenciacioacuten Uso de puntos de control Fuentes de error Procesamiento geomeacutetrico Correccioacuten Transformacioacuten geomeacutetrica Calidad y ajuste Generacioacuten de la nueva imagen Transferencia de ND
INSTITUTO DE AGRIMENSURA - DEPARTAMENTO DE GEOMAacuteTICA PROF ADJUNTO GRADO 3 EDISON J ROSAS BERTON
El tratamiento de una imagen de sateacutelite Georreferenciacioacuten
(paso de un sistema de filas y columnas a un sistema de coordenadas estandard)
Para ello debe obtenerse una muestra de puntos de control de los que conozcamos tanto sus coordenadas reales como sus coordenadas en
la imagen deben ser por tanto objetos de un tamantildeo adecuado para resultar identificables tanto en la imagen como sobre el terreno el tamantildeo
dependeraacute loacutegicamente de la resolucioacuten de la imagen A partir de estos puntos de control se obtendraacuten por regresioacuten unas ecuaciones que permitiraacuten a cada par filacolumna un par de coordenadas
XY
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
GEORREFERENCIACIOacuteN
ENTENDIENDO LAS IMAacuteGENES
georreferenciacioacuten porqueacute
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PUNTOS DE CONTROL
ENTENDIENDO LAS IMAacuteGENES
uso de puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
DISTORSIONES POR LA PLATAFORMA ALTITUD DE LA OacuteRBITA ndash Cambio de escala
VELOCIDAD ndash Cambios de escala ORIENTACIOacuteN DE LOS TRES EJES ndash Distorsiones en la geometriacutea
NO SISTEMAacuteTICOS Y COMPLEJOS DE MODELAR
DISTORSIONES POR ROTACIOacuteN TERRESTRE
CONSIDERANDO ALTITUD (800 Km) y TAMANtildeO DE LA IMAGEN (180 Km)ndashEn latitudes medias tarda en adquirir unos 30 segundos la Tierra se desplaza unos 8 Km
ORIENTACIOacuteN NE SW
DISTORSIONES POR EL SENSOR ANOMALIacuteAS SENSOR y MOVIMIENTO ESPEJO ndash Barrido no lineal o cambio en intervalos
AacuteNGULO DE BARRIDO ndash Variacioacuten en el tamantildeo de pixel
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ERROR EN UNA IMAGEN ESPACIAL
ENTENDIENDO LAS IMAacuteGENES
fuentes de error
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Una correccioacuten geomeacutetrica incluye CUALQUIER CAMBIO EN LA POSICIOacuteN DE LOS PIXELES que
conforman la imagen f (c`) = f1 (c l) f (x y) f (l`) = f2 (c l) f (x y)
COORDENADAS DE IMAGEN CORREGIDA SON FUNCIOacuteN DE COORDENADAS COLUMNA Y LIacuteNEA DE LA
IMAGEN DE ENTRADA O DE LAS COORDENADAS DE MAPA AL QUE SUPERPONDREMOS LA IMAGEN
1 CON OBJETIVO DE REALIZAR UNA TRANSFORMACIOacuteN GEOMEacuteTRICA QUE PERMITA AJUSTARLA A OTRA IMAGEN REFERENCIA NORMALMENTE PARA REALIZAR ESTUDIOS MULTITEMPORALES O MOSAICOS CON EL FIN DE AMPLIAR LOS DATOS E INFORMACIOacuteN DE UNA ZONA
2 ESTO PERMITIRAacute QUE LA NUEVA IMAGEN LA PUEDA INTEGRAR CON INFORMACIOacuteN DE OTRAS FUENTES POR EJEMPLO EN UN AMBIENTE SIG
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
correccioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
asumimos que
NO SE CONOCE EL ORIGEN DE LOS ERRORES
modelamos
ECUACIONES EMPIacuteRICAS
aplicadas a un conjunto de puntos
COORDENADAS CONOCIDAS IMAGEN INPUT e IMAGEN OUTPUT
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
1 ndash SELECCIOacuteN DE REFERENCIAS 2 ndash ECUACIONES DE AJUSTE
3 ndash GENERACIOacuteN DE LA IMAGEN CORREGIDA
ES OBVIO CALIDAD DEL AJUSTE DEPENDERAacute DE PRECISIOacuteN CON QUE SE
LOCALICEN LOS PUNTOS DE CONTROL INEXACTA LOCALIZACIOacuteN
DISTRIBUCIOacuteN MUY SECTORIZADA NUacuteMERO DE PUNTOS DE CONTROL INADECUADO
ESTABLECER LOS PUNTOS DE CONTROL FASE MAS CRUCIAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
procesamiento de la correccioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Resaltamos la importancia de
NUacuteMERO LOCALIZACIOacuteN DISTRIBUCIOacuteN
Que debemos atender Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
que considero UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash Croquis ilustrativos de apoyo
TERRENO O ZONAS PLANAS CON IMG OBTENIDAS POR UN SENSOR DE ESTRECHA VISIOacuteN DE CAMPO
TRANSFORMACIOacuteN
BASADO EN ECUACIONES LINEALES SIMPLES
TERRENO ESCARPADO O RUGOSO O UTILIZACIOacuteN DE IMG OBTENIDAS EN UN SENSOR CON VARIACIONES EN LAS CONDICIONES DE OBSERVACIOacuteN
TRANSFORMACIOacuteN MAacuteS COMPLEJA
POLINOMIOS DE SEGUNDO O TERCER ORDEN
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Desde un punto de vista matemaacutetico
GRADO 1 ndash 3 puntos GRADO 2 ndash 6 puntos GRADO 3 ndash 10 puntos
Seguacuten mis objetivos del trabajo no es conveniente utilizar esos miacutenimos
14 a 20 puntos (Landsat 5 MMS ndash seguacuten Bernstein R y D G Ferneyhough Jr 1978)
100 a 120 puntos (Landsat 7 TM ndash seguacuten el National Remote Sensing Center de Inglaterra)
10 o 12 puntos (Pequentildea zona de 512 x 512 pixeles ndash seguacuten Emilio Chuvieco 2010)
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
matemaacuteticamente UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
QUE DEBEMOS DE CONSIDERAR EN CUANTO A LA LOCALIZACIOacuteN
CLARAMENTE IDENTIFICABLES EN IMAGEN Y MAPA RASGOS HUMANOS DEL PAISAJE NO SUJETOS A DINAMISMO TEMPORAL
CRUCE DE CARRETERAS
CAMINOS VIacuteA FEacuteRREAS
NO CONSIDERAR ELEMENTOS ASOCIADOS AL AGUA
COSTA CURSOS DE AGUA
EMBALSES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
localizacioacuten TCP UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la correccioacuten digital de la geometriacutea de una imagen se realiza a partir de establecer unas funciones que relacionen las coordenadas de la imagen
y las coordenadas del mapa
EJ CASO MAS SIMPLE REGRESIOacuteN LINEAL MUacuteLTIPLE
ci = a0 + a1 Xi + a2 Yi li = b0 + b1 Xi + b2 Yi
EN LA PRAacuteCTICA BASTA UNA FUNCIOacuteN LINEAL PARA ABORDAR UN GRAN NUacuteMERO DE
TRANSFORMACIONES Y SON SUFICIENTES SI LAS IMAacuteGENES NO SON MUY GRANDES ANTE LA NECESIDAD DE OTRAS TRANSFORMACIONES SE UTILIZAN DE 2ordm y 3ordm ORDEN CONSIDERANDO ALTERACIONES GEOMEacuteTRICAS NO LINEALES (FUNCIONES QUE NO SE DEFINEN EN UN PLANO
CON EJES LINEALES SINO QUE SUPERFICIES CON EJES CURVILIacuteNEOS)
LOS COEFICIENTES DE LAS FUNCIONES DE TRANSFORMACIOacuteN SE CALCULAN A PARTIR DE UN AJUSTE POR MIacuteNIMOS CUADRADOS
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
funciones de transformacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash ejemplos de funciones de transformacioacuten geomeacutetrica con el efecto causado
TRASLACIOacuteN
CAMBIO DE ESCALA
INCLINACIOacuteN
PERSPECTIVA
ROTACIOacuteN
x = a0 + xacute y = b0 + yacute
x = xacute + a2 yacute y = yacute
x = a1 xacute y = b1 yacute
x = a3xacute yacute y = yacute
x = a4xacute + a5yacute y = b4xacute + b5yacute a4 = b5 = cos Ɵ a5 = -b4 = sen Ɵ
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
transformacioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
comparacioacuten coordenadas reales y las estimadas por la regresioacuten
el promedio de los residuales se conoce como error medio cuadraacutetico
la calidad del ajuste lo da el RMSE (root mean squared error)
(error medio cuadraacutetico)
RMSE es la raiacutez cuadrada de las desviaciones entre los valores reales y los
calculados
RMSE para cada punto es la raiacutez de los residuales al cuadrado que es la distancia entre ellos
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
RMSE UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la praacutectica hace que fijemos una TOLERANCIA y es que si ese promedio supera un valor fijado previamente haya que rever
el valor fijado previamente generalmente es igual o menor a un PIXEL
una correcta verificacioacuten
NECESITA introducir PUNTOS de VERIFICACIOacuteN
que no hayan sido introducidos en el ajuste
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
tolerancias fijadas
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
traducimos coordenadas de un mapa a la imagen tambieacuten necesitamos a la nueva imagen
TRANSFERIR LOS VALORES DIGITALES no olvidar que lo que queremos es generar una nueva imagen que se
corresponda con las coordenadas y las funciones de ajuste
NO ORIGINAN NUEVA IMAGEN solo colocan a los pixeles en la posicioacuten correcta
en criollo las funciones de transformacioacuten generan una nueva matriz bien posicionada pero vaciacutea
DEBEMOS LLENAR LA MATRIZ problema maacutes complejo de lo que puede
pensarse Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
generacioacuten de la nueva imaacutegen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
cada pixel de la imagen corregida se corresponderiacutea con un pixel de la imagen original
LEJOS DE ESE IDEAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo I
vecino maacutes proacuteximo ( nearest neighbour )
a cada celda de la imagen corregida se asigna el ND del pixel maacutes cercano de la
imagen original
SOLUCIOacuteN RAacutePIDA MENOR DISTORSIOacuteN DE LOS ND
INTRODUCE RASGOS LINEALES QUE DISTORSIONAN
CORRECCIOacuteN DE IMAacuteGENES CLASIFICADAS
CONSERVAR LA RADIOMETRIacuteA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo II
interpolacioacuten bilineal ( bilinear interpolation )
supone promediar los ND de los cuatro pixeles mas cercanos
con ponderacioacuten seguacuten la distancia pixeles originalcorregido
REDUCE EL EFECTO DE DISTORSIOacuteN EN RASGOS LINEALES
TIENDE A DIFUMINAR LOS CONTRASTES ESPACIALES
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE IMAacuteGENES RECTIFICADAS MAPAS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo III
convolusioacuten cuacutebica ( cubic convolution )
supone considerar los ND de los 16 pixeles mas proacuteximos
media ponderada seguacuten la distancia pixeles originalcorregido
EFECTO VISUAL MAS CORRECTO
VOLUacuteMEN DE CAacuteLCULO MUY SUPERIOR TENDENCIA A AGUDIZAR BORDES DE LA IMAGEN
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE ORTOIMAacuteGENES IMPRESIONES DE CALIDAD
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
MAYOR APLICABILIDAD DEL REALCE
ENTENDIENDO LAS IMAacuteGENES
realce oacuteptimo
realce frecuencial
realce lineal
laquo r e a l c e oacute p t i m o raquo optimiza interpretacioacuten de la imagen
mejor esteacutetica de la imagen NO COINCIDE CON NINGUacuteN CORTE PREDETERMINADO
Y SE LOGRA INTERACTIVAMENTE EN PANTALLA Y PARA CADA BANDA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
COMPOSICIONES COLOR
ENTENDIENDO LAS IMAacuteGENES
formatos de composiciones
CON LA CRECIENTE APARICIOacuteN DE LOS SENSORES HIPERESPECTRALES LAS POSIBILIDADES DE COMPOSICIONES
COLOREADAS DE BANDAS SON CASI ILIMITADAS
LA ELECCIOacuteN DE LAS BANDAS PARA REALIZAR LA COMPOSICIOacuteN Y EL ORDEN DE LAS BANDAS ASIGANADAS A LOS COLORES
PRIMARIOS DEPENDERAacute DE
Sensor Aplicacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EL SEUDO - COLOR
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm formatos de
composiciones
Ya hemos afirmado de que el ojo humano es maacutes capaz de distinguir tonos de color que intensidades de brillo
Por ello el empleo del color ayuda a la interpretacioacuten incluso cuando podamos tener una sola imagen de una banda
Es aquiacute que hablamos del SEUDO COLOR por no contar con tres bandas
El seudo color implica la creacioacuten de una CLUT que asocie el ND de una sola banda a distintos componentes del R V y A APLICACIONES 1 Para tener una leyenda de colores para una img clasificada 2 Para realzar el anaacutelisis de una determinada banda y sustituir los tonos de gris por una paleta de colores
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CLUT COLOUR LOOK-UP TABLE TABLA DE CONSULTA DE COLOR
ENTENDIENDO LAS IMAacuteGENES
httpsenwikipediaorgwikiColour_look-up_table
creacioacuten del seudo color
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Filtros espaciales Concepto de kernel Filtros paso bajo y paso alto Filtros direccionales Anomaliacuteas y correccioacuten atmosfeacuterica Correcciones radiomeacutetricas Anomaliacuteas radiomeacutetricas Fallos en el sensorCorreccioacuten atmosfeacuterica concepto Meacutetodo valores miacutenimos Regresioacuten entre bandas Dispersioacuten por aerosolesCalibracioacuten Caso misioacuten Landsat
47 Interpretacioacuten de Imaacutegenes
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de que es un filtro
espacial
FUNCIONES PARA MEJORAR ASPECTO DE LAS IMAacuteGENES
REALZAN O DISMINUYEN ELEMENTOS VISUALES DE LA IMG
BASADOS EN LA FRECUENCIA ESPACIAL
FRECUENCIAS ESPACIALES ALTAS Variaciones que se producen en pocos piacutexeles TENDENCIA GENERAL FRECUENCIAS ESPACIALES BAJAS
Variaciones que se producen en muchos piacutexeles CONTRASTES LOCALES
FILTROS Figura - CCRS CCT
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de kernel
FILTRADO ESPACIAL Figura - CCRS CCT FILTRADO EN EL DOMINIO
ESPACIAL Lo mas comuacuten es la aplicacioacuten de una ventana deslizante con valores que son coeficientes fijos de una matriz La MATRIZ se suele llamar KERNEL o nuacutecleo del filtro
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DIGITAL
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
3 x 3 5 x 5 7 x 7
1 1 1
1 2 1
1 1 1 matrices
LOS VALORES DEL KERNEL SE MULTIPLICAN POR EL PIacuteXEL QUE TIENEN DEBAJO Y LUEGO SE SUMAN TODOS LOS PRODUCTOS
Y PARA OBTENER EL VALOR DEL PIacuteXEL CENTRAL EN LA IMAGEN TRANSFORMADA SE LO DIVIDE POR LA SUMA DE LOS PONDERADOS O PESOS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO - PASO BAJO PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
26
FILTROS DE PASO BAJO SE FAVORECEN A LOS PIXELES
PERIFEacuteRICOS SE MINIMIZAN LAS DIFERENCIAS CON LOS VECINOS ES UNA ESPECIE DE SUAVIZADO
FILTRO DE PASO ALTO PONDERACIOacuteN DEL VALOR CENTRAL EN DETRIMENTO DE LOS CIRCUNDANTES
SE EXAGERAN DIFERENCIAS Y SE RESALTAN VARIACIONES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO BAJO
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm
simulacioacuten
IMAGEN ORIGINAL
FILTRO PASO BAJO 3x3 SE TRATA DE ASEMEJAR LOS VALORES DE ND DE UN PIXEL A LOS VALORES VECINOS EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA OFRECE PERFILES MENOS NIacuteTIDOS
FILTRO PASO BAJO 7x7 SIRVE PARA REDUCIR VARIABILIDAD ESPACIAL DE ALGUNA CATEGORIacuteA ANTES DE UN PROCESO DE CLASIFICACIOacuteN
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
IMAGEN ORIGINAL
FILTRO PASO ALTO 3x3 SE TRATA DE AISLAR LOS COMPONENTES DE ALTA FRECUENCIA Y REMARCAR DIGITALMENTE CONTRASTES EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA REFUERZA LOS CONTORNOS EN AacuteREAS HOMOGEacuteNEAS
FILTRO PASO ALTO 7x7 SIRVE PARA LOGRAR REALCES DE RASGOS LINEALES COMO PUEDEN SER EN AacuteREAS URBANAS O RASGOS GEOLOacuteGICOS
simulacioacuten
httpgeograuahesrtm
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
Figura - Landsat USGS
IMAGEN ORIGINAL
FILTRO DIRECCIONAL PERMITEN IDENTIFICAR LOS RASGOS FRONTERIZOS EN LAS IMAacuteGENES COMO LOS FILTROS ANTERIORES PERO AHORA CONSIDERANDO LA ORIENTACIOacuteN
se tiene en cuenta la
orientacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
matrices con direccioacuten
NORTE
1 1 1
1 -2 1
-1 -1 -1
SUR
-1 -1 -1
1 -2 1
1 1 1
ESTE
-1 1 1
-1 -2 1
-1 1 1
OESTE
1 1 -1
1 -2 -1
1 1 -1
SURESTE
-1 -1 1
-1 -2 1
1 1 1
NOROESTE
1 1 1
1 -2 -1
1 -1 -1
SUROESTE
1 -1 -1
1 -2 -1
1 1 1
NORESTE
1 1 1
-1 -2 1
-1 -1 1
OBSERVACIOacuteN
LOS NOMBRES OBEDECEN A LA DIRECCIOacuteN DEL CONTRASTE QUE SENtildeALAN
LA DIRECCIOacuteN QUE REALZAN ES JUSTAMENTE LA PERPENDICULAR
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
48 Interpretacioacuten de Imaacutegenes
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Correcciones geomeacutetricas Georreferenciacioacuten Uso de puntos de control Fuentes de error Procesamiento geomeacutetrico Correccioacuten Transformacioacuten geomeacutetrica Calidad y ajuste Generacioacuten de la nueva imagen Transferencia de ND
INSTITUTO DE AGRIMENSURA - DEPARTAMENTO DE GEOMAacuteTICA PROF ADJUNTO GRADO 3 EDISON J ROSAS BERTON
El tratamiento de una imagen de sateacutelite Georreferenciacioacuten
(paso de un sistema de filas y columnas a un sistema de coordenadas estandard)
Para ello debe obtenerse una muestra de puntos de control de los que conozcamos tanto sus coordenadas reales como sus coordenadas en
la imagen deben ser por tanto objetos de un tamantildeo adecuado para resultar identificables tanto en la imagen como sobre el terreno el tamantildeo
dependeraacute loacutegicamente de la resolucioacuten de la imagen A partir de estos puntos de control se obtendraacuten por regresioacuten unas ecuaciones que permitiraacuten a cada par filacolumna un par de coordenadas
XY
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
GEORREFERENCIACIOacuteN
ENTENDIENDO LAS IMAacuteGENES
georreferenciacioacuten porqueacute
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PUNTOS DE CONTROL
ENTENDIENDO LAS IMAacuteGENES
uso de puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
DISTORSIONES POR LA PLATAFORMA ALTITUD DE LA OacuteRBITA ndash Cambio de escala
VELOCIDAD ndash Cambios de escala ORIENTACIOacuteN DE LOS TRES EJES ndash Distorsiones en la geometriacutea
NO SISTEMAacuteTICOS Y COMPLEJOS DE MODELAR
DISTORSIONES POR ROTACIOacuteN TERRESTRE
CONSIDERANDO ALTITUD (800 Km) y TAMANtildeO DE LA IMAGEN (180 Km)ndashEn latitudes medias tarda en adquirir unos 30 segundos la Tierra se desplaza unos 8 Km
ORIENTACIOacuteN NE SW
DISTORSIONES POR EL SENSOR ANOMALIacuteAS SENSOR y MOVIMIENTO ESPEJO ndash Barrido no lineal o cambio en intervalos
AacuteNGULO DE BARRIDO ndash Variacioacuten en el tamantildeo de pixel
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ERROR EN UNA IMAGEN ESPACIAL
ENTENDIENDO LAS IMAacuteGENES
fuentes de error
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Una correccioacuten geomeacutetrica incluye CUALQUIER CAMBIO EN LA POSICIOacuteN DE LOS PIXELES que
conforman la imagen f (c`) = f1 (c l) f (x y) f (l`) = f2 (c l) f (x y)
COORDENADAS DE IMAGEN CORREGIDA SON FUNCIOacuteN DE COORDENADAS COLUMNA Y LIacuteNEA DE LA
IMAGEN DE ENTRADA O DE LAS COORDENADAS DE MAPA AL QUE SUPERPONDREMOS LA IMAGEN
1 CON OBJETIVO DE REALIZAR UNA TRANSFORMACIOacuteN GEOMEacuteTRICA QUE PERMITA AJUSTARLA A OTRA IMAGEN REFERENCIA NORMALMENTE PARA REALIZAR ESTUDIOS MULTITEMPORALES O MOSAICOS CON EL FIN DE AMPLIAR LOS DATOS E INFORMACIOacuteN DE UNA ZONA
2 ESTO PERMITIRAacute QUE LA NUEVA IMAGEN LA PUEDA INTEGRAR CON INFORMACIOacuteN DE OTRAS FUENTES POR EJEMPLO EN UN AMBIENTE SIG
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
correccioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
asumimos que
NO SE CONOCE EL ORIGEN DE LOS ERRORES
modelamos
ECUACIONES EMPIacuteRICAS
aplicadas a un conjunto de puntos
COORDENADAS CONOCIDAS IMAGEN INPUT e IMAGEN OUTPUT
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
1 ndash SELECCIOacuteN DE REFERENCIAS 2 ndash ECUACIONES DE AJUSTE
3 ndash GENERACIOacuteN DE LA IMAGEN CORREGIDA
ES OBVIO CALIDAD DEL AJUSTE DEPENDERAacute DE PRECISIOacuteN CON QUE SE
LOCALICEN LOS PUNTOS DE CONTROL INEXACTA LOCALIZACIOacuteN
DISTRIBUCIOacuteN MUY SECTORIZADA NUacuteMERO DE PUNTOS DE CONTROL INADECUADO
ESTABLECER LOS PUNTOS DE CONTROL FASE MAS CRUCIAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
procesamiento de la correccioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Resaltamos la importancia de
NUacuteMERO LOCALIZACIOacuteN DISTRIBUCIOacuteN
Que debemos atender Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
que considero UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash Croquis ilustrativos de apoyo
TERRENO O ZONAS PLANAS CON IMG OBTENIDAS POR UN SENSOR DE ESTRECHA VISIOacuteN DE CAMPO
TRANSFORMACIOacuteN
BASADO EN ECUACIONES LINEALES SIMPLES
TERRENO ESCARPADO O RUGOSO O UTILIZACIOacuteN DE IMG OBTENIDAS EN UN SENSOR CON VARIACIONES EN LAS CONDICIONES DE OBSERVACIOacuteN
TRANSFORMACIOacuteN MAacuteS COMPLEJA
POLINOMIOS DE SEGUNDO O TERCER ORDEN
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Desde un punto de vista matemaacutetico
GRADO 1 ndash 3 puntos GRADO 2 ndash 6 puntos GRADO 3 ndash 10 puntos
Seguacuten mis objetivos del trabajo no es conveniente utilizar esos miacutenimos
14 a 20 puntos (Landsat 5 MMS ndash seguacuten Bernstein R y D G Ferneyhough Jr 1978)
100 a 120 puntos (Landsat 7 TM ndash seguacuten el National Remote Sensing Center de Inglaterra)
10 o 12 puntos (Pequentildea zona de 512 x 512 pixeles ndash seguacuten Emilio Chuvieco 2010)
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
matemaacuteticamente UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
QUE DEBEMOS DE CONSIDERAR EN CUANTO A LA LOCALIZACIOacuteN
CLARAMENTE IDENTIFICABLES EN IMAGEN Y MAPA RASGOS HUMANOS DEL PAISAJE NO SUJETOS A DINAMISMO TEMPORAL
CRUCE DE CARRETERAS
CAMINOS VIacuteA FEacuteRREAS
NO CONSIDERAR ELEMENTOS ASOCIADOS AL AGUA
COSTA CURSOS DE AGUA
EMBALSES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
localizacioacuten TCP UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la correccioacuten digital de la geometriacutea de una imagen se realiza a partir de establecer unas funciones que relacionen las coordenadas de la imagen
y las coordenadas del mapa
EJ CASO MAS SIMPLE REGRESIOacuteN LINEAL MUacuteLTIPLE
ci = a0 + a1 Xi + a2 Yi li = b0 + b1 Xi + b2 Yi
EN LA PRAacuteCTICA BASTA UNA FUNCIOacuteN LINEAL PARA ABORDAR UN GRAN NUacuteMERO DE
TRANSFORMACIONES Y SON SUFICIENTES SI LAS IMAacuteGENES NO SON MUY GRANDES ANTE LA NECESIDAD DE OTRAS TRANSFORMACIONES SE UTILIZAN DE 2ordm y 3ordm ORDEN CONSIDERANDO ALTERACIONES GEOMEacuteTRICAS NO LINEALES (FUNCIONES QUE NO SE DEFINEN EN UN PLANO
CON EJES LINEALES SINO QUE SUPERFICIES CON EJES CURVILIacuteNEOS)
LOS COEFICIENTES DE LAS FUNCIONES DE TRANSFORMACIOacuteN SE CALCULAN A PARTIR DE UN AJUSTE POR MIacuteNIMOS CUADRADOS
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
funciones de transformacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash ejemplos de funciones de transformacioacuten geomeacutetrica con el efecto causado
TRASLACIOacuteN
CAMBIO DE ESCALA
INCLINACIOacuteN
PERSPECTIVA
ROTACIOacuteN
x = a0 + xacute y = b0 + yacute
x = xacute + a2 yacute y = yacute
x = a1 xacute y = b1 yacute
x = a3xacute yacute y = yacute
x = a4xacute + a5yacute y = b4xacute + b5yacute a4 = b5 = cos Ɵ a5 = -b4 = sen Ɵ
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
transformacioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
comparacioacuten coordenadas reales y las estimadas por la regresioacuten
el promedio de los residuales se conoce como error medio cuadraacutetico
la calidad del ajuste lo da el RMSE (root mean squared error)
(error medio cuadraacutetico)
RMSE es la raiacutez cuadrada de las desviaciones entre los valores reales y los
calculados
RMSE para cada punto es la raiacutez de los residuales al cuadrado que es la distancia entre ellos
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
RMSE UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la praacutectica hace que fijemos una TOLERANCIA y es que si ese promedio supera un valor fijado previamente haya que rever
el valor fijado previamente generalmente es igual o menor a un PIXEL
una correcta verificacioacuten
NECESITA introducir PUNTOS de VERIFICACIOacuteN
que no hayan sido introducidos en el ajuste
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
tolerancias fijadas
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
traducimos coordenadas de un mapa a la imagen tambieacuten necesitamos a la nueva imagen
TRANSFERIR LOS VALORES DIGITALES no olvidar que lo que queremos es generar una nueva imagen que se
corresponda con las coordenadas y las funciones de ajuste
NO ORIGINAN NUEVA IMAGEN solo colocan a los pixeles en la posicioacuten correcta
en criollo las funciones de transformacioacuten generan una nueva matriz bien posicionada pero vaciacutea
DEBEMOS LLENAR LA MATRIZ problema maacutes complejo de lo que puede
pensarse Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
generacioacuten de la nueva imaacutegen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
cada pixel de la imagen corregida se corresponderiacutea con un pixel de la imagen original
LEJOS DE ESE IDEAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo I
vecino maacutes proacuteximo ( nearest neighbour )
a cada celda de la imagen corregida se asigna el ND del pixel maacutes cercano de la
imagen original
SOLUCIOacuteN RAacutePIDA MENOR DISTORSIOacuteN DE LOS ND
INTRODUCE RASGOS LINEALES QUE DISTORSIONAN
CORRECCIOacuteN DE IMAacuteGENES CLASIFICADAS
CONSERVAR LA RADIOMETRIacuteA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo II
interpolacioacuten bilineal ( bilinear interpolation )
supone promediar los ND de los cuatro pixeles mas cercanos
con ponderacioacuten seguacuten la distancia pixeles originalcorregido
REDUCE EL EFECTO DE DISTORSIOacuteN EN RASGOS LINEALES
TIENDE A DIFUMINAR LOS CONTRASTES ESPACIALES
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE IMAacuteGENES RECTIFICADAS MAPAS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo III
convolusioacuten cuacutebica ( cubic convolution )
supone considerar los ND de los 16 pixeles mas proacuteximos
media ponderada seguacuten la distancia pixeles originalcorregido
EFECTO VISUAL MAS CORRECTO
VOLUacuteMEN DE CAacuteLCULO MUY SUPERIOR TENDENCIA A AGUDIZAR BORDES DE LA IMAGEN
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE ORTOIMAacuteGENES IMPRESIONES DE CALIDAD
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
COMPOSICIONES COLOR
ENTENDIENDO LAS IMAacuteGENES
formatos de composiciones
CON LA CRECIENTE APARICIOacuteN DE LOS SENSORES HIPERESPECTRALES LAS POSIBILIDADES DE COMPOSICIONES
COLOREADAS DE BANDAS SON CASI ILIMITADAS
LA ELECCIOacuteN DE LAS BANDAS PARA REALIZAR LA COMPOSICIOacuteN Y EL ORDEN DE LAS BANDAS ASIGANADAS A LOS COLORES
PRIMARIOS DEPENDERAacute DE
Sensor Aplicacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EL SEUDO - COLOR
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm formatos de
composiciones
Ya hemos afirmado de que el ojo humano es maacutes capaz de distinguir tonos de color que intensidades de brillo
Por ello el empleo del color ayuda a la interpretacioacuten incluso cuando podamos tener una sola imagen de una banda
Es aquiacute que hablamos del SEUDO COLOR por no contar con tres bandas
El seudo color implica la creacioacuten de una CLUT que asocie el ND de una sola banda a distintos componentes del R V y A APLICACIONES 1 Para tener una leyenda de colores para una img clasificada 2 Para realzar el anaacutelisis de una determinada banda y sustituir los tonos de gris por una paleta de colores
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CLUT COLOUR LOOK-UP TABLE TABLA DE CONSULTA DE COLOR
ENTENDIENDO LAS IMAacuteGENES
httpsenwikipediaorgwikiColour_look-up_table
creacioacuten del seudo color
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Filtros espaciales Concepto de kernel Filtros paso bajo y paso alto Filtros direccionales Anomaliacuteas y correccioacuten atmosfeacuterica Correcciones radiomeacutetricas Anomaliacuteas radiomeacutetricas Fallos en el sensorCorreccioacuten atmosfeacuterica concepto Meacutetodo valores miacutenimos Regresioacuten entre bandas Dispersioacuten por aerosolesCalibracioacuten Caso misioacuten Landsat
47 Interpretacioacuten de Imaacutegenes
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de que es un filtro
espacial
FUNCIONES PARA MEJORAR ASPECTO DE LAS IMAacuteGENES
REALZAN O DISMINUYEN ELEMENTOS VISUALES DE LA IMG
BASADOS EN LA FRECUENCIA ESPACIAL
FRECUENCIAS ESPACIALES ALTAS Variaciones que se producen en pocos piacutexeles TENDENCIA GENERAL FRECUENCIAS ESPACIALES BAJAS
Variaciones que se producen en muchos piacutexeles CONTRASTES LOCALES
FILTROS Figura - CCRS CCT
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de kernel
FILTRADO ESPACIAL Figura - CCRS CCT FILTRADO EN EL DOMINIO
ESPACIAL Lo mas comuacuten es la aplicacioacuten de una ventana deslizante con valores que son coeficientes fijos de una matriz La MATRIZ se suele llamar KERNEL o nuacutecleo del filtro
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DIGITAL
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
3 x 3 5 x 5 7 x 7
1 1 1
1 2 1
1 1 1 matrices
LOS VALORES DEL KERNEL SE MULTIPLICAN POR EL PIacuteXEL QUE TIENEN DEBAJO Y LUEGO SE SUMAN TODOS LOS PRODUCTOS
Y PARA OBTENER EL VALOR DEL PIacuteXEL CENTRAL EN LA IMAGEN TRANSFORMADA SE LO DIVIDE POR LA SUMA DE LOS PONDERADOS O PESOS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO - PASO BAJO PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
26
FILTROS DE PASO BAJO SE FAVORECEN A LOS PIXELES
PERIFEacuteRICOS SE MINIMIZAN LAS DIFERENCIAS CON LOS VECINOS ES UNA ESPECIE DE SUAVIZADO
FILTRO DE PASO ALTO PONDERACIOacuteN DEL VALOR CENTRAL EN DETRIMENTO DE LOS CIRCUNDANTES
SE EXAGERAN DIFERENCIAS Y SE RESALTAN VARIACIONES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO BAJO
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm
simulacioacuten
IMAGEN ORIGINAL
FILTRO PASO BAJO 3x3 SE TRATA DE ASEMEJAR LOS VALORES DE ND DE UN PIXEL A LOS VALORES VECINOS EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA OFRECE PERFILES MENOS NIacuteTIDOS
FILTRO PASO BAJO 7x7 SIRVE PARA REDUCIR VARIABILIDAD ESPACIAL DE ALGUNA CATEGORIacuteA ANTES DE UN PROCESO DE CLASIFICACIOacuteN
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
IMAGEN ORIGINAL
FILTRO PASO ALTO 3x3 SE TRATA DE AISLAR LOS COMPONENTES DE ALTA FRECUENCIA Y REMARCAR DIGITALMENTE CONTRASTES EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA REFUERZA LOS CONTORNOS EN AacuteREAS HOMOGEacuteNEAS
FILTRO PASO ALTO 7x7 SIRVE PARA LOGRAR REALCES DE RASGOS LINEALES COMO PUEDEN SER EN AacuteREAS URBANAS O RASGOS GEOLOacuteGICOS
simulacioacuten
httpgeograuahesrtm
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
Figura - Landsat USGS
IMAGEN ORIGINAL
FILTRO DIRECCIONAL PERMITEN IDENTIFICAR LOS RASGOS FRONTERIZOS EN LAS IMAacuteGENES COMO LOS FILTROS ANTERIORES PERO AHORA CONSIDERANDO LA ORIENTACIOacuteN
se tiene en cuenta la
orientacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
matrices con direccioacuten
NORTE
1 1 1
1 -2 1
-1 -1 -1
SUR
-1 -1 -1
1 -2 1
1 1 1
ESTE
-1 1 1
-1 -2 1
-1 1 1
OESTE
1 1 -1
1 -2 -1
1 1 -1
SURESTE
-1 -1 1
-1 -2 1
1 1 1
NOROESTE
1 1 1
1 -2 -1
1 -1 -1
SUROESTE
1 -1 -1
1 -2 -1
1 1 1
NORESTE
1 1 1
-1 -2 1
-1 -1 1
OBSERVACIOacuteN
LOS NOMBRES OBEDECEN A LA DIRECCIOacuteN DEL CONTRASTE QUE SENtildeALAN
LA DIRECCIOacuteN QUE REALZAN ES JUSTAMENTE LA PERPENDICULAR
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
48 Interpretacioacuten de Imaacutegenes
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Correcciones geomeacutetricas Georreferenciacioacuten Uso de puntos de control Fuentes de error Procesamiento geomeacutetrico Correccioacuten Transformacioacuten geomeacutetrica Calidad y ajuste Generacioacuten de la nueva imagen Transferencia de ND
INSTITUTO DE AGRIMENSURA - DEPARTAMENTO DE GEOMAacuteTICA PROF ADJUNTO GRADO 3 EDISON J ROSAS BERTON
El tratamiento de una imagen de sateacutelite Georreferenciacioacuten
(paso de un sistema de filas y columnas a un sistema de coordenadas estandard)
Para ello debe obtenerse una muestra de puntos de control de los que conozcamos tanto sus coordenadas reales como sus coordenadas en
la imagen deben ser por tanto objetos de un tamantildeo adecuado para resultar identificables tanto en la imagen como sobre el terreno el tamantildeo
dependeraacute loacutegicamente de la resolucioacuten de la imagen A partir de estos puntos de control se obtendraacuten por regresioacuten unas ecuaciones que permitiraacuten a cada par filacolumna un par de coordenadas
XY
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
GEORREFERENCIACIOacuteN
ENTENDIENDO LAS IMAacuteGENES
georreferenciacioacuten porqueacute
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PUNTOS DE CONTROL
ENTENDIENDO LAS IMAacuteGENES
uso de puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
DISTORSIONES POR LA PLATAFORMA ALTITUD DE LA OacuteRBITA ndash Cambio de escala
VELOCIDAD ndash Cambios de escala ORIENTACIOacuteN DE LOS TRES EJES ndash Distorsiones en la geometriacutea
NO SISTEMAacuteTICOS Y COMPLEJOS DE MODELAR
DISTORSIONES POR ROTACIOacuteN TERRESTRE
CONSIDERANDO ALTITUD (800 Km) y TAMANtildeO DE LA IMAGEN (180 Km)ndashEn latitudes medias tarda en adquirir unos 30 segundos la Tierra se desplaza unos 8 Km
ORIENTACIOacuteN NE SW
DISTORSIONES POR EL SENSOR ANOMALIacuteAS SENSOR y MOVIMIENTO ESPEJO ndash Barrido no lineal o cambio en intervalos
AacuteNGULO DE BARRIDO ndash Variacioacuten en el tamantildeo de pixel
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ERROR EN UNA IMAGEN ESPACIAL
ENTENDIENDO LAS IMAacuteGENES
fuentes de error
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Una correccioacuten geomeacutetrica incluye CUALQUIER CAMBIO EN LA POSICIOacuteN DE LOS PIXELES que
conforman la imagen f (c`) = f1 (c l) f (x y) f (l`) = f2 (c l) f (x y)
COORDENADAS DE IMAGEN CORREGIDA SON FUNCIOacuteN DE COORDENADAS COLUMNA Y LIacuteNEA DE LA
IMAGEN DE ENTRADA O DE LAS COORDENADAS DE MAPA AL QUE SUPERPONDREMOS LA IMAGEN
1 CON OBJETIVO DE REALIZAR UNA TRANSFORMACIOacuteN GEOMEacuteTRICA QUE PERMITA AJUSTARLA A OTRA IMAGEN REFERENCIA NORMALMENTE PARA REALIZAR ESTUDIOS MULTITEMPORALES O MOSAICOS CON EL FIN DE AMPLIAR LOS DATOS E INFORMACIOacuteN DE UNA ZONA
2 ESTO PERMITIRAacute QUE LA NUEVA IMAGEN LA PUEDA INTEGRAR CON INFORMACIOacuteN DE OTRAS FUENTES POR EJEMPLO EN UN AMBIENTE SIG
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
correccioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
asumimos que
NO SE CONOCE EL ORIGEN DE LOS ERRORES
modelamos
ECUACIONES EMPIacuteRICAS
aplicadas a un conjunto de puntos
COORDENADAS CONOCIDAS IMAGEN INPUT e IMAGEN OUTPUT
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
1 ndash SELECCIOacuteN DE REFERENCIAS 2 ndash ECUACIONES DE AJUSTE
3 ndash GENERACIOacuteN DE LA IMAGEN CORREGIDA
ES OBVIO CALIDAD DEL AJUSTE DEPENDERAacute DE PRECISIOacuteN CON QUE SE
LOCALICEN LOS PUNTOS DE CONTROL INEXACTA LOCALIZACIOacuteN
DISTRIBUCIOacuteN MUY SECTORIZADA NUacuteMERO DE PUNTOS DE CONTROL INADECUADO
ESTABLECER LOS PUNTOS DE CONTROL FASE MAS CRUCIAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
procesamiento de la correccioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Resaltamos la importancia de
NUacuteMERO LOCALIZACIOacuteN DISTRIBUCIOacuteN
Que debemos atender Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
que considero UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash Croquis ilustrativos de apoyo
TERRENO O ZONAS PLANAS CON IMG OBTENIDAS POR UN SENSOR DE ESTRECHA VISIOacuteN DE CAMPO
TRANSFORMACIOacuteN
BASADO EN ECUACIONES LINEALES SIMPLES
TERRENO ESCARPADO O RUGOSO O UTILIZACIOacuteN DE IMG OBTENIDAS EN UN SENSOR CON VARIACIONES EN LAS CONDICIONES DE OBSERVACIOacuteN
TRANSFORMACIOacuteN MAacuteS COMPLEJA
POLINOMIOS DE SEGUNDO O TERCER ORDEN
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Desde un punto de vista matemaacutetico
GRADO 1 ndash 3 puntos GRADO 2 ndash 6 puntos GRADO 3 ndash 10 puntos
Seguacuten mis objetivos del trabajo no es conveniente utilizar esos miacutenimos
14 a 20 puntos (Landsat 5 MMS ndash seguacuten Bernstein R y D G Ferneyhough Jr 1978)
100 a 120 puntos (Landsat 7 TM ndash seguacuten el National Remote Sensing Center de Inglaterra)
10 o 12 puntos (Pequentildea zona de 512 x 512 pixeles ndash seguacuten Emilio Chuvieco 2010)
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
matemaacuteticamente UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
QUE DEBEMOS DE CONSIDERAR EN CUANTO A LA LOCALIZACIOacuteN
CLARAMENTE IDENTIFICABLES EN IMAGEN Y MAPA RASGOS HUMANOS DEL PAISAJE NO SUJETOS A DINAMISMO TEMPORAL
CRUCE DE CARRETERAS
CAMINOS VIacuteA FEacuteRREAS
NO CONSIDERAR ELEMENTOS ASOCIADOS AL AGUA
COSTA CURSOS DE AGUA
EMBALSES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
localizacioacuten TCP UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la correccioacuten digital de la geometriacutea de una imagen se realiza a partir de establecer unas funciones que relacionen las coordenadas de la imagen
y las coordenadas del mapa
EJ CASO MAS SIMPLE REGRESIOacuteN LINEAL MUacuteLTIPLE
ci = a0 + a1 Xi + a2 Yi li = b0 + b1 Xi + b2 Yi
EN LA PRAacuteCTICA BASTA UNA FUNCIOacuteN LINEAL PARA ABORDAR UN GRAN NUacuteMERO DE
TRANSFORMACIONES Y SON SUFICIENTES SI LAS IMAacuteGENES NO SON MUY GRANDES ANTE LA NECESIDAD DE OTRAS TRANSFORMACIONES SE UTILIZAN DE 2ordm y 3ordm ORDEN CONSIDERANDO ALTERACIONES GEOMEacuteTRICAS NO LINEALES (FUNCIONES QUE NO SE DEFINEN EN UN PLANO
CON EJES LINEALES SINO QUE SUPERFICIES CON EJES CURVILIacuteNEOS)
LOS COEFICIENTES DE LAS FUNCIONES DE TRANSFORMACIOacuteN SE CALCULAN A PARTIR DE UN AJUSTE POR MIacuteNIMOS CUADRADOS
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
funciones de transformacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash ejemplos de funciones de transformacioacuten geomeacutetrica con el efecto causado
TRASLACIOacuteN
CAMBIO DE ESCALA
INCLINACIOacuteN
PERSPECTIVA
ROTACIOacuteN
x = a0 + xacute y = b0 + yacute
x = xacute + a2 yacute y = yacute
x = a1 xacute y = b1 yacute
x = a3xacute yacute y = yacute
x = a4xacute + a5yacute y = b4xacute + b5yacute a4 = b5 = cos Ɵ a5 = -b4 = sen Ɵ
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
transformacioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
comparacioacuten coordenadas reales y las estimadas por la regresioacuten
el promedio de los residuales se conoce como error medio cuadraacutetico
la calidad del ajuste lo da el RMSE (root mean squared error)
(error medio cuadraacutetico)
RMSE es la raiacutez cuadrada de las desviaciones entre los valores reales y los
calculados
RMSE para cada punto es la raiacutez de los residuales al cuadrado que es la distancia entre ellos
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
RMSE UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la praacutectica hace que fijemos una TOLERANCIA y es que si ese promedio supera un valor fijado previamente haya que rever
el valor fijado previamente generalmente es igual o menor a un PIXEL
una correcta verificacioacuten
NECESITA introducir PUNTOS de VERIFICACIOacuteN
que no hayan sido introducidos en el ajuste
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
tolerancias fijadas
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
traducimos coordenadas de un mapa a la imagen tambieacuten necesitamos a la nueva imagen
TRANSFERIR LOS VALORES DIGITALES no olvidar que lo que queremos es generar una nueva imagen que se
corresponda con las coordenadas y las funciones de ajuste
NO ORIGINAN NUEVA IMAGEN solo colocan a los pixeles en la posicioacuten correcta
en criollo las funciones de transformacioacuten generan una nueva matriz bien posicionada pero vaciacutea
DEBEMOS LLENAR LA MATRIZ problema maacutes complejo de lo que puede
pensarse Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
generacioacuten de la nueva imaacutegen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
cada pixel de la imagen corregida se corresponderiacutea con un pixel de la imagen original
LEJOS DE ESE IDEAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo I
vecino maacutes proacuteximo ( nearest neighbour )
a cada celda de la imagen corregida se asigna el ND del pixel maacutes cercano de la
imagen original
SOLUCIOacuteN RAacutePIDA MENOR DISTORSIOacuteN DE LOS ND
INTRODUCE RASGOS LINEALES QUE DISTORSIONAN
CORRECCIOacuteN DE IMAacuteGENES CLASIFICADAS
CONSERVAR LA RADIOMETRIacuteA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo II
interpolacioacuten bilineal ( bilinear interpolation )
supone promediar los ND de los cuatro pixeles mas cercanos
con ponderacioacuten seguacuten la distancia pixeles originalcorregido
REDUCE EL EFECTO DE DISTORSIOacuteN EN RASGOS LINEALES
TIENDE A DIFUMINAR LOS CONTRASTES ESPACIALES
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE IMAacuteGENES RECTIFICADAS MAPAS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo III
convolusioacuten cuacutebica ( cubic convolution )
supone considerar los ND de los 16 pixeles mas proacuteximos
media ponderada seguacuten la distancia pixeles originalcorregido
EFECTO VISUAL MAS CORRECTO
VOLUacuteMEN DE CAacuteLCULO MUY SUPERIOR TENDENCIA A AGUDIZAR BORDES DE LA IMAGEN
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE ORTOIMAacuteGENES IMPRESIONES DE CALIDAD
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EL SEUDO - COLOR
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm formatos de
composiciones
Ya hemos afirmado de que el ojo humano es maacutes capaz de distinguir tonos de color que intensidades de brillo
Por ello el empleo del color ayuda a la interpretacioacuten incluso cuando podamos tener una sola imagen de una banda
Es aquiacute que hablamos del SEUDO COLOR por no contar con tres bandas
El seudo color implica la creacioacuten de una CLUT que asocie el ND de una sola banda a distintos componentes del R V y A APLICACIONES 1 Para tener una leyenda de colores para una img clasificada 2 Para realzar el anaacutelisis de una determinada banda y sustituir los tonos de gris por una paleta de colores
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CLUT COLOUR LOOK-UP TABLE TABLA DE CONSULTA DE COLOR
ENTENDIENDO LAS IMAacuteGENES
httpsenwikipediaorgwikiColour_look-up_table
creacioacuten del seudo color
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Filtros espaciales Concepto de kernel Filtros paso bajo y paso alto Filtros direccionales Anomaliacuteas y correccioacuten atmosfeacuterica Correcciones radiomeacutetricas Anomaliacuteas radiomeacutetricas Fallos en el sensorCorreccioacuten atmosfeacuterica concepto Meacutetodo valores miacutenimos Regresioacuten entre bandas Dispersioacuten por aerosolesCalibracioacuten Caso misioacuten Landsat
47 Interpretacioacuten de Imaacutegenes
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de que es un filtro
espacial
FUNCIONES PARA MEJORAR ASPECTO DE LAS IMAacuteGENES
REALZAN O DISMINUYEN ELEMENTOS VISUALES DE LA IMG
BASADOS EN LA FRECUENCIA ESPACIAL
FRECUENCIAS ESPACIALES ALTAS Variaciones que se producen en pocos piacutexeles TENDENCIA GENERAL FRECUENCIAS ESPACIALES BAJAS
Variaciones que se producen en muchos piacutexeles CONTRASTES LOCALES
FILTROS Figura - CCRS CCT
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de kernel
FILTRADO ESPACIAL Figura - CCRS CCT FILTRADO EN EL DOMINIO
ESPACIAL Lo mas comuacuten es la aplicacioacuten de una ventana deslizante con valores que son coeficientes fijos de una matriz La MATRIZ se suele llamar KERNEL o nuacutecleo del filtro
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DIGITAL
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
3 x 3 5 x 5 7 x 7
1 1 1
1 2 1
1 1 1 matrices
LOS VALORES DEL KERNEL SE MULTIPLICAN POR EL PIacuteXEL QUE TIENEN DEBAJO Y LUEGO SE SUMAN TODOS LOS PRODUCTOS
Y PARA OBTENER EL VALOR DEL PIacuteXEL CENTRAL EN LA IMAGEN TRANSFORMADA SE LO DIVIDE POR LA SUMA DE LOS PONDERADOS O PESOS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO - PASO BAJO PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
26
FILTROS DE PASO BAJO SE FAVORECEN A LOS PIXELES
PERIFEacuteRICOS SE MINIMIZAN LAS DIFERENCIAS CON LOS VECINOS ES UNA ESPECIE DE SUAVIZADO
FILTRO DE PASO ALTO PONDERACIOacuteN DEL VALOR CENTRAL EN DETRIMENTO DE LOS CIRCUNDANTES
SE EXAGERAN DIFERENCIAS Y SE RESALTAN VARIACIONES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO BAJO
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm
simulacioacuten
IMAGEN ORIGINAL
FILTRO PASO BAJO 3x3 SE TRATA DE ASEMEJAR LOS VALORES DE ND DE UN PIXEL A LOS VALORES VECINOS EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA OFRECE PERFILES MENOS NIacuteTIDOS
FILTRO PASO BAJO 7x7 SIRVE PARA REDUCIR VARIABILIDAD ESPACIAL DE ALGUNA CATEGORIacuteA ANTES DE UN PROCESO DE CLASIFICACIOacuteN
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
IMAGEN ORIGINAL
FILTRO PASO ALTO 3x3 SE TRATA DE AISLAR LOS COMPONENTES DE ALTA FRECUENCIA Y REMARCAR DIGITALMENTE CONTRASTES EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA REFUERZA LOS CONTORNOS EN AacuteREAS HOMOGEacuteNEAS
FILTRO PASO ALTO 7x7 SIRVE PARA LOGRAR REALCES DE RASGOS LINEALES COMO PUEDEN SER EN AacuteREAS URBANAS O RASGOS GEOLOacuteGICOS
simulacioacuten
httpgeograuahesrtm
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
Figura - Landsat USGS
IMAGEN ORIGINAL
FILTRO DIRECCIONAL PERMITEN IDENTIFICAR LOS RASGOS FRONTERIZOS EN LAS IMAacuteGENES COMO LOS FILTROS ANTERIORES PERO AHORA CONSIDERANDO LA ORIENTACIOacuteN
se tiene en cuenta la
orientacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
matrices con direccioacuten
NORTE
1 1 1
1 -2 1
-1 -1 -1
SUR
-1 -1 -1
1 -2 1
1 1 1
ESTE
-1 1 1
-1 -2 1
-1 1 1
OESTE
1 1 -1
1 -2 -1
1 1 -1
SURESTE
-1 -1 1
-1 -2 1
1 1 1
NOROESTE
1 1 1
1 -2 -1
1 -1 -1
SUROESTE
1 -1 -1
1 -2 -1
1 1 1
NORESTE
1 1 1
-1 -2 1
-1 -1 1
OBSERVACIOacuteN
LOS NOMBRES OBEDECEN A LA DIRECCIOacuteN DEL CONTRASTE QUE SENtildeALAN
LA DIRECCIOacuteN QUE REALZAN ES JUSTAMENTE LA PERPENDICULAR
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
48 Interpretacioacuten de Imaacutegenes
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Correcciones geomeacutetricas Georreferenciacioacuten Uso de puntos de control Fuentes de error Procesamiento geomeacutetrico Correccioacuten Transformacioacuten geomeacutetrica Calidad y ajuste Generacioacuten de la nueva imagen Transferencia de ND
INSTITUTO DE AGRIMENSURA - DEPARTAMENTO DE GEOMAacuteTICA PROF ADJUNTO GRADO 3 EDISON J ROSAS BERTON
El tratamiento de una imagen de sateacutelite Georreferenciacioacuten
(paso de un sistema de filas y columnas a un sistema de coordenadas estandard)
Para ello debe obtenerse una muestra de puntos de control de los que conozcamos tanto sus coordenadas reales como sus coordenadas en
la imagen deben ser por tanto objetos de un tamantildeo adecuado para resultar identificables tanto en la imagen como sobre el terreno el tamantildeo
dependeraacute loacutegicamente de la resolucioacuten de la imagen A partir de estos puntos de control se obtendraacuten por regresioacuten unas ecuaciones que permitiraacuten a cada par filacolumna un par de coordenadas
XY
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
GEORREFERENCIACIOacuteN
ENTENDIENDO LAS IMAacuteGENES
georreferenciacioacuten porqueacute
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PUNTOS DE CONTROL
ENTENDIENDO LAS IMAacuteGENES
uso de puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
DISTORSIONES POR LA PLATAFORMA ALTITUD DE LA OacuteRBITA ndash Cambio de escala
VELOCIDAD ndash Cambios de escala ORIENTACIOacuteN DE LOS TRES EJES ndash Distorsiones en la geometriacutea
NO SISTEMAacuteTICOS Y COMPLEJOS DE MODELAR
DISTORSIONES POR ROTACIOacuteN TERRESTRE
CONSIDERANDO ALTITUD (800 Km) y TAMANtildeO DE LA IMAGEN (180 Km)ndashEn latitudes medias tarda en adquirir unos 30 segundos la Tierra se desplaza unos 8 Km
ORIENTACIOacuteN NE SW
DISTORSIONES POR EL SENSOR ANOMALIacuteAS SENSOR y MOVIMIENTO ESPEJO ndash Barrido no lineal o cambio en intervalos
AacuteNGULO DE BARRIDO ndash Variacioacuten en el tamantildeo de pixel
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ERROR EN UNA IMAGEN ESPACIAL
ENTENDIENDO LAS IMAacuteGENES
fuentes de error
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Una correccioacuten geomeacutetrica incluye CUALQUIER CAMBIO EN LA POSICIOacuteN DE LOS PIXELES que
conforman la imagen f (c`) = f1 (c l) f (x y) f (l`) = f2 (c l) f (x y)
COORDENADAS DE IMAGEN CORREGIDA SON FUNCIOacuteN DE COORDENADAS COLUMNA Y LIacuteNEA DE LA
IMAGEN DE ENTRADA O DE LAS COORDENADAS DE MAPA AL QUE SUPERPONDREMOS LA IMAGEN
1 CON OBJETIVO DE REALIZAR UNA TRANSFORMACIOacuteN GEOMEacuteTRICA QUE PERMITA AJUSTARLA A OTRA IMAGEN REFERENCIA NORMALMENTE PARA REALIZAR ESTUDIOS MULTITEMPORALES O MOSAICOS CON EL FIN DE AMPLIAR LOS DATOS E INFORMACIOacuteN DE UNA ZONA
2 ESTO PERMITIRAacute QUE LA NUEVA IMAGEN LA PUEDA INTEGRAR CON INFORMACIOacuteN DE OTRAS FUENTES POR EJEMPLO EN UN AMBIENTE SIG
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
correccioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
asumimos que
NO SE CONOCE EL ORIGEN DE LOS ERRORES
modelamos
ECUACIONES EMPIacuteRICAS
aplicadas a un conjunto de puntos
COORDENADAS CONOCIDAS IMAGEN INPUT e IMAGEN OUTPUT
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
1 ndash SELECCIOacuteN DE REFERENCIAS 2 ndash ECUACIONES DE AJUSTE
3 ndash GENERACIOacuteN DE LA IMAGEN CORREGIDA
ES OBVIO CALIDAD DEL AJUSTE DEPENDERAacute DE PRECISIOacuteN CON QUE SE
LOCALICEN LOS PUNTOS DE CONTROL INEXACTA LOCALIZACIOacuteN
DISTRIBUCIOacuteN MUY SECTORIZADA NUacuteMERO DE PUNTOS DE CONTROL INADECUADO
ESTABLECER LOS PUNTOS DE CONTROL FASE MAS CRUCIAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
procesamiento de la correccioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Resaltamos la importancia de
NUacuteMERO LOCALIZACIOacuteN DISTRIBUCIOacuteN
Que debemos atender Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
que considero UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash Croquis ilustrativos de apoyo
TERRENO O ZONAS PLANAS CON IMG OBTENIDAS POR UN SENSOR DE ESTRECHA VISIOacuteN DE CAMPO
TRANSFORMACIOacuteN
BASADO EN ECUACIONES LINEALES SIMPLES
TERRENO ESCARPADO O RUGOSO O UTILIZACIOacuteN DE IMG OBTENIDAS EN UN SENSOR CON VARIACIONES EN LAS CONDICIONES DE OBSERVACIOacuteN
TRANSFORMACIOacuteN MAacuteS COMPLEJA
POLINOMIOS DE SEGUNDO O TERCER ORDEN
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Desde un punto de vista matemaacutetico
GRADO 1 ndash 3 puntos GRADO 2 ndash 6 puntos GRADO 3 ndash 10 puntos
Seguacuten mis objetivos del trabajo no es conveniente utilizar esos miacutenimos
14 a 20 puntos (Landsat 5 MMS ndash seguacuten Bernstein R y D G Ferneyhough Jr 1978)
100 a 120 puntos (Landsat 7 TM ndash seguacuten el National Remote Sensing Center de Inglaterra)
10 o 12 puntos (Pequentildea zona de 512 x 512 pixeles ndash seguacuten Emilio Chuvieco 2010)
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
matemaacuteticamente UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
QUE DEBEMOS DE CONSIDERAR EN CUANTO A LA LOCALIZACIOacuteN
CLARAMENTE IDENTIFICABLES EN IMAGEN Y MAPA RASGOS HUMANOS DEL PAISAJE NO SUJETOS A DINAMISMO TEMPORAL
CRUCE DE CARRETERAS
CAMINOS VIacuteA FEacuteRREAS
NO CONSIDERAR ELEMENTOS ASOCIADOS AL AGUA
COSTA CURSOS DE AGUA
EMBALSES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
localizacioacuten TCP UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la correccioacuten digital de la geometriacutea de una imagen se realiza a partir de establecer unas funciones que relacionen las coordenadas de la imagen
y las coordenadas del mapa
EJ CASO MAS SIMPLE REGRESIOacuteN LINEAL MUacuteLTIPLE
ci = a0 + a1 Xi + a2 Yi li = b0 + b1 Xi + b2 Yi
EN LA PRAacuteCTICA BASTA UNA FUNCIOacuteN LINEAL PARA ABORDAR UN GRAN NUacuteMERO DE
TRANSFORMACIONES Y SON SUFICIENTES SI LAS IMAacuteGENES NO SON MUY GRANDES ANTE LA NECESIDAD DE OTRAS TRANSFORMACIONES SE UTILIZAN DE 2ordm y 3ordm ORDEN CONSIDERANDO ALTERACIONES GEOMEacuteTRICAS NO LINEALES (FUNCIONES QUE NO SE DEFINEN EN UN PLANO
CON EJES LINEALES SINO QUE SUPERFICIES CON EJES CURVILIacuteNEOS)
LOS COEFICIENTES DE LAS FUNCIONES DE TRANSFORMACIOacuteN SE CALCULAN A PARTIR DE UN AJUSTE POR MIacuteNIMOS CUADRADOS
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
funciones de transformacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash ejemplos de funciones de transformacioacuten geomeacutetrica con el efecto causado
TRASLACIOacuteN
CAMBIO DE ESCALA
INCLINACIOacuteN
PERSPECTIVA
ROTACIOacuteN
x = a0 + xacute y = b0 + yacute
x = xacute + a2 yacute y = yacute
x = a1 xacute y = b1 yacute
x = a3xacute yacute y = yacute
x = a4xacute + a5yacute y = b4xacute + b5yacute a4 = b5 = cos Ɵ a5 = -b4 = sen Ɵ
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
transformacioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
comparacioacuten coordenadas reales y las estimadas por la regresioacuten
el promedio de los residuales se conoce como error medio cuadraacutetico
la calidad del ajuste lo da el RMSE (root mean squared error)
(error medio cuadraacutetico)
RMSE es la raiacutez cuadrada de las desviaciones entre los valores reales y los
calculados
RMSE para cada punto es la raiacutez de los residuales al cuadrado que es la distancia entre ellos
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
RMSE UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la praacutectica hace que fijemos una TOLERANCIA y es que si ese promedio supera un valor fijado previamente haya que rever
el valor fijado previamente generalmente es igual o menor a un PIXEL
una correcta verificacioacuten
NECESITA introducir PUNTOS de VERIFICACIOacuteN
que no hayan sido introducidos en el ajuste
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
tolerancias fijadas
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
traducimos coordenadas de un mapa a la imagen tambieacuten necesitamos a la nueva imagen
TRANSFERIR LOS VALORES DIGITALES no olvidar que lo que queremos es generar una nueva imagen que se
corresponda con las coordenadas y las funciones de ajuste
NO ORIGINAN NUEVA IMAGEN solo colocan a los pixeles en la posicioacuten correcta
en criollo las funciones de transformacioacuten generan una nueva matriz bien posicionada pero vaciacutea
DEBEMOS LLENAR LA MATRIZ problema maacutes complejo de lo que puede
pensarse Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
generacioacuten de la nueva imaacutegen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
cada pixel de la imagen corregida se corresponderiacutea con un pixel de la imagen original
LEJOS DE ESE IDEAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo I
vecino maacutes proacuteximo ( nearest neighbour )
a cada celda de la imagen corregida se asigna el ND del pixel maacutes cercano de la
imagen original
SOLUCIOacuteN RAacutePIDA MENOR DISTORSIOacuteN DE LOS ND
INTRODUCE RASGOS LINEALES QUE DISTORSIONAN
CORRECCIOacuteN DE IMAacuteGENES CLASIFICADAS
CONSERVAR LA RADIOMETRIacuteA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo II
interpolacioacuten bilineal ( bilinear interpolation )
supone promediar los ND de los cuatro pixeles mas cercanos
con ponderacioacuten seguacuten la distancia pixeles originalcorregido
REDUCE EL EFECTO DE DISTORSIOacuteN EN RASGOS LINEALES
TIENDE A DIFUMINAR LOS CONTRASTES ESPACIALES
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE IMAacuteGENES RECTIFICADAS MAPAS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo III
convolusioacuten cuacutebica ( cubic convolution )
supone considerar los ND de los 16 pixeles mas proacuteximos
media ponderada seguacuten la distancia pixeles originalcorregido
EFECTO VISUAL MAS CORRECTO
VOLUacuteMEN DE CAacuteLCULO MUY SUPERIOR TENDENCIA A AGUDIZAR BORDES DE LA IMAGEN
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE ORTOIMAacuteGENES IMPRESIONES DE CALIDAD
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CLUT COLOUR LOOK-UP TABLE TABLA DE CONSULTA DE COLOR
ENTENDIENDO LAS IMAacuteGENES
httpsenwikipediaorgwikiColour_look-up_table
creacioacuten del seudo color
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Filtros espaciales Concepto de kernel Filtros paso bajo y paso alto Filtros direccionales Anomaliacuteas y correccioacuten atmosfeacuterica Correcciones radiomeacutetricas Anomaliacuteas radiomeacutetricas Fallos en el sensorCorreccioacuten atmosfeacuterica concepto Meacutetodo valores miacutenimos Regresioacuten entre bandas Dispersioacuten por aerosolesCalibracioacuten Caso misioacuten Landsat
47 Interpretacioacuten de Imaacutegenes
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de que es un filtro
espacial
FUNCIONES PARA MEJORAR ASPECTO DE LAS IMAacuteGENES
REALZAN O DISMINUYEN ELEMENTOS VISUALES DE LA IMG
BASADOS EN LA FRECUENCIA ESPACIAL
FRECUENCIAS ESPACIALES ALTAS Variaciones que se producen en pocos piacutexeles TENDENCIA GENERAL FRECUENCIAS ESPACIALES BAJAS
Variaciones que se producen en muchos piacutexeles CONTRASTES LOCALES
FILTROS Figura - CCRS CCT
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de kernel
FILTRADO ESPACIAL Figura - CCRS CCT FILTRADO EN EL DOMINIO
ESPACIAL Lo mas comuacuten es la aplicacioacuten de una ventana deslizante con valores que son coeficientes fijos de una matriz La MATRIZ se suele llamar KERNEL o nuacutecleo del filtro
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DIGITAL
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
3 x 3 5 x 5 7 x 7
1 1 1
1 2 1
1 1 1 matrices
LOS VALORES DEL KERNEL SE MULTIPLICAN POR EL PIacuteXEL QUE TIENEN DEBAJO Y LUEGO SE SUMAN TODOS LOS PRODUCTOS
Y PARA OBTENER EL VALOR DEL PIacuteXEL CENTRAL EN LA IMAGEN TRANSFORMADA SE LO DIVIDE POR LA SUMA DE LOS PONDERADOS O PESOS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO - PASO BAJO PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
26
FILTROS DE PASO BAJO SE FAVORECEN A LOS PIXELES
PERIFEacuteRICOS SE MINIMIZAN LAS DIFERENCIAS CON LOS VECINOS ES UNA ESPECIE DE SUAVIZADO
FILTRO DE PASO ALTO PONDERACIOacuteN DEL VALOR CENTRAL EN DETRIMENTO DE LOS CIRCUNDANTES
SE EXAGERAN DIFERENCIAS Y SE RESALTAN VARIACIONES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO BAJO
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm
simulacioacuten
IMAGEN ORIGINAL
FILTRO PASO BAJO 3x3 SE TRATA DE ASEMEJAR LOS VALORES DE ND DE UN PIXEL A LOS VALORES VECINOS EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA OFRECE PERFILES MENOS NIacuteTIDOS
FILTRO PASO BAJO 7x7 SIRVE PARA REDUCIR VARIABILIDAD ESPACIAL DE ALGUNA CATEGORIacuteA ANTES DE UN PROCESO DE CLASIFICACIOacuteN
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
IMAGEN ORIGINAL
FILTRO PASO ALTO 3x3 SE TRATA DE AISLAR LOS COMPONENTES DE ALTA FRECUENCIA Y REMARCAR DIGITALMENTE CONTRASTES EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA REFUERZA LOS CONTORNOS EN AacuteREAS HOMOGEacuteNEAS
FILTRO PASO ALTO 7x7 SIRVE PARA LOGRAR REALCES DE RASGOS LINEALES COMO PUEDEN SER EN AacuteREAS URBANAS O RASGOS GEOLOacuteGICOS
simulacioacuten
httpgeograuahesrtm
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
Figura - Landsat USGS
IMAGEN ORIGINAL
FILTRO DIRECCIONAL PERMITEN IDENTIFICAR LOS RASGOS FRONTERIZOS EN LAS IMAacuteGENES COMO LOS FILTROS ANTERIORES PERO AHORA CONSIDERANDO LA ORIENTACIOacuteN
se tiene en cuenta la
orientacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
matrices con direccioacuten
NORTE
1 1 1
1 -2 1
-1 -1 -1
SUR
-1 -1 -1
1 -2 1
1 1 1
ESTE
-1 1 1
-1 -2 1
-1 1 1
OESTE
1 1 -1
1 -2 -1
1 1 -1
SURESTE
-1 -1 1
-1 -2 1
1 1 1
NOROESTE
1 1 1
1 -2 -1
1 -1 -1
SUROESTE
1 -1 -1
1 -2 -1
1 1 1
NORESTE
1 1 1
-1 -2 1
-1 -1 1
OBSERVACIOacuteN
LOS NOMBRES OBEDECEN A LA DIRECCIOacuteN DEL CONTRASTE QUE SENtildeALAN
LA DIRECCIOacuteN QUE REALZAN ES JUSTAMENTE LA PERPENDICULAR
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
48 Interpretacioacuten de Imaacutegenes
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Correcciones geomeacutetricas Georreferenciacioacuten Uso de puntos de control Fuentes de error Procesamiento geomeacutetrico Correccioacuten Transformacioacuten geomeacutetrica Calidad y ajuste Generacioacuten de la nueva imagen Transferencia de ND
INSTITUTO DE AGRIMENSURA - DEPARTAMENTO DE GEOMAacuteTICA PROF ADJUNTO GRADO 3 EDISON J ROSAS BERTON
El tratamiento de una imagen de sateacutelite Georreferenciacioacuten
(paso de un sistema de filas y columnas a un sistema de coordenadas estandard)
Para ello debe obtenerse una muestra de puntos de control de los que conozcamos tanto sus coordenadas reales como sus coordenadas en
la imagen deben ser por tanto objetos de un tamantildeo adecuado para resultar identificables tanto en la imagen como sobre el terreno el tamantildeo
dependeraacute loacutegicamente de la resolucioacuten de la imagen A partir de estos puntos de control se obtendraacuten por regresioacuten unas ecuaciones que permitiraacuten a cada par filacolumna un par de coordenadas
XY
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
GEORREFERENCIACIOacuteN
ENTENDIENDO LAS IMAacuteGENES
georreferenciacioacuten porqueacute
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PUNTOS DE CONTROL
ENTENDIENDO LAS IMAacuteGENES
uso de puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
DISTORSIONES POR LA PLATAFORMA ALTITUD DE LA OacuteRBITA ndash Cambio de escala
VELOCIDAD ndash Cambios de escala ORIENTACIOacuteN DE LOS TRES EJES ndash Distorsiones en la geometriacutea
NO SISTEMAacuteTICOS Y COMPLEJOS DE MODELAR
DISTORSIONES POR ROTACIOacuteN TERRESTRE
CONSIDERANDO ALTITUD (800 Km) y TAMANtildeO DE LA IMAGEN (180 Km)ndashEn latitudes medias tarda en adquirir unos 30 segundos la Tierra se desplaza unos 8 Km
ORIENTACIOacuteN NE SW
DISTORSIONES POR EL SENSOR ANOMALIacuteAS SENSOR y MOVIMIENTO ESPEJO ndash Barrido no lineal o cambio en intervalos
AacuteNGULO DE BARRIDO ndash Variacioacuten en el tamantildeo de pixel
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ERROR EN UNA IMAGEN ESPACIAL
ENTENDIENDO LAS IMAacuteGENES
fuentes de error
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Una correccioacuten geomeacutetrica incluye CUALQUIER CAMBIO EN LA POSICIOacuteN DE LOS PIXELES que
conforman la imagen f (c`) = f1 (c l) f (x y) f (l`) = f2 (c l) f (x y)
COORDENADAS DE IMAGEN CORREGIDA SON FUNCIOacuteN DE COORDENADAS COLUMNA Y LIacuteNEA DE LA
IMAGEN DE ENTRADA O DE LAS COORDENADAS DE MAPA AL QUE SUPERPONDREMOS LA IMAGEN
1 CON OBJETIVO DE REALIZAR UNA TRANSFORMACIOacuteN GEOMEacuteTRICA QUE PERMITA AJUSTARLA A OTRA IMAGEN REFERENCIA NORMALMENTE PARA REALIZAR ESTUDIOS MULTITEMPORALES O MOSAICOS CON EL FIN DE AMPLIAR LOS DATOS E INFORMACIOacuteN DE UNA ZONA
2 ESTO PERMITIRAacute QUE LA NUEVA IMAGEN LA PUEDA INTEGRAR CON INFORMACIOacuteN DE OTRAS FUENTES POR EJEMPLO EN UN AMBIENTE SIG
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
correccioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
asumimos que
NO SE CONOCE EL ORIGEN DE LOS ERRORES
modelamos
ECUACIONES EMPIacuteRICAS
aplicadas a un conjunto de puntos
COORDENADAS CONOCIDAS IMAGEN INPUT e IMAGEN OUTPUT
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
1 ndash SELECCIOacuteN DE REFERENCIAS 2 ndash ECUACIONES DE AJUSTE
3 ndash GENERACIOacuteN DE LA IMAGEN CORREGIDA
ES OBVIO CALIDAD DEL AJUSTE DEPENDERAacute DE PRECISIOacuteN CON QUE SE
LOCALICEN LOS PUNTOS DE CONTROL INEXACTA LOCALIZACIOacuteN
DISTRIBUCIOacuteN MUY SECTORIZADA NUacuteMERO DE PUNTOS DE CONTROL INADECUADO
ESTABLECER LOS PUNTOS DE CONTROL FASE MAS CRUCIAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
procesamiento de la correccioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Resaltamos la importancia de
NUacuteMERO LOCALIZACIOacuteN DISTRIBUCIOacuteN
Que debemos atender Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
que considero UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash Croquis ilustrativos de apoyo
TERRENO O ZONAS PLANAS CON IMG OBTENIDAS POR UN SENSOR DE ESTRECHA VISIOacuteN DE CAMPO
TRANSFORMACIOacuteN
BASADO EN ECUACIONES LINEALES SIMPLES
TERRENO ESCARPADO O RUGOSO O UTILIZACIOacuteN DE IMG OBTENIDAS EN UN SENSOR CON VARIACIONES EN LAS CONDICIONES DE OBSERVACIOacuteN
TRANSFORMACIOacuteN MAacuteS COMPLEJA
POLINOMIOS DE SEGUNDO O TERCER ORDEN
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Desde un punto de vista matemaacutetico
GRADO 1 ndash 3 puntos GRADO 2 ndash 6 puntos GRADO 3 ndash 10 puntos
Seguacuten mis objetivos del trabajo no es conveniente utilizar esos miacutenimos
14 a 20 puntos (Landsat 5 MMS ndash seguacuten Bernstein R y D G Ferneyhough Jr 1978)
100 a 120 puntos (Landsat 7 TM ndash seguacuten el National Remote Sensing Center de Inglaterra)
10 o 12 puntos (Pequentildea zona de 512 x 512 pixeles ndash seguacuten Emilio Chuvieco 2010)
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
matemaacuteticamente UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
QUE DEBEMOS DE CONSIDERAR EN CUANTO A LA LOCALIZACIOacuteN
CLARAMENTE IDENTIFICABLES EN IMAGEN Y MAPA RASGOS HUMANOS DEL PAISAJE NO SUJETOS A DINAMISMO TEMPORAL
CRUCE DE CARRETERAS
CAMINOS VIacuteA FEacuteRREAS
NO CONSIDERAR ELEMENTOS ASOCIADOS AL AGUA
COSTA CURSOS DE AGUA
EMBALSES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
localizacioacuten TCP UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la correccioacuten digital de la geometriacutea de una imagen se realiza a partir de establecer unas funciones que relacionen las coordenadas de la imagen
y las coordenadas del mapa
EJ CASO MAS SIMPLE REGRESIOacuteN LINEAL MUacuteLTIPLE
ci = a0 + a1 Xi + a2 Yi li = b0 + b1 Xi + b2 Yi
EN LA PRAacuteCTICA BASTA UNA FUNCIOacuteN LINEAL PARA ABORDAR UN GRAN NUacuteMERO DE
TRANSFORMACIONES Y SON SUFICIENTES SI LAS IMAacuteGENES NO SON MUY GRANDES ANTE LA NECESIDAD DE OTRAS TRANSFORMACIONES SE UTILIZAN DE 2ordm y 3ordm ORDEN CONSIDERANDO ALTERACIONES GEOMEacuteTRICAS NO LINEALES (FUNCIONES QUE NO SE DEFINEN EN UN PLANO
CON EJES LINEALES SINO QUE SUPERFICIES CON EJES CURVILIacuteNEOS)
LOS COEFICIENTES DE LAS FUNCIONES DE TRANSFORMACIOacuteN SE CALCULAN A PARTIR DE UN AJUSTE POR MIacuteNIMOS CUADRADOS
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
funciones de transformacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash ejemplos de funciones de transformacioacuten geomeacutetrica con el efecto causado
TRASLACIOacuteN
CAMBIO DE ESCALA
INCLINACIOacuteN
PERSPECTIVA
ROTACIOacuteN
x = a0 + xacute y = b0 + yacute
x = xacute + a2 yacute y = yacute
x = a1 xacute y = b1 yacute
x = a3xacute yacute y = yacute
x = a4xacute + a5yacute y = b4xacute + b5yacute a4 = b5 = cos Ɵ a5 = -b4 = sen Ɵ
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
transformacioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
comparacioacuten coordenadas reales y las estimadas por la regresioacuten
el promedio de los residuales se conoce como error medio cuadraacutetico
la calidad del ajuste lo da el RMSE (root mean squared error)
(error medio cuadraacutetico)
RMSE es la raiacutez cuadrada de las desviaciones entre los valores reales y los
calculados
RMSE para cada punto es la raiacutez de los residuales al cuadrado que es la distancia entre ellos
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
RMSE UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la praacutectica hace que fijemos una TOLERANCIA y es que si ese promedio supera un valor fijado previamente haya que rever
el valor fijado previamente generalmente es igual o menor a un PIXEL
una correcta verificacioacuten
NECESITA introducir PUNTOS de VERIFICACIOacuteN
que no hayan sido introducidos en el ajuste
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
tolerancias fijadas
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
traducimos coordenadas de un mapa a la imagen tambieacuten necesitamos a la nueva imagen
TRANSFERIR LOS VALORES DIGITALES no olvidar que lo que queremos es generar una nueva imagen que se
corresponda con las coordenadas y las funciones de ajuste
NO ORIGINAN NUEVA IMAGEN solo colocan a los pixeles en la posicioacuten correcta
en criollo las funciones de transformacioacuten generan una nueva matriz bien posicionada pero vaciacutea
DEBEMOS LLENAR LA MATRIZ problema maacutes complejo de lo que puede
pensarse Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
generacioacuten de la nueva imaacutegen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
cada pixel de la imagen corregida se corresponderiacutea con un pixel de la imagen original
LEJOS DE ESE IDEAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo I
vecino maacutes proacuteximo ( nearest neighbour )
a cada celda de la imagen corregida se asigna el ND del pixel maacutes cercano de la
imagen original
SOLUCIOacuteN RAacutePIDA MENOR DISTORSIOacuteN DE LOS ND
INTRODUCE RASGOS LINEALES QUE DISTORSIONAN
CORRECCIOacuteN DE IMAacuteGENES CLASIFICADAS
CONSERVAR LA RADIOMETRIacuteA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo II
interpolacioacuten bilineal ( bilinear interpolation )
supone promediar los ND de los cuatro pixeles mas cercanos
con ponderacioacuten seguacuten la distancia pixeles originalcorregido
REDUCE EL EFECTO DE DISTORSIOacuteN EN RASGOS LINEALES
TIENDE A DIFUMINAR LOS CONTRASTES ESPACIALES
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE IMAacuteGENES RECTIFICADAS MAPAS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo III
convolusioacuten cuacutebica ( cubic convolution )
supone considerar los ND de los 16 pixeles mas proacuteximos
media ponderada seguacuten la distancia pixeles originalcorregido
EFECTO VISUAL MAS CORRECTO
VOLUacuteMEN DE CAacuteLCULO MUY SUPERIOR TENDENCIA A AGUDIZAR BORDES DE LA IMAGEN
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE ORTOIMAacuteGENES IMPRESIONES DE CALIDAD
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Filtros espaciales Concepto de kernel Filtros paso bajo y paso alto Filtros direccionales Anomaliacuteas y correccioacuten atmosfeacuterica Correcciones radiomeacutetricas Anomaliacuteas radiomeacutetricas Fallos en el sensorCorreccioacuten atmosfeacuterica concepto Meacutetodo valores miacutenimos Regresioacuten entre bandas Dispersioacuten por aerosolesCalibracioacuten Caso misioacuten Landsat
47 Interpretacioacuten de Imaacutegenes
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de que es un filtro
espacial
FUNCIONES PARA MEJORAR ASPECTO DE LAS IMAacuteGENES
REALZAN O DISMINUYEN ELEMENTOS VISUALES DE LA IMG
BASADOS EN LA FRECUENCIA ESPACIAL
FRECUENCIAS ESPACIALES ALTAS Variaciones que se producen en pocos piacutexeles TENDENCIA GENERAL FRECUENCIAS ESPACIALES BAJAS
Variaciones que se producen en muchos piacutexeles CONTRASTES LOCALES
FILTROS Figura - CCRS CCT
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de kernel
FILTRADO ESPACIAL Figura - CCRS CCT FILTRADO EN EL DOMINIO
ESPACIAL Lo mas comuacuten es la aplicacioacuten de una ventana deslizante con valores que son coeficientes fijos de una matriz La MATRIZ se suele llamar KERNEL o nuacutecleo del filtro
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DIGITAL
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
3 x 3 5 x 5 7 x 7
1 1 1
1 2 1
1 1 1 matrices
LOS VALORES DEL KERNEL SE MULTIPLICAN POR EL PIacuteXEL QUE TIENEN DEBAJO Y LUEGO SE SUMAN TODOS LOS PRODUCTOS
Y PARA OBTENER EL VALOR DEL PIacuteXEL CENTRAL EN LA IMAGEN TRANSFORMADA SE LO DIVIDE POR LA SUMA DE LOS PONDERADOS O PESOS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO - PASO BAJO PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
26
FILTROS DE PASO BAJO SE FAVORECEN A LOS PIXELES
PERIFEacuteRICOS SE MINIMIZAN LAS DIFERENCIAS CON LOS VECINOS ES UNA ESPECIE DE SUAVIZADO
FILTRO DE PASO ALTO PONDERACIOacuteN DEL VALOR CENTRAL EN DETRIMENTO DE LOS CIRCUNDANTES
SE EXAGERAN DIFERENCIAS Y SE RESALTAN VARIACIONES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO BAJO
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm
simulacioacuten
IMAGEN ORIGINAL
FILTRO PASO BAJO 3x3 SE TRATA DE ASEMEJAR LOS VALORES DE ND DE UN PIXEL A LOS VALORES VECINOS EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA OFRECE PERFILES MENOS NIacuteTIDOS
FILTRO PASO BAJO 7x7 SIRVE PARA REDUCIR VARIABILIDAD ESPACIAL DE ALGUNA CATEGORIacuteA ANTES DE UN PROCESO DE CLASIFICACIOacuteN
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
IMAGEN ORIGINAL
FILTRO PASO ALTO 3x3 SE TRATA DE AISLAR LOS COMPONENTES DE ALTA FRECUENCIA Y REMARCAR DIGITALMENTE CONTRASTES EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA REFUERZA LOS CONTORNOS EN AacuteREAS HOMOGEacuteNEAS
FILTRO PASO ALTO 7x7 SIRVE PARA LOGRAR REALCES DE RASGOS LINEALES COMO PUEDEN SER EN AacuteREAS URBANAS O RASGOS GEOLOacuteGICOS
simulacioacuten
httpgeograuahesrtm
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
Figura - Landsat USGS
IMAGEN ORIGINAL
FILTRO DIRECCIONAL PERMITEN IDENTIFICAR LOS RASGOS FRONTERIZOS EN LAS IMAacuteGENES COMO LOS FILTROS ANTERIORES PERO AHORA CONSIDERANDO LA ORIENTACIOacuteN
se tiene en cuenta la
orientacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
matrices con direccioacuten
NORTE
1 1 1
1 -2 1
-1 -1 -1
SUR
-1 -1 -1
1 -2 1
1 1 1
ESTE
-1 1 1
-1 -2 1
-1 1 1
OESTE
1 1 -1
1 -2 -1
1 1 -1
SURESTE
-1 -1 1
-1 -2 1
1 1 1
NOROESTE
1 1 1
1 -2 -1
1 -1 -1
SUROESTE
1 -1 -1
1 -2 -1
1 1 1
NORESTE
1 1 1
-1 -2 1
-1 -1 1
OBSERVACIOacuteN
LOS NOMBRES OBEDECEN A LA DIRECCIOacuteN DEL CONTRASTE QUE SENtildeALAN
LA DIRECCIOacuteN QUE REALZAN ES JUSTAMENTE LA PERPENDICULAR
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
48 Interpretacioacuten de Imaacutegenes
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Correcciones geomeacutetricas Georreferenciacioacuten Uso de puntos de control Fuentes de error Procesamiento geomeacutetrico Correccioacuten Transformacioacuten geomeacutetrica Calidad y ajuste Generacioacuten de la nueva imagen Transferencia de ND
INSTITUTO DE AGRIMENSURA - DEPARTAMENTO DE GEOMAacuteTICA PROF ADJUNTO GRADO 3 EDISON J ROSAS BERTON
El tratamiento de una imagen de sateacutelite Georreferenciacioacuten
(paso de un sistema de filas y columnas a un sistema de coordenadas estandard)
Para ello debe obtenerse una muestra de puntos de control de los que conozcamos tanto sus coordenadas reales como sus coordenadas en
la imagen deben ser por tanto objetos de un tamantildeo adecuado para resultar identificables tanto en la imagen como sobre el terreno el tamantildeo
dependeraacute loacutegicamente de la resolucioacuten de la imagen A partir de estos puntos de control se obtendraacuten por regresioacuten unas ecuaciones que permitiraacuten a cada par filacolumna un par de coordenadas
XY
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
GEORREFERENCIACIOacuteN
ENTENDIENDO LAS IMAacuteGENES
georreferenciacioacuten porqueacute
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PUNTOS DE CONTROL
ENTENDIENDO LAS IMAacuteGENES
uso de puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
DISTORSIONES POR LA PLATAFORMA ALTITUD DE LA OacuteRBITA ndash Cambio de escala
VELOCIDAD ndash Cambios de escala ORIENTACIOacuteN DE LOS TRES EJES ndash Distorsiones en la geometriacutea
NO SISTEMAacuteTICOS Y COMPLEJOS DE MODELAR
DISTORSIONES POR ROTACIOacuteN TERRESTRE
CONSIDERANDO ALTITUD (800 Km) y TAMANtildeO DE LA IMAGEN (180 Km)ndashEn latitudes medias tarda en adquirir unos 30 segundos la Tierra se desplaza unos 8 Km
ORIENTACIOacuteN NE SW
DISTORSIONES POR EL SENSOR ANOMALIacuteAS SENSOR y MOVIMIENTO ESPEJO ndash Barrido no lineal o cambio en intervalos
AacuteNGULO DE BARRIDO ndash Variacioacuten en el tamantildeo de pixel
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ERROR EN UNA IMAGEN ESPACIAL
ENTENDIENDO LAS IMAacuteGENES
fuentes de error
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Una correccioacuten geomeacutetrica incluye CUALQUIER CAMBIO EN LA POSICIOacuteN DE LOS PIXELES que
conforman la imagen f (c`) = f1 (c l) f (x y) f (l`) = f2 (c l) f (x y)
COORDENADAS DE IMAGEN CORREGIDA SON FUNCIOacuteN DE COORDENADAS COLUMNA Y LIacuteNEA DE LA
IMAGEN DE ENTRADA O DE LAS COORDENADAS DE MAPA AL QUE SUPERPONDREMOS LA IMAGEN
1 CON OBJETIVO DE REALIZAR UNA TRANSFORMACIOacuteN GEOMEacuteTRICA QUE PERMITA AJUSTARLA A OTRA IMAGEN REFERENCIA NORMALMENTE PARA REALIZAR ESTUDIOS MULTITEMPORALES O MOSAICOS CON EL FIN DE AMPLIAR LOS DATOS E INFORMACIOacuteN DE UNA ZONA
2 ESTO PERMITIRAacute QUE LA NUEVA IMAGEN LA PUEDA INTEGRAR CON INFORMACIOacuteN DE OTRAS FUENTES POR EJEMPLO EN UN AMBIENTE SIG
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
correccioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
asumimos que
NO SE CONOCE EL ORIGEN DE LOS ERRORES
modelamos
ECUACIONES EMPIacuteRICAS
aplicadas a un conjunto de puntos
COORDENADAS CONOCIDAS IMAGEN INPUT e IMAGEN OUTPUT
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
1 ndash SELECCIOacuteN DE REFERENCIAS 2 ndash ECUACIONES DE AJUSTE
3 ndash GENERACIOacuteN DE LA IMAGEN CORREGIDA
ES OBVIO CALIDAD DEL AJUSTE DEPENDERAacute DE PRECISIOacuteN CON QUE SE
LOCALICEN LOS PUNTOS DE CONTROL INEXACTA LOCALIZACIOacuteN
DISTRIBUCIOacuteN MUY SECTORIZADA NUacuteMERO DE PUNTOS DE CONTROL INADECUADO
ESTABLECER LOS PUNTOS DE CONTROL FASE MAS CRUCIAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
procesamiento de la correccioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Resaltamos la importancia de
NUacuteMERO LOCALIZACIOacuteN DISTRIBUCIOacuteN
Que debemos atender Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
que considero UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash Croquis ilustrativos de apoyo
TERRENO O ZONAS PLANAS CON IMG OBTENIDAS POR UN SENSOR DE ESTRECHA VISIOacuteN DE CAMPO
TRANSFORMACIOacuteN
BASADO EN ECUACIONES LINEALES SIMPLES
TERRENO ESCARPADO O RUGOSO O UTILIZACIOacuteN DE IMG OBTENIDAS EN UN SENSOR CON VARIACIONES EN LAS CONDICIONES DE OBSERVACIOacuteN
TRANSFORMACIOacuteN MAacuteS COMPLEJA
POLINOMIOS DE SEGUNDO O TERCER ORDEN
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Desde un punto de vista matemaacutetico
GRADO 1 ndash 3 puntos GRADO 2 ndash 6 puntos GRADO 3 ndash 10 puntos
Seguacuten mis objetivos del trabajo no es conveniente utilizar esos miacutenimos
14 a 20 puntos (Landsat 5 MMS ndash seguacuten Bernstein R y D G Ferneyhough Jr 1978)
100 a 120 puntos (Landsat 7 TM ndash seguacuten el National Remote Sensing Center de Inglaterra)
10 o 12 puntos (Pequentildea zona de 512 x 512 pixeles ndash seguacuten Emilio Chuvieco 2010)
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
matemaacuteticamente UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
QUE DEBEMOS DE CONSIDERAR EN CUANTO A LA LOCALIZACIOacuteN
CLARAMENTE IDENTIFICABLES EN IMAGEN Y MAPA RASGOS HUMANOS DEL PAISAJE NO SUJETOS A DINAMISMO TEMPORAL
CRUCE DE CARRETERAS
CAMINOS VIacuteA FEacuteRREAS
NO CONSIDERAR ELEMENTOS ASOCIADOS AL AGUA
COSTA CURSOS DE AGUA
EMBALSES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
localizacioacuten TCP UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la correccioacuten digital de la geometriacutea de una imagen se realiza a partir de establecer unas funciones que relacionen las coordenadas de la imagen
y las coordenadas del mapa
EJ CASO MAS SIMPLE REGRESIOacuteN LINEAL MUacuteLTIPLE
ci = a0 + a1 Xi + a2 Yi li = b0 + b1 Xi + b2 Yi
EN LA PRAacuteCTICA BASTA UNA FUNCIOacuteN LINEAL PARA ABORDAR UN GRAN NUacuteMERO DE
TRANSFORMACIONES Y SON SUFICIENTES SI LAS IMAacuteGENES NO SON MUY GRANDES ANTE LA NECESIDAD DE OTRAS TRANSFORMACIONES SE UTILIZAN DE 2ordm y 3ordm ORDEN CONSIDERANDO ALTERACIONES GEOMEacuteTRICAS NO LINEALES (FUNCIONES QUE NO SE DEFINEN EN UN PLANO
CON EJES LINEALES SINO QUE SUPERFICIES CON EJES CURVILIacuteNEOS)
LOS COEFICIENTES DE LAS FUNCIONES DE TRANSFORMACIOacuteN SE CALCULAN A PARTIR DE UN AJUSTE POR MIacuteNIMOS CUADRADOS
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
funciones de transformacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash ejemplos de funciones de transformacioacuten geomeacutetrica con el efecto causado
TRASLACIOacuteN
CAMBIO DE ESCALA
INCLINACIOacuteN
PERSPECTIVA
ROTACIOacuteN
x = a0 + xacute y = b0 + yacute
x = xacute + a2 yacute y = yacute
x = a1 xacute y = b1 yacute
x = a3xacute yacute y = yacute
x = a4xacute + a5yacute y = b4xacute + b5yacute a4 = b5 = cos Ɵ a5 = -b4 = sen Ɵ
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
transformacioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
comparacioacuten coordenadas reales y las estimadas por la regresioacuten
el promedio de los residuales se conoce como error medio cuadraacutetico
la calidad del ajuste lo da el RMSE (root mean squared error)
(error medio cuadraacutetico)
RMSE es la raiacutez cuadrada de las desviaciones entre los valores reales y los
calculados
RMSE para cada punto es la raiacutez de los residuales al cuadrado que es la distancia entre ellos
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
RMSE UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la praacutectica hace que fijemos una TOLERANCIA y es que si ese promedio supera un valor fijado previamente haya que rever
el valor fijado previamente generalmente es igual o menor a un PIXEL
una correcta verificacioacuten
NECESITA introducir PUNTOS de VERIFICACIOacuteN
que no hayan sido introducidos en el ajuste
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
tolerancias fijadas
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
traducimos coordenadas de un mapa a la imagen tambieacuten necesitamos a la nueva imagen
TRANSFERIR LOS VALORES DIGITALES no olvidar que lo que queremos es generar una nueva imagen que se
corresponda con las coordenadas y las funciones de ajuste
NO ORIGINAN NUEVA IMAGEN solo colocan a los pixeles en la posicioacuten correcta
en criollo las funciones de transformacioacuten generan una nueva matriz bien posicionada pero vaciacutea
DEBEMOS LLENAR LA MATRIZ problema maacutes complejo de lo que puede
pensarse Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
generacioacuten de la nueva imaacutegen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
cada pixel de la imagen corregida se corresponderiacutea con un pixel de la imagen original
LEJOS DE ESE IDEAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo I
vecino maacutes proacuteximo ( nearest neighbour )
a cada celda de la imagen corregida se asigna el ND del pixel maacutes cercano de la
imagen original
SOLUCIOacuteN RAacutePIDA MENOR DISTORSIOacuteN DE LOS ND
INTRODUCE RASGOS LINEALES QUE DISTORSIONAN
CORRECCIOacuteN DE IMAacuteGENES CLASIFICADAS
CONSERVAR LA RADIOMETRIacuteA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo II
interpolacioacuten bilineal ( bilinear interpolation )
supone promediar los ND de los cuatro pixeles mas cercanos
con ponderacioacuten seguacuten la distancia pixeles originalcorregido
REDUCE EL EFECTO DE DISTORSIOacuteN EN RASGOS LINEALES
TIENDE A DIFUMINAR LOS CONTRASTES ESPACIALES
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE IMAacuteGENES RECTIFICADAS MAPAS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo III
convolusioacuten cuacutebica ( cubic convolution )
supone considerar los ND de los 16 pixeles mas proacuteximos
media ponderada seguacuten la distancia pixeles originalcorregido
EFECTO VISUAL MAS CORRECTO
VOLUacuteMEN DE CAacuteLCULO MUY SUPERIOR TENDENCIA A AGUDIZAR BORDES DE LA IMAGEN
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE ORTOIMAacuteGENES IMPRESIONES DE CALIDAD
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de que es un filtro
espacial
FUNCIONES PARA MEJORAR ASPECTO DE LAS IMAacuteGENES
REALZAN O DISMINUYEN ELEMENTOS VISUALES DE LA IMG
BASADOS EN LA FRECUENCIA ESPACIAL
FRECUENCIAS ESPACIALES ALTAS Variaciones que se producen en pocos piacutexeles TENDENCIA GENERAL FRECUENCIAS ESPACIALES BAJAS
Variaciones que se producen en muchos piacutexeles CONTRASTES LOCALES
FILTROS Figura - CCRS CCT
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de kernel
FILTRADO ESPACIAL Figura - CCRS CCT FILTRADO EN EL DOMINIO
ESPACIAL Lo mas comuacuten es la aplicacioacuten de una ventana deslizante con valores que son coeficientes fijos de una matriz La MATRIZ se suele llamar KERNEL o nuacutecleo del filtro
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DIGITAL
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
3 x 3 5 x 5 7 x 7
1 1 1
1 2 1
1 1 1 matrices
LOS VALORES DEL KERNEL SE MULTIPLICAN POR EL PIacuteXEL QUE TIENEN DEBAJO Y LUEGO SE SUMAN TODOS LOS PRODUCTOS
Y PARA OBTENER EL VALOR DEL PIacuteXEL CENTRAL EN LA IMAGEN TRANSFORMADA SE LO DIVIDE POR LA SUMA DE LOS PONDERADOS O PESOS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO - PASO BAJO PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
26
FILTROS DE PASO BAJO SE FAVORECEN A LOS PIXELES
PERIFEacuteRICOS SE MINIMIZAN LAS DIFERENCIAS CON LOS VECINOS ES UNA ESPECIE DE SUAVIZADO
FILTRO DE PASO ALTO PONDERACIOacuteN DEL VALOR CENTRAL EN DETRIMENTO DE LOS CIRCUNDANTES
SE EXAGERAN DIFERENCIAS Y SE RESALTAN VARIACIONES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO BAJO
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm
simulacioacuten
IMAGEN ORIGINAL
FILTRO PASO BAJO 3x3 SE TRATA DE ASEMEJAR LOS VALORES DE ND DE UN PIXEL A LOS VALORES VECINOS EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA OFRECE PERFILES MENOS NIacuteTIDOS
FILTRO PASO BAJO 7x7 SIRVE PARA REDUCIR VARIABILIDAD ESPACIAL DE ALGUNA CATEGORIacuteA ANTES DE UN PROCESO DE CLASIFICACIOacuteN
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
IMAGEN ORIGINAL
FILTRO PASO ALTO 3x3 SE TRATA DE AISLAR LOS COMPONENTES DE ALTA FRECUENCIA Y REMARCAR DIGITALMENTE CONTRASTES EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA REFUERZA LOS CONTORNOS EN AacuteREAS HOMOGEacuteNEAS
FILTRO PASO ALTO 7x7 SIRVE PARA LOGRAR REALCES DE RASGOS LINEALES COMO PUEDEN SER EN AacuteREAS URBANAS O RASGOS GEOLOacuteGICOS
simulacioacuten
httpgeograuahesrtm
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
Figura - Landsat USGS
IMAGEN ORIGINAL
FILTRO DIRECCIONAL PERMITEN IDENTIFICAR LOS RASGOS FRONTERIZOS EN LAS IMAacuteGENES COMO LOS FILTROS ANTERIORES PERO AHORA CONSIDERANDO LA ORIENTACIOacuteN
se tiene en cuenta la
orientacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
matrices con direccioacuten
NORTE
1 1 1
1 -2 1
-1 -1 -1
SUR
-1 -1 -1
1 -2 1
1 1 1
ESTE
-1 1 1
-1 -2 1
-1 1 1
OESTE
1 1 -1
1 -2 -1
1 1 -1
SURESTE
-1 -1 1
-1 -2 1
1 1 1
NOROESTE
1 1 1
1 -2 -1
1 -1 -1
SUROESTE
1 -1 -1
1 -2 -1
1 1 1
NORESTE
1 1 1
-1 -2 1
-1 -1 1
OBSERVACIOacuteN
LOS NOMBRES OBEDECEN A LA DIRECCIOacuteN DEL CONTRASTE QUE SENtildeALAN
LA DIRECCIOacuteN QUE REALZAN ES JUSTAMENTE LA PERPENDICULAR
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
48 Interpretacioacuten de Imaacutegenes
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Correcciones geomeacutetricas Georreferenciacioacuten Uso de puntos de control Fuentes de error Procesamiento geomeacutetrico Correccioacuten Transformacioacuten geomeacutetrica Calidad y ajuste Generacioacuten de la nueva imagen Transferencia de ND
INSTITUTO DE AGRIMENSURA - DEPARTAMENTO DE GEOMAacuteTICA PROF ADJUNTO GRADO 3 EDISON J ROSAS BERTON
El tratamiento de una imagen de sateacutelite Georreferenciacioacuten
(paso de un sistema de filas y columnas a un sistema de coordenadas estandard)
Para ello debe obtenerse una muestra de puntos de control de los que conozcamos tanto sus coordenadas reales como sus coordenadas en
la imagen deben ser por tanto objetos de un tamantildeo adecuado para resultar identificables tanto en la imagen como sobre el terreno el tamantildeo
dependeraacute loacutegicamente de la resolucioacuten de la imagen A partir de estos puntos de control se obtendraacuten por regresioacuten unas ecuaciones que permitiraacuten a cada par filacolumna un par de coordenadas
XY
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
GEORREFERENCIACIOacuteN
ENTENDIENDO LAS IMAacuteGENES
georreferenciacioacuten porqueacute
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PUNTOS DE CONTROL
ENTENDIENDO LAS IMAacuteGENES
uso de puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
DISTORSIONES POR LA PLATAFORMA ALTITUD DE LA OacuteRBITA ndash Cambio de escala
VELOCIDAD ndash Cambios de escala ORIENTACIOacuteN DE LOS TRES EJES ndash Distorsiones en la geometriacutea
NO SISTEMAacuteTICOS Y COMPLEJOS DE MODELAR
DISTORSIONES POR ROTACIOacuteN TERRESTRE
CONSIDERANDO ALTITUD (800 Km) y TAMANtildeO DE LA IMAGEN (180 Km)ndashEn latitudes medias tarda en adquirir unos 30 segundos la Tierra se desplaza unos 8 Km
ORIENTACIOacuteN NE SW
DISTORSIONES POR EL SENSOR ANOMALIacuteAS SENSOR y MOVIMIENTO ESPEJO ndash Barrido no lineal o cambio en intervalos
AacuteNGULO DE BARRIDO ndash Variacioacuten en el tamantildeo de pixel
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ERROR EN UNA IMAGEN ESPACIAL
ENTENDIENDO LAS IMAacuteGENES
fuentes de error
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Una correccioacuten geomeacutetrica incluye CUALQUIER CAMBIO EN LA POSICIOacuteN DE LOS PIXELES que
conforman la imagen f (c`) = f1 (c l) f (x y) f (l`) = f2 (c l) f (x y)
COORDENADAS DE IMAGEN CORREGIDA SON FUNCIOacuteN DE COORDENADAS COLUMNA Y LIacuteNEA DE LA
IMAGEN DE ENTRADA O DE LAS COORDENADAS DE MAPA AL QUE SUPERPONDREMOS LA IMAGEN
1 CON OBJETIVO DE REALIZAR UNA TRANSFORMACIOacuteN GEOMEacuteTRICA QUE PERMITA AJUSTARLA A OTRA IMAGEN REFERENCIA NORMALMENTE PARA REALIZAR ESTUDIOS MULTITEMPORALES O MOSAICOS CON EL FIN DE AMPLIAR LOS DATOS E INFORMACIOacuteN DE UNA ZONA
2 ESTO PERMITIRAacute QUE LA NUEVA IMAGEN LA PUEDA INTEGRAR CON INFORMACIOacuteN DE OTRAS FUENTES POR EJEMPLO EN UN AMBIENTE SIG
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
correccioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
asumimos que
NO SE CONOCE EL ORIGEN DE LOS ERRORES
modelamos
ECUACIONES EMPIacuteRICAS
aplicadas a un conjunto de puntos
COORDENADAS CONOCIDAS IMAGEN INPUT e IMAGEN OUTPUT
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
1 ndash SELECCIOacuteN DE REFERENCIAS 2 ndash ECUACIONES DE AJUSTE
3 ndash GENERACIOacuteN DE LA IMAGEN CORREGIDA
ES OBVIO CALIDAD DEL AJUSTE DEPENDERAacute DE PRECISIOacuteN CON QUE SE
LOCALICEN LOS PUNTOS DE CONTROL INEXACTA LOCALIZACIOacuteN
DISTRIBUCIOacuteN MUY SECTORIZADA NUacuteMERO DE PUNTOS DE CONTROL INADECUADO
ESTABLECER LOS PUNTOS DE CONTROL FASE MAS CRUCIAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
procesamiento de la correccioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Resaltamos la importancia de
NUacuteMERO LOCALIZACIOacuteN DISTRIBUCIOacuteN
Que debemos atender Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
que considero UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash Croquis ilustrativos de apoyo
TERRENO O ZONAS PLANAS CON IMG OBTENIDAS POR UN SENSOR DE ESTRECHA VISIOacuteN DE CAMPO
TRANSFORMACIOacuteN
BASADO EN ECUACIONES LINEALES SIMPLES
TERRENO ESCARPADO O RUGOSO O UTILIZACIOacuteN DE IMG OBTENIDAS EN UN SENSOR CON VARIACIONES EN LAS CONDICIONES DE OBSERVACIOacuteN
TRANSFORMACIOacuteN MAacuteS COMPLEJA
POLINOMIOS DE SEGUNDO O TERCER ORDEN
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Desde un punto de vista matemaacutetico
GRADO 1 ndash 3 puntos GRADO 2 ndash 6 puntos GRADO 3 ndash 10 puntos
Seguacuten mis objetivos del trabajo no es conveniente utilizar esos miacutenimos
14 a 20 puntos (Landsat 5 MMS ndash seguacuten Bernstein R y D G Ferneyhough Jr 1978)
100 a 120 puntos (Landsat 7 TM ndash seguacuten el National Remote Sensing Center de Inglaterra)
10 o 12 puntos (Pequentildea zona de 512 x 512 pixeles ndash seguacuten Emilio Chuvieco 2010)
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
matemaacuteticamente UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
QUE DEBEMOS DE CONSIDERAR EN CUANTO A LA LOCALIZACIOacuteN
CLARAMENTE IDENTIFICABLES EN IMAGEN Y MAPA RASGOS HUMANOS DEL PAISAJE NO SUJETOS A DINAMISMO TEMPORAL
CRUCE DE CARRETERAS
CAMINOS VIacuteA FEacuteRREAS
NO CONSIDERAR ELEMENTOS ASOCIADOS AL AGUA
COSTA CURSOS DE AGUA
EMBALSES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
localizacioacuten TCP UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la correccioacuten digital de la geometriacutea de una imagen se realiza a partir de establecer unas funciones que relacionen las coordenadas de la imagen
y las coordenadas del mapa
EJ CASO MAS SIMPLE REGRESIOacuteN LINEAL MUacuteLTIPLE
ci = a0 + a1 Xi + a2 Yi li = b0 + b1 Xi + b2 Yi
EN LA PRAacuteCTICA BASTA UNA FUNCIOacuteN LINEAL PARA ABORDAR UN GRAN NUacuteMERO DE
TRANSFORMACIONES Y SON SUFICIENTES SI LAS IMAacuteGENES NO SON MUY GRANDES ANTE LA NECESIDAD DE OTRAS TRANSFORMACIONES SE UTILIZAN DE 2ordm y 3ordm ORDEN CONSIDERANDO ALTERACIONES GEOMEacuteTRICAS NO LINEALES (FUNCIONES QUE NO SE DEFINEN EN UN PLANO
CON EJES LINEALES SINO QUE SUPERFICIES CON EJES CURVILIacuteNEOS)
LOS COEFICIENTES DE LAS FUNCIONES DE TRANSFORMACIOacuteN SE CALCULAN A PARTIR DE UN AJUSTE POR MIacuteNIMOS CUADRADOS
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
funciones de transformacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash ejemplos de funciones de transformacioacuten geomeacutetrica con el efecto causado
TRASLACIOacuteN
CAMBIO DE ESCALA
INCLINACIOacuteN
PERSPECTIVA
ROTACIOacuteN
x = a0 + xacute y = b0 + yacute
x = xacute + a2 yacute y = yacute
x = a1 xacute y = b1 yacute
x = a3xacute yacute y = yacute
x = a4xacute + a5yacute y = b4xacute + b5yacute a4 = b5 = cos Ɵ a5 = -b4 = sen Ɵ
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
transformacioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
comparacioacuten coordenadas reales y las estimadas por la regresioacuten
el promedio de los residuales se conoce como error medio cuadraacutetico
la calidad del ajuste lo da el RMSE (root mean squared error)
(error medio cuadraacutetico)
RMSE es la raiacutez cuadrada de las desviaciones entre los valores reales y los
calculados
RMSE para cada punto es la raiacutez de los residuales al cuadrado que es la distancia entre ellos
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
RMSE UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la praacutectica hace que fijemos una TOLERANCIA y es que si ese promedio supera un valor fijado previamente haya que rever
el valor fijado previamente generalmente es igual o menor a un PIXEL
una correcta verificacioacuten
NECESITA introducir PUNTOS de VERIFICACIOacuteN
que no hayan sido introducidos en el ajuste
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
tolerancias fijadas
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
traducimos coordenadas de un mapa a la imagen tambieacuten necesitamos a la nueva imagen
TRANSFERIR LOS VALORES DIGITALES no olvidar que lo que queremos es generar una nueva imagen que se
corresponda con las coordenadas y las funciones de ajuste
NO ORIGINAN NUEVA IMAGEN solo colocan a los pixeles en la posicioacuten correcta
en criollo las funciones de transformacioacuten generan una nueva matriz bien posicionada pero vaciacutea
DEBEMOS LLENAR LA MATRIZ problema maacutes complejo de lo que puede
pensarse Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
generacioacuten de la nueva imaacutegen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
cada pixel de la imagen corregida se corresponderiacutea con un pixel de la imagen original
LEJOS DE ESE IDEAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo I
vecino maacutes proacuteximo ( nearest neighbour )
a cada celda de la imagen corregida se asigna el ND del pixel maacutes cercano de la
imagen original
SOLUCIOacuteN RAacutePIDA MENOR DISTORSIOacuteN DE LOS ND
INTRODUCE RASGOS LINEALES QUE DISTORSIONAN
CORRECCIOacuteN DE IMAacuteGENES CLASIFICADAS
CONSERVAR LA RADIOMETRIacuteA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo II
interpolacioacuten bilineal ( bilinear interpolation )
supone promediar los ND de los cuatro pixeles mas cercanos
con ponderacioacuten seguacuten la distancia pixeles originalcorregido
REDUCE EL EFECTO DE DISTORSIOacuteN EN RASGOS LINEALES
TIENDE A DIFUMINAR LOS CONTRASTES ESPACIALES
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE IMAacuteGENES RECTIFICADAS MAPAS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo III
convolusioacuten cuacutebica ( cubic convolution )
supone considerar los ND de los 16 pixeles mas proacuteximos
media ponderada seguacuten la distancia pixeles originalcorregido
EFECTO VISUAL MAS CORRECTO
VOLUacuteMEN DE CAacuteLCULO MUY SUPERIOR TENDENCIA A AGUDIZAR BORDES DE LA IMAGEN
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE ORTOIMAacuteGENES IMPRESIONES DE CALIDAD
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ENTENDIENDO LAS IMAacuteGENES
conceptos de kernel
FILTRADO ESPACIAL Figura - CCRS CCT FILTRADO EN EL DOMINIO
ESPACIAL Lo mas comuacuten es la aplicacioacuten de una ventana deslizante con valores que son coeficientes fijos de una matriz La MATRIZ se suele llamar KERNEL o nuacutecleo del filtro
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DIGITAL
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
3 x 3 5 x 5 7 x 7
1 1 1
1 2 1
1 1 1 matrices
LOS VALORES DEL KERNEL SE MULTIPLICAN POR EL PIacuteXEL QUE TIENEN DEBAJO Y LUEGO SE SUMAN TODOS LOS PRODUCTOS
Y PARA OBTENER EL VALOR DEL PIacuteXEL CENTRAL EN LA IMAGEN TRANSFORMADA SE LO DIVIDE POR LA SUMA DE LOS PONDERADOS O PESOS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO - PASO BAJO PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
26
FILTROS DE PASO BAJO SE FAVORECEN A LOS PIXELES
PERIFEacuteRICOS SE MINIMIZAN LAS DIFERENCIAS CON LOS VECINOS ES UNA ESPECIE DE SUAVIZADO
FILTRO DE PASO ALTO PONDERACIOacuteN DEL VALOR CENTRAL EN DETRIMENTO DE LOS CIRCUNDANTES
SE EXAGERAN DIFERENCIAS Y SE RESALTAN VARIACIONES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO BAJO
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm
simulacioacuten
IMAGEN ORIGINAL
FILTRO PASO BAJO 3x3 SE TRATA DE ASEMEJAR LOS VALORES DE ND DE UN PIXEL A LOS VALORES VECINOS EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA OFRECE PERFILES MENOS NIacuteTIDOS
FILTRO PASO BAJO 7x7 SIRVE PARA REDUCIR VARIABILIDAD ESPACIAL DE ALGUNA CATEGORIacuteA ANTES DE UN PROCESO DE CLASIFICACIOacuteN
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
IMAGEN ORIGINAL
FILTRO PASO ALTO 3x3 SE TRATA DE AISLAR LOS COMPONENTES DE ALTA FRECUENCIA Y REMARCAR DIGITALMENTE CONTRASTES EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA REFUERZA LOS CONTORNOS EN AacuteREAS HOMOGEacuteNEAS
FILTRO PASO ALTO 7x7 SIRVE PARA LOGRAR REALCES DE RASGOS LINEALES COMO PUEDEN SER EN AacuteREAS URBANAS O RASGOS GEOLOacuteGICOS
simulacioacuten
httpgeograuahesrtm
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
Figura - Landsat USGS
IMAGEN ORIGINAL
FILTRO DIRECCIONAL PERMITEN IDENTIFICAR LOS RASGOS FRONTERIZOS EN LAS IMAacuteGENES COMO LOS FILTROS ANTERIORES PERO AHORA CONSIDERANDO LA ORIENTACIOacuteN
se tiene en cuenta la
orientacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
matrices con direccioacuten
NORTE
1 1 1
1 -2 1
-1 -1 -1
SUR
-1 -1 -1
1 -2 1
1 1 1
ESTE
-1 1 1
-1 -2 1
-1 1 1
OESTE
1 1 -1
1 -2 -1
1 1 -1
SURESTE
-1 -1 1
-1 -2 1
1 1 1
NOROESTE
1 1 1
1 -2 -1
1 -1 -1
SUROESTE
1 -1 -1
1 -2 -1
1 1 1
NORESTE
1 1 1
-1 -2 1
-1 -1 1
OBSERVACIOacuteN
LOS NOMBRES OBEDECEN A LA DIRECCIOacuteN DEL CONTRASTE QUE SENtildeALAN
LA DIRECCIOacuteN QUE REALZAN ES JUSTAMENTE LA PERPENDICULAR
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
48 Interpretacioacuten de Imaacutegenes
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Correcciones geomeacutetricas Georreferenciacioacuten Uso de puntos de control Fuentes de error Procesamiento geomeacutetrico Correccioacuten Transformacioacuten geomeacutetrica Calidad y ajuste Generacioacuten de la nueva imagen Transferencia de ND
INSTITUTO DE AGRIMENSURA - DEPARTAMENTO DE GEOMAacuteTICA PROF ADJUNTO GRADO 3 EDISON J ROSAS BERTON
El tratamiento de una imagen de sateacutelite Georreferenciacioacuten
(paso de un sistema de filas y columnas a un sistema de coordenadas estandard)
Para ello debe obtenerse una muestra de puntos de control de los que conozcamos tanto sus coordenadas reales como sus coordenadas en
la imagen deben ser por tanto objetos de un tamantildeo adecuado para resultar identificables tanto en la imagen como sobre el terreno el tamantildeo
dependeraacute loacutegicamente de la resolucioacuten de la imagen A partir de estos puntos de control se obtendraacuten por regresioacuten unas ecuaciones que permitiraacuten a cada par filacolumna un par de coordenadas
XY
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
GEORREFERENCIACIOacuteN
ENTENDIENDO LAS IMAacuteGENES
georreferenciacioacuten porqueacute
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PUNTOS DE CONTROL
ENTENDIENDO LAS IMAacuteGENES
uso de puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
DISTORSIONES POR LA PLATAFORMA ALTITUD DE LA OacuteRBITA ndash Cambio de escala
VELOCIDAD ndash Cambios de escala ORIENTACIOacuteN DE LOS TRES EJES ndash Distorsiones en la geometriacutea
NO SISTEMAacuteTICOS Y COMPLEJOS DE MODELAR
DISTORSIONES POR ROTACIOacuteN TERRESTRE
CONSIDERANDO ALTITUD (800 Km) y TAMANtildeO DE LA IMAGEN (180 Km)ndashEn latitudes medias tarda en adquirir unos 30 segundos la Tierra se desplaza unos 8 Km
ORIENTACIOacuteN NE SW
DISTORSIONES POR EL SENSOR ANOMALIacuteAS SENSOR y MOVIMIENTO ESPEJO ndash Barrido no lineal o cambio en intervalos
AacuteNGULO DE BARRIDO ndash Variacioacuten en el tamantildeo de pixel
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ERROR EN UNA IMAGEN ESPACIAL
ENTENDIENDO LAS IMAacuteGENES
fuentes de error
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Una correccioacuten geomeacutetrica incluye CUALQUIER CAMBIO EN LA POSICIOacuteN DE LOS PIXELES que
conforman la imagen f (c`) = f1 (c l) f (x y) f (l`) = f2 (c l) f (x y)
COORDENADAS DE IMAGEN CORREGIDA SON FUNCIOacuteN DE COORDENADAS COLUMNA Y LIacuteNEA DE LA
IMAGEN DE ENTRADA O DE LAS COORDENADAS DE MAPA AL QUE SUPERPONDREMOS LA IMAGEN
1 CON OBJETIVO DE REALIZAR UNA TRANSFORMACIOacuteN GEOMEacuteTRICA QUE PERMITA AJUSTARLA A OTRA IMAGEN REFERENCIA NORMALMENTE PARA REALIZAR ESTUDIOS MULTITEMPORALES O MOSAICOS CON EL FIN DE AMPLIAR LOS DATOS E INFORMACIOacuteN DE UNA ZONA
2 ESTO PERMITIRAacute QUE LA NUEVA IMAGEN LA PUEDA INTEGRAR CON INFORMACIOacuteN DE OTRAS FUENTES POR EJEMPLO EN UN AMBIENTE SIG
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
correccioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
asumimos que
NO SE CONOCE EL ORIGEN DE LOS ERRORES
modelamos
ECUACIONES EMPIacuteRICAS
aplicadas a un conjunto de puntos
COORDENADAS CONOCIDAS IMAGEN INPUT e IMAGEN OUTPUT
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
1 ndash SELECCIOacuteN DE REFERENCIAS 2 ndash ECUACIONES DE AJUSTE
3 ndash GENERACIOacuteN DE LA IMAGEN CORREGIDA
ES OBVIO CALIDAD DEL AJUSTE DEPENDERAacute DE PRECISIOacuteN CON QUE SE
LOCALICEN LOS PUNTOS DE CONTROL INEXACTA LOCALIZACIOacuteN
DISTRIBUCIOacuteN MUY SECTORIZADA NUacuteMERO DE PUNTOS DE CONTROL INADECUADO
ESTABLECER LOS PUNTOS DE CONTROL FASE MAS CRUCIAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
procesamiento de la correccioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Resaltamos la importancia de
NUacuteMERO LOCALIZACIOacuteN DISTRIBUCIOacuteN
Que debemos atender Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
que considero UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash Croquis ilustrativos de apoyo
TERRENO O ZONAS PLANAS CON IMG OBTENIDAS POR UN SENSOR DE ESTRECHA VISIOacuteN DE CAMPO
TRANSFORMACIOacuteN
BASADO EN ECUACIONES LINEALES SIMPLES
TERRENO ESCARPADO O RUGOSO O UTILIZACIOacuteN DE IMG OBTENIDAS EN UN SENSOR CON VARIACIONES EN LAS CONDICIONES DE OBSERVACIOacuteN
TRANSFORMACIOacuteN MAacuteS COMPLEJA
POLINOMIOS DE SEGUNDO O TERCER ORDEN
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Desde un punto de vista matemaacutetico
GRADO 1 ndash 3 puntos GRADO 2 ndash 6 puntos GRADO 3 ndash 10 puntos
Seguacuten mis objetivos del trabajo no es conveniente utilizar esos miacutenimos
14 a 20 puntos (Landsat 5 MMS ndash seguacuten Bernstein R y D G Ferneyhough Jr 1978)
100 a 120 puntos (Landsat 7 TM ndash seguacuten el National Remote Sensing Center de Inglaterra)
10 o 12 puntos (Pequentildea zona de 512 x 512 pixeles ndash seguacuten Emilio Chuvieco 2010)
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
matemaacuteticamente UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
QUE DEBEMOS DE CONSIDERAR EN CUANTO A LA LOCALIZACIOacuteN
CLARAMENTE IDENTIFICABLES EN IMAGEN Y MAPA RASGOS HUMANOS DEL PAISAJE NO SUJETOS A DINAMISMO TEMPORAL
CRUCE DE CARRETERAS
CAMINOS VIacuteA FEacuteRREAS
NO CONSIDERAR ELEMENTOS ASOCIADOS AL AGUA
COSTA CURSOS DE AGUA
EMBALSES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
localizacioacuten TCP UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la correccioacuten digital de la geometriacutea de una imagen se realiza a partir de establecer unas funciones que relacionen las coordenadas de la imagen
y las coordenadas del mapa
EJ CASO MAS SIMPLE REGRESIOacuteN LINEAL MUacuteLTIPLE
ci = a0 + a1 Xi + a2 Yi li = b0 + b1 Xi + b2 Yi
EN LA PRAacuteCTICA BASTA UNA FUNCIOacuteN LINEAL PARA ABORDAR UN GRAN NUacuteMERO DE
TRANSFORMACIONES Y SON SUFICIENTES SI LAS IMAacuteGENES NO SON MUY GRANDES ANTE LA NECESIDAD DE OTRAS TRANSFORMACIONES SE UTILIZAN DE 2ordm y 3ordm ORDEN CONSIDERANDO ALTERACIONES GEOMEacuteTRICAS NO LINEALES (FUNCIONES QUE NO SE DEFINEN EN UN PLANO
CON EJES LINEALES SINO QUE SUPERFICIES CON EJES CURVILIacuteNEOS)
LOS COEFICIENTES DE LAS FUNCIONES DE TRANSFORMACIOacuteN SE CALCULAN A PARTIR DE UN AJUSTE POR MIacuteNIMOS CUADRADOS
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
funciones de transformacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash ejemplos de funciones de transformacioacuten geomeacutetrica con el efecto causado
TRASLACIOacuteN
CAMBIO DE ESCALA
INCLINACIOacuteN
PERSPECTIVA
ROTACIOacuteN
x = a0 + xacute y = b0 + yacute
x = xacute + a2 yacute y = yacute
x = a1 xacute y = b1 yacute
x = a3xacute yacute y = yacute
x = a4xacute + a5yacute y = b4xacute + b5yacute a4 = b5 = cos Ɵ a5 = -b4 = sen Ɵ
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
transformacioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
comparacioacuten coordenadas reales y las estimadas por la regresioacuten
el promedio de los residuales se conoce como error medio cuadraacutetico
la calidad del ajuste lo da el RMSE (root mean squared error)
(error medio cuadraacutetico)
RMSE es la raiacutez cuadrada de las desviaciones entre los valores reales y los
calculados
RMSE para cada punto es la raiacutez de los residuales al cuadrado que es la distancia entre ellos
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
RMSE UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la praacutectica hace que fijemos una TOLERANCIA y es que si ese promedio supera un valor fijado previamente haya que rever
el valor fijado previamente generalmente es igual o menor a un PIXEL
una correcta verificacioacuten
NECESITA introducir PUNTOS de VERIFICACIOacuteN
que no hayan sido introducidos en el ajuste
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
tolerancias fijadas
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
traducimos coordenadas de un mapa a la imagen tambieacuten necesitamos a la nueva imagen
TRANSFERIR LOS VALORES DIGITALES no olvidar que lo que queremos es generar una nueva imagen que se
corresponda con las coordenadas y las funciones de ajuste
NO ORIGINAN NUEVA IMAGEN solo colocan a los pixeles en la posicioacuten correcta
en criollo las funciones de transformacioacuten generan una nueva matriz bien posicionada pero vaciacutea
DEBEMOS LLENAR LA MATRIZ problema maacutes complejo de lo que puede
pensarse Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
generacioacuten de la nueva imaacutegen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
cada pixel de la imagen corregida se corresponderiacutea con un pixel de la imagen original
LEJOS DE ESE IDEAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo I
vecino maacutes proacuteximo ( nearest neighbour )
a cada celda de la imagen corregida se asigna el ND del pixel maacutes cercano de la
imagen original
SOLUCIOacuteN RAacutePIDA MENOR DISTORSIOacuteN DE LOS ND
INTRODUCE RASGOS LINEALES QUE DISTORSIONAN
CORRECCIOacuteN DE IMAacuteGENES CLASIFICADAS
CONSERVAR LA RADIOMETRIacuteA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo II
interpolacioacuten bilineal ( bilinear interpolation )
supone promediar los ND de los cuatro pixeles mas cercanos
con ponderacioacuten seguacuten la distancia pixeles originalcorregido
REDUCE EL EFECTO DE DISTORSIOacuteN EN RASGOS LINEALES
TIENDE A DIFUMINAR LOS CONTRASTES ESPACIALES
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE IMAacuteGENES RECTIFICADAS MAPAS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo III
convolusioacuten cuacutebica ( cubic convolution )
supone considerar los ND de los 16 pixeles mas proacuteximos
media ponderada seguacuten la distancia pixeles originalcorregido
EFECTO VISUAL MAS CORRECTO
VOLUacuteMEN DE CAacuteLCULO MUY SUPERIOR TENDENCIA A AGUDIZAR BORDES DE LA IMAGEN
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE ORTOIMAacuteGENES IMPRESIONES DE CALIDAD
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DIGITAL
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
3 x 3 5 x 5 7 x 7
1 1 1
1 2 1
1 1 1 matrices
LOS VALORES DEL KERNEL SE MULTIPLICAN POR EL PIacuteXEL QUE TIENEN DEBAJO Y LUEGO SE SUMAN TODOS LOS PRODUCTOS
Y PARA OBTENER EL VALOR DEL PIacuteXEL CENTRAL EN LA IMAGEN TRANSFORMADA SE LO DIVIDE POR LA SUMA DE LOS PONDERADOS O PESOS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO - PASO BAJO PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
26
FILTROS DE PASO BAJO SE FAVORECEN A LOS PIXELES
PERIFEacuteRICOS SE MINIMIZAN LAS DIFERENCIAS CON LOS VECINOS ES UNA ESPECIE DE SUAVIZADO
FILTRO DE PASO ALTO PONDERACIOacuteN DEL VALOR CENTRAL EN DETRIMENTO DE LOS CIRCUNDANTES
SE EXAGERAN DIFERENCIAS Y SE RESALTAN VARIACIONES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO BAJO
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm
simulacioacuten
IMAGEN ORIGINAL
FILTRO PASO BAJO 3x3 SE TRATA DE ASEMEJAR LOS VALORES DE ND DE UN PIXEL A LOS VALORES VECINOS EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA OFRECE PERFILES MENOS NIacuteTIDOS
FILTRO PASO BAJO 7x7 SIRVE PARA REDUCIR VARIABILIDAD ESPACIAL DE ALGUNA CATEGORIacuteA ANTES DE UN PROCESO DE CLASIFICACIOacuteN
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
IMAGEN ORIGINAL
FILTRO PASO ALTO 3x3 SE TRATA DE AISLAR LOS COMPONENTES DE ALTA FRECUENCIA Y REMARCAR DIGITALMENTE CONTRASTES EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA REFUERZA LOS CONTORNOS EN AacuteREAS HOMOGEacuteNEAS
FILTRO PASO ALTO 7x7 SIRVE PARA LOGRAR REALCES DE RASGOS LINEALES COMO PUEDEN SER EN AacuteREAS URBANAS O RASGOS GEOLOacuteGICOS
simulacioacuten
httpgeograuahesrtm
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
Figura - Landsat USGS
IMAGEN ORIGINAL
FILTRO DIRECCIONAL PERMITEN IDENTIFICAR LOS RASGOS FRONTERIZOS EN LAS IMAacuteGENES COMO LOS FILTROS ANTERIORES PERO AHORA CONSIDERANDO LA ORIENTACIOacuteN
se tiene en cuenta la
orientacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
matrices con direccioacuten
NORTE
1 1 1
1 -2 1
-1 -1 -1
SUR
-1 -1 -1
1 -2 1
1 1 1
ESTE
-1 1 1
-1 -2 1
-1 1 1
OESTE
1 1 -1
1 -2 -1
1 1 -1
SURESTE
-1 -1 1
-1 -2 1
1 1 1
NOROESTE
1 1 1
1 -2 -1
1 -1 -1
SUROESTE
1 -1 -1
1 -2 -1
1 1 1
NORESTE
1 1 1
-1 -2 1
-1 -1 1
OBSERVACIOacuteN
LOS NOMBRES OBEDECEN A LA DIRECCIOacuteN DEL CONTRASTE QUE SENtildeALAN
LA DIRECCIOacuteN QUE REALZAN ES JUSTAMENTE LA PERPENDICULAR
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
48 Interpretacioacuten de Imaacutegenes
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Correcciones geomeacutetricas Georreferenciacioacuten Uso de puntos de control Fuentes de error Procesamiento geomeacutetrico Correccioacuten Transformacioacuten geomeacutetrica Calidad y ajuste Generacioacuten de la nueva imagen Transferencia de ND
INSTITUTO DE AGRIMENSURA - DEPARTAMENTO DE GEOMAacuteTICA PROF ADJUNTO GRADO 3 EDISON J ROSAS BERTON
El tratamiento de una imagen de sateacutelite Georreferenciacioacuten
(paso de un sistema de filas y columnas a un sistema de coordenadas estandard)
Para ello debe obtenerse una muestra de puntos de control de los que conozcamos tanto sus coordenadas reales como sus coordenadas en
la imagen deben ser por tanto objetos de un tamantildeo adecuado para resultar identificables tanto en la imagen como sobre el terreno el tamantildeo
dependeraacute loacutegicamente de la resolucioacuten de la imagen A partir de estos puntos de control se obtendraacuten por regresioacuten unas ecuaciones que permitiraacuten a cada par filacolumna un par de coordenadas
XY
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
GEORREFERENCIACIOacuteN
ENTENDIENDO LAS IMAacuteGENES
georreferenciacioacuten porqueacute
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PUNTOS DE CONTROL
ENTENDIENDO LAS IMAacuteGENES
uso de puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
DISTORSIONES POR LA PLATAFORMA ALTITUD DE LA OacuteRBITA ndash Cambio de escala
VELOCIDAD ndash Cambios de escala ORIENTACIOacuteN DE LOS TRES EJES ndash Distorsiones en la geometriacutea
NO SISTEMAacuteTICOS Y COMPLEJOS DE MODELAR
DISTORSIONES POR ROTACIOacuteN TERRESTRE
CONSIDERANDO ALTITUD (800 Km) y TAMANtildeO DE LA IMAGEN (180 Km)ndashEn latitudes medias tarda en adquirir unos 30 segundos la Tierra se desplaza unos 8 Km
ORIENTACIOacuteN NE SW
DISTORSIONES POR EL SENSOR ANOMALIacuteAS SENSOR y MOVIMIENTO ESPEJO ndash Barrido no lineal o cambio en intervalos
AacuteNGULO DE BARRIDO ndash Variacioacuten en el tamantildeo de pixel
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ERROR EN UNA IMAGEN ESPACIAL
ENTENDIENDO LAS IMAacuteGENES
fuentes de error
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Una correccioacuten geomeacutetrica incluye CUALQUIER CAMBIO EN LA POSICIOacuteN DE LOS PIXELES que
conforman la imagen f (c`) = f1 (c l) f (x y) f (l`) = f2 (c l) f (x y)
COORDENADAS DE IMAGEN CORREGIDA SON FUNCIOacuteN DE COORDENADAS COLUMNA Y LIacuteNEA DE LA
IMAGEN DE ENTRADA O DE LAS COORDENADAS DE MAPA AL QUE SUPERPONDREMOS LA IMAGEN
1 CON OBJETIVO DE REALIZAR UNA TRANSFORMACIOacuteN GEOMEacuteTRICA QUE PERMITA AJUSTARLA A OTRA IMAGEN REFERENCIA NORMALMENTE PARA REALIZAR ESTUDIOS MULTITEMPORALES O MOSAICOS CON EL FIN DE AMPLIAR LOS DATOS E INFORMACIOacuteN DE UNA ZONA
2 ESTO PERMITIRAacute QUE LA NUEVA IMAGEN LA PUEDA INTEGRAR CON INFORMACIOacuteN DE OTRAS FUENTES POR EJEMPLO EN UN AMBIENTE SIG
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
correccioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
asumimos que
NO SE CONOCE EL ORIGEN DE LOS ERRORES
modelamos
ECUACIONES EMPIacuteRICAS
aplicadas a un conjunto de puntos
COORDENADAS CONOCIDAS IMAGEN INPUT e IMAGEN OUTPUT
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
1 ndash SELECCIOacuteN DE REFERENCIAS 2 ndash ECUACIONES DE AJUSTE
3 ndash GENERACIOacuteN DE LA IMAGEN CORREGIDA
ES OBVIO CALIDAD DEL AJUSTE DEPENDERAacute DE PRECISIOacuteN CON QUE SE
LOCALICEN LOS PUNTOS DE CONTROL INEXACTA LOCALIZACIOacuteN
DISTRIBUCIOacuteN MUY SECTORIZADA NUacuteMERO DE PUNTOS DE CONTROL INADECUADO
ESTABLECER LOS PUNTOS DE CONTROL FASE MAS CRUCIAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
procesamiento de la correccioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Resaltamos la importancia de
NUacuteMERO LOCALIZACIOacuteN DISTRIBUCIOacuteN
Que debemos atender Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
que considero UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash Croquis ilustrativos de apoyo
TERRENO O ZONAS PLANAS CON IMG OBTENIDAS POR UN SENSOR DE ESTRECHA VISIOacuteN DE CAMPO
TRANSFORMACIOacuteN
BASADO EN ECUACIONES LINEALES SIMPLES
TERRENO ESCARPADO O RUGOSO O UTILIZACIOacuteN DE IMG OBTENIDAS EN UN SENSOR CON VARIACIONES EN LAS CONDICIONES DE OBSERVACIOacuteN
TRANSFORMACIOacuteN MAacuteS COMPLEJA
POLINOMIOS DE SEGUNDO O TERCER ORDEN
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Desde un punto de vista matemaacutetico
GRADO 1 ndash 3 puntos GRADO 2 ndash 6 puntos GRADO 3 ndash 10 puntos
Seguacuten mis objetivos del trabajo no es conveniente utilizar esos miacutenimos
14 a 20 puntos (Landsat 5 MMS ndash seguacuten Bernstein R y D G Ferneyhough Jr 1978)
100 a 120 puntos (Landsat 7 TM ndash seguacuten el National Remote Sensing Center de Inglaterra)
10 o 12 puntos (Pequentildea zona de 512 x 512 pixeles ndash seguacuten Emilio Chuvieco 2010)
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
matemaacuteticamente UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
QUE DEBEMOS DE CONSIDERAR EN CUANTO A LA LOCALIZACIOacuteN
CLARAMENTE IDENTIFICABLES EN IMAGEN Y MAPA RASGOS HUMANOS DEL PAISAJE NO SUJETOS A DINAMISMO TEMPORAL
CRUCE DE CARRETERAS
CAMINOS VIacuteA FEacuteRREAS
NO CONSIDERAR ELEMENTOS ASOCIADOS AL AGUA
COSTA CURSOS DE AGUA
EMBALSES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
localizacioacuten TCP UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la correccioacuten digital de la geometriacutea de una imagen se realiza a partir de establecer unas funciones que relacionen las coordenadas de la imagen
y las coordenadas del mapa
EJ CASO MAS SIMPLE REGRESIOacuteN LINEAL MUacuteLTIPLE
ci = a0 + a1 Xi + a2 Yi li = b0 + b1 Xi + b2 Yi
EN LA PRAacuteCTICA BASTA UNA FUNCIOacuteN LINEAL PARA ABORDAR UN GRAN NUacuteMERO DE
TRANSFORMACIONES Y SON SUFICIENTES SI LAS IMAacuteGENES NO SON MUY GRANDES ANTE LA NECESIDAD DE OTRAS TRANSFORMACIONES SE UTILIZAN DE 2ordm y 3ordm ORDEN CONSIDERANDO ALTERACIONES GEOMEacuteTRICAS NO LINEALES (FUNCIONES QUE NO SE DEFINEN EN UN PLANO
CON EJES LINEALES SINO QUE SUPERFICIES CON EJES CURVILIacuteNEOS)
LOS COEFICIENTES DE LAS FUNCIONES DE TRANSFORMACIOacuteN SE CALCULAN A PARTIR DE UN AJUSTE POR MIacuteNIMOS CUADRADOS
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
funciones de transformacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash ejemplos de funciones de transformacioacuten geomeacutetrica con el efecto causado
TRASLACIOacuteN
CAMBIO DE ESCALA
INCLINACIOacuteN
PERSPECTIVA
ROTACIOacuteN
x = a0 + xacute y = b0 + yacute
x = xacute + a2 yacute y = yacute
x = a1 xacute y = b1 yacute
x = a3xacute yacute y = yacute
x = a4xacute + a5yacute y = b4xacute + b5yacute a4 = b5 = cos Ɵ a5 = -b4 = sen Ɵ
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
transformacioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
comparacioacuten coordenadas reales y las estimadas por la regresioacuten
el promedio de los residuales se conoce como error medio cuadraacutetico
la calidad del ajuste lo da el RMSE (root mean squared error)
(error medio cuadraacutetico)
RMSE es la raiacutez cuadrada de las desviaciones entre los valores reales y los
calculados
RMSE para cada punto es la raiacutez de los residuales al cuadrado que es la distancia entre ellos
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
RMSE UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la praacutectica hace que fijemos una TOLERANCIA y es que si ese promedio supera un valor fijado previamente haya que rever
el valor fijado previamente generalmente es igual o menor a un PIXEL
una correcta verificacioacuten
NECESITA introducir PUNTOS de VERIFICACIOacuteN
que no hayan sido introducidos en el ajuste
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
tolerancias fijadas
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
traducimos coordenadas de un mapa a la imagen tambieacuten necesitamos a la nueva imagen
TRANSFERIR LOS VALORES DIGITALES no olvidar que lo que queremos es generar una nueva imagen que se
corresponda con las coordenadas y las funciones de ajuste
NO ORIGINAN NUEVA IMAGEN solo colocan a los pixeles en la posicioacuten correcta
en criollo las funciones de transformacioacuten generan una nueva matriz bien posicionada pero vaciacutea
DEBEMOS LLENAR LA MATRIZ problema maacutes complejo de lo que puede
pensarse Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
generacioacuten de la nueva imaacutegen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
cada pixel de la imagen corregida se corresponderiacutea con un pixel de la imagen original
LEJOS DE ESE IDEAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo I
vecino maacutes proacuteximo ( nearest neighbour )
a cada celda de la imagen corregida se asigna el ND del pixel maacutes cercano de la
imagen original
SOLUCIOacuteN RAacutePIDA MENOR DISTORSIOacuteN DE LOS ND
INTRODUCE RASGOS LINEALES QUE DISTORSIONAN
CORRECCIOacuteN DE IMAacuteGENES CLASIFICADAS
CONSERVAR LA RADIOMETRIacuteA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo II
interpolacioacuten bilineal ( bilinear interpolation )
supone promediar los ND de los cuatro pixeles mas cercanos
con ponderacioacuten seguacuten la distancia pixeles originalcorregido
REDUCE EL EFECTO DE DISTORSIOacuteN EN RASGOS LINEALES
TIENDE A DIFUMINAR LOS CONTRASTES ESPACIALES
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE IMAacuteGENES RECTIFICADAS MAPAS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo III
convolusioacuten cuacutebica ( cubic convolution )
supone considerar los ND de los 16 pixeles mas proacuteximos
media ponderada seguacuten la distancia pixeles originalcorregido
EFECTO VISUAL MAS CORRECTO
VOLUacuteMEN DE CAacuteLCULO MUY SUPERIOR TENDENCIA A AGUDIZAR BORDES DE LA IMAGEN
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE ORTOIMAacuteGENES IMPRESIONES DE CALIDAD
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO - PASO BAJO PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
aplicacioacuten del kernel
26
FILTROS DE PASO BAJO SE FAVORECEN A LOS PIXELES
PERIFEacuteRICOS SE MINIMIZAN LAS DIFERENCIAS CON LOS VECINOS ES UNA ESPECIE DE SUAVIZADO
FILTRO DE PASO ALTO PONDERACIOacuteN DEL VALOR CENTRAL EN DETRIMENTO DE LOS CIRCUNDANTES
SE EXAGERAN DIFERENCIAS Y SE RESALTAN VARIACIONES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO BAJO
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm
simulacioacuten
IMAGEN ORIGINAL
FILTRO PASO BAJO 3x3 SE TRATA DE ASEMEJAR LOS VALORES DE ND DE UN PIXEL A LOS VALORES VECINOS EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA OFRECE PERFILES MENOS NIacuteTIDOS
FILTRO PASO BAJO 7x7 SIRVE PARA REDUCIR VARIABILIDAD ESPACIAL DE ALGUNA CATEGORIacuteA ANTES DE UN PROCESO DE CLASIFICACIOacuteN
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
IMAGEN ORIGINAL
FILTRO PASO ALTO 3x3 SE TRATA DE AISLAR LOS COMPONENTES DE ALTA FRECUENCIA Y REMARCAR DIGITALMENTE CONTRASTES EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA REFUERZA LOS CONTORNOS EN AacuteREAS HOMOGEacuteNEAS
FILTRO PASO ALTO 7x7 SIRVE PARA LOGRAR REALCES DE RASGOS LINEALES COMO PUEDEN SER EN AacuteREAS URBANAS O RASGOS GEOLOacuteGICOS
simulacioacuten
httpgeograuahesrtm
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
Figura - Landsat USGS
IMAGEN ORIGINAL
FILTRO DIRECCIONAL PERMITEN IDENTIFICAR LOS RASGOS FRONTERIZOS EN LAS IMAacuteGENES COMO LOS FILTROS ANTERIORES PERO AHORA CONSIDERANDO LA ORIENTACIOacuteN
se tiene en cuenta la
orientacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
matrices con direccioacuten
NORTE
1 1 1
1 -2 1
-1 -1 -1
SUR
-1 -1 -1
1 -2 1
1 1 1
ESTE
-1 1 1
-1 -2 1
-1 1 1
OESTE
1 1 -1
1 -2 -1
1 1 -1
SURESTE
-1 -1 1
-1 -2 1
1 1 1
NOROESTE
1 1 1
1 -2 -1
1 -1 -1
SUROESTE
1 -1 -1
1 -2 -1
1 1 1
NORESTE
1 1 1
-1 -2 1
-1 -1 1
OBSERVACIOacuteN
LOS NOMBRES OBEDECEN A LA DIRECCIOacuteN DEL CONTRASTE QUE SENtildeALAN
LA DIRECCIOacuteN QUE REALZAN ES JUSTAMENTE LA PERPENDICULAR
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
48 Interpretacioacuten de Imaacutegenes
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Correcciones geomeacutetricas Georreferenciacioacuten Uso de puntos de control Fuentes de error Procesamiento geomeacutetrico Correccioacuten Transformacioacuten geomeacutetrica Calidad y ajuste Generacioacuten de la nueva imagen Transferencia de ND
INSTITUTO DE AGRIMENSURA - DEPARTAMENTO DE GEOMAacuteTICA PROF ADJUNTO GRADO 3 EDISON J ROSAS BERTON
El tratamiento de una imagen de sateacutelite Georreferenciacioacuten
(paso de un sistema de filas y columnas a un sistema de coordenadas estandard)
Para ello debe obtenerse una muestra de puntos de control de los que conozcamos tanto sus coordenadas reales como sus coordenadas en
la imagen deben ser por tanto objetos de un tamantildeo adecuado para resultar identificables tanto en la imagen como sobre el terreno el tamantildeo
dependeraacute loacutegicamente de la resolucioacuten de la imagen A partir de estos puntos de control se obtendraacuten por regresioacuten unas ecuaciones que permitiraacuten a cada par filacolumna un par de coordenadas
XY
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
GEORREFERENCIACIOacuteN
ENTENDIENDO LAS IMAacuteGENES
georreferenciacioacuten porqueacute
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PUNTOS DE CONTROL
ENTENDIENDO LAS IMAacuteGENES
uso de puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
DISTORSIONES POR LA PLATAFORMA ALTITUD DE LA OacuteRBITA ndash Cambio de escala
VELOCIDAD ndash Cambios de escala ORIENTACIOacuteN DE LOS TRES EJES ndash Distorsiones en la geometriacutea
NO SISTEMAacuteTICOS Y COMPLEJOS DE MODELAR
DISTORSIONES POR ROTACIOacuteN TERRESTRE
CONSIDERANDO ALTITUD (800 Km) y TAMANtildeO DE LA IMAGEN (180 Km)ndashEn latitudes medias tarda en adquirir unos 30 segundos la Tierra se desplaza unos 8 Km
ORIENTACIOacuteN NE SW
DISTORSIONES POR EL SENSOR ANOMALIacuteAS SENSOR y MOVIMIENTO ESPEJO ndash Barrido no lineal o cambio en intervalos
AacuteNGULO DE BARRIDO ndash Variacioacuten en el tamantildeo de pixel
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ERROR EN UNA IMAGEN ESPACIAL
ENTENDIENDO LAS IMAacuteGENES
fuentes de error
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Una correccioacuten geomeacutetrica incluye CUALQUIER CAMBIO EN LA POSICIOacuteN DE LOS PIXELES que
conforman la imagen f (c`) = f1 (c l) f (x y) f (l`) = f2 (c l) f (x y)
COORDENADAS DE IMAGEN CORREGIDA SON FUNCIOacuteN DE COORDENADAS COLUMNA Y LIacuteNEA DE LA
IMAGEN DE ENTRADA O DE LAS COORDENADAS DE MAPA AL QUE SUPERPONDREMOS LA IMAGEN
1 CON OBJETIVO DE REALIZAR UNA TRANSFORMACIOacuteN GEOMEacuteTRICA QUE PERMITA AJUSTARLA A OTRA IMAGEN REFERENCIA NORMALMENTE PARA REALIZAR ESTUDIOS MULTITEMPORALES O MOSAICOS CON EL FIN DE AMPLIAR LOS DATOS E INFORMACIOacuteN DE UNA ZONA
2 ESTO PERMITIRAacute QUE LA NUEVA IMAGEN LA PUEDA INTEGRAR CON INFORMACIOacuteN DE OTRAS FUENTES POR EJEMPLO EN UN AMBIENTE SIG
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
correccioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
asumimos que
NO SE CONOCE EL ORIGEN DE LOS ERRORES
modelamos
ECUACIONES EMPIacuteRICAS
aplicadas a un conjunto de puntos
COORDENADAS CONOCIDAS IMAGEN INPUT e IMAGEN OUTPUT
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
1 ndash SELECCIOacuteN DE REFERENCIAS 2 ndash ECUACIONES DE AJUSTE
3 ndash GENERACIOacuteN DE LA IMAGEN CORREGIDA
ES OBVIO CALIDAD DEL AJUSTE DEPENDERAacute DE PRECISIOacuteN CON QUE SE
LOCALICEN LOS PUNTOS DE CONTROL INEXACTA LOCALIZACIOacuteN
DISTRIBUCIOacuteN MUY SECTORIZADA NUacuteMERO DE PUNTOS DE CONTROL INADECUADO
ESTABLECER LOS PUNTOS DE CONTROL FASE MAS CRUCIAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
procesamiento de la correccioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Resaltamos la importancia de
NUacuteMERO LOCALIZACIOacuteN DISTRIBUCIOacuteN
Que debemos atender Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
que considero UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash Croquis ilustrativos de apoyo
TERRENO O ZONAS PLANAS CON IMG OBTENIDAS POR UN SENSOR DE ESTRECHA VISIOacuteN DE CAMPO
TRANSFORMACIOacuteN
BASADO EN ECUACIONES LINEALES SIMPLES
TERRENO ESCARPADO O RUGOSO O UTILIZACIOacuteN DE IMG OBTENIDAS EN UN SENSOR CON VARIACIONES EN LAS CONDICIONES DE OBSERVACIOacuteN
TRANSFORMACIOacuteN MAacuteS COMPLEJA
POLINOMIOS DE SEGUNDO O TERCER ORDEN
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Desde un punto de vista matemaacutetico
GRADO 1 ndash 3 puntos GRADO 2 ndash 6 puntos GRADO 3 ndash 10 puntos
Seguacuten mis objetivos del trabajo no es conveniente utilizar esos miacutenimos
14 a 20 puntos (Landsat 5 MMS ndash seguacuten Bernstein R y D G Ferneyhough Jr 1978)
100 a 120 puntos (Landsat 7 TM ndash seguacuten el National Remote Sensing Center de Inglaterra)
10 o 12 puntos (Pequentildea zona de 512 x 512 pixeles ndash seguacuten Emilio Chuvieco 2010)
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
matemaacuteticamente UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
QUE DEBEMOS DE CONSIDERAR EN CUANTO A LA LOCALIZACIOacuteN
CLARAMENTE IDENTIFICABLES EN IMAGEN Y MAPA RASGOS HUMANOS DEL PAISAJE NO SUJETOS A DINAMISMO TEMPORAL
CRUCE DE CARRETERAS
CAMINOS VIacuteA FEacuteRREAS
NO CONSIDERAR ELEMENTOS ASOCIADOS AL AGUA
COSTA CURSOS DE AGUA
EMBALSES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
localizacioacuten TCP UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la correccioacuten digital de la geometriacutea de una imagen se realiza a partir de establecer unas funciones que relacionen las coordenadas de la imagen
y las coordenadas del mapa
EJ CASO MAS SIMPLE REGRESIOacuteN LINEAL MUacuteLTIPLE
ci = a0 + a1 Xi + a2 Yi li = b0 + b1 Xi + b2 Yi
EN LA PRAacuteCTICA BASTA UNA FUNCIOacuteN LINEAL PARA ABORDAR UN GRAN NUacuteMERO DE
TRANSFORMACIONES Y SON SUFICIENTES SI LAS IMAacuteGENES NO SON MUY GRANDES ANTE LA NECESIDAD DE OTRAS TRANSFORMACIONES SE UTILIZAN DE 2ordm y 3ordm ORDEN CONSIDERANDO ALTERACIONES GEOMEacuteTRICAS NO LINEALES (FUNCIONES QUE NO SE DEFINEN EN UN PLANO
CON EJES LINEALES SINO QUE SUPERFICIES CON EJES CURVILIacuteNEOS)
LOS COEFICIENTES DE LAS FUNCIONES DE TRANSFORMACIOacuteN SE CALCULAN A PARTIR DE UN AJUSTE POR MIacuteNIMOS CUADRADOS
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
funciones de transformacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash ejemplos de funciones de transformacioacuten geomeacutetrica con el efecto causado
TRASLACIOacuteN
CAMBIO DE ESCALA
INCLINACIOacuteN
PERSPECTIVA
ROTACIOacuteN
x = a0 + xacute y = b0 + yacute
x = xacute + a2 yacute y = yacute
x = a1 xacute y = b1 yacute
x = a3xacute yacute y = yacute
x = a4xacute + a5yacute y = b4xacute + b5yacute a4 = b5 = cos Ɵ a5 = -b4 = sen Ɵ
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
transformacioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
comparacioacuten coordenadas reales y las estimadas por la regresioacuten
el promedio de los residuales se conoce como error medio cuadraacutetico
la calidad del ajuste lo da el RMSE (root mean squared error)
(error medio cuadraacutetico)
RMSE es la raiacutez cuadrada de las desviaciones entre los valores reales y los
calculados
RMSE para cada punto es la raiacutez de los residuales al cuadrado que es la distancia entre ellos
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
RMSE UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la praacutectica hace que fijemos una TOLERANCIA y es que si ese promedio supera un valor fijado previamente haya que rever
el valor fijado previamente generalmente es igual o menor a un PIXEL
una correcta verificacioacuten
NECESITA introducir PUNTOS de VERIFICACIOacuteN
que no hayan sido introducidos en el ajuste
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
tolerancias fijadas
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
traducimos coordenadas de un mapa a la imagen tambieacuten necesitamos a la nueva imagen
TRANSFERIR LOS VALORES DIGITALES no olvidar que lo que queremos es generar una nueva imagen que se
corresponda con las coordenadas y las funciones de ajuste
NO ORIGINAN NUEVA IMAGEN solo colocan a los pixeles en la posicioacuten correcta
en criollo las funciones de transformacioacuten generan una nueva matriz bien posicionada pero vaciacutea
DEBEMOS LLENAR LA MATRIZ problema maacutes complejo de lo que puede
pensarse Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
generacioacuten de la nueva imaacutegen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
cada pixel de la imagen corregida se corresponderiacutea con un pixel de la imagen original
LEJOS DE ESE IDEAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo I
vecino maacutes proacuteximo ( nearest neighbour )
a cada celda de la imagen corregida se asigna el ND del pixel maacutes cercano de la
imagen original
SOLUCIOacuteN RAacutePIDA MENOR DISTORSIOacuteN DE LOS ND
INTRODUCE RASGOS LINEALES QUE DISTORSIONAN
CORRECCIOacuteN DE IMAacuteGENES CLASIFICADAS
CONSERVAR LA RADIOMETRIacuteA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo II
interpolacioacuten bilineal ( bilinear interpolation )
supone promediar los ND de los cuatro pixeles mas cercanos
con ponderacioacuten seguacuten la distancia pixeles originalcorregido
REDUCE EL EFECTO DE DISTORSIOacuteN EN RASGOS LINEALES
TIENDE A DIFUMINAR LOS CONTRASTES ESPACIALES
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE IMAacuteGENES RECTIFICADAS MAPAS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo III
convolusioacuten cuacutebica ( cubic convolution )
supone considerar los ND de los 16 pixeles mas proacuteximos
media ponderada seguacuten la distancia pixeles originalcorregido
EFECTO VISUAL MAS CORRECTO
VOLUacuteMEN DE CAacuteLCULO MUY SUPERIOR TENDENCIA A AGUDIZAR BORDES DE LA IMAGEN
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE ORTOIMAacuteGENES IMPRESIONES DE CALIDAD
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO BAJO
ENTENDIENDO LAS IMAacuteGENES
httpgeograuahesrtm
simulacioacuten
IMAGEN ORIGINAL
FILTRO PASO BAJO 3x3 SE TRATA DE ASEMEJAR LOS VALORES DE ND DE UN PIXEL A LOS VALORES VECINOS EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA OFRECE PERFILES MENOS NIacuteTIDOS
FILTRO PASO BAJO 7x7 SIRVE PARA REDUCIR VARIABILIDAD ESPACIAL DE ALGUNA CATEGORIacuteA ANTES DE UN PROCESO DE CLASIFICACIOacuteN
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
IMAGEN ORIGINAL
FILTRO PASO ALTO 3x3 SE TRATA DE AISLAR LOS COMPONENTES DE ALTA FRECUENCIA Y REMARCAR DIGITALMENTE CONTRASTES EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA REFUERZA LOS CONTORNOS EN AacuteREAS HOMOGEacuteNEAS
FILTRO PASO ALTO 7x7 SIRVE PARA LOGRAR REALCES DE RASGOS LINEALES COMO PUEDEN SER EN AacuteREAS URBANAS O RASGOS GEOLOacuteGICOS
simulacioacuten
httpgeograuahesrtm
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
Figura - Landsat USGS
IMAGEN ORIGINAL
FILTRO DIRECCIONAL PERMITEN IDENTIFICAR LOS RASGOS FRONTERIZOS EN LAS IMAacuteGENES COMO LOS FILTROS ANTERIORES PERO AHORA CONSIDERANDO LA ORIENTACIOacuteN
se tiene en cuenta la
orientacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
matrices con direccioacuten
NORTE
1 1 1
1 -2 1
-1 -1 -1
SUR
-1 -1 -1
1 -2 1
1 1 1
ESTE
-1 1 1
-1 -2 1
-1 1 1
OESTE
1 1 -1
1 -2 -1
1 1 -1
SURESTE
-1 -1 1
-1 -2 1
1 1 1
NOROESTE
1 1 1
1 -2 -1
1 -1 -1
SUROESTE
1 -1 -1
1 -2 -1
1 1 1
NORESTE
1 1 1
-1 -2 1
-1 -1 1
OBSERVACIOacuteN
LOS NOMBRES OBEDECEN A LA DIRECCIOacuteN DEL CONTRASTE QUE SENtildeALAN
LA DIRECCIOacuteN QUE REALZAN ES JUSTAMENTE LA PERPENDICULAR
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
48 Interpretacioacuten de Imaacutegenes
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Correcciones geomeacutetricas Georreferenciacioacuten Uso de puntos de control Fuentes de error Procesamiento geomeacutetrico Correccioacuten Transformacioacuten geomeacutetrica Calidad y ajuste Generacioacuten de la nueva imagen Transferencia de ND
INSTITUTO DE AGRIMENSURA - DEPARTAMENTO DE GEOMAacuteTICA PROF ADJUNTO GRADO 3 EDISON J ROSAS BERTON
El tratamiento de una imagen de sateacutelite Georreferenciacioacuten
(paso de un sistema de filas y columnas a un sistema de coordenadas estandard)
Para ello debe obtenerse una muestra de puntos de control de los que conozcamos tanto sus coordenadas reales como sus coordenadas en
la imagen deben ser por tanto objetos de un tamantildeo adecuado para resultar identificables tanto en la imagen como sobre el terreno el tamantildeo
dependeraacute loacutegicamente de la resolucioacuten de la imagen A partir de estos puntos de control se obtendraacuten por regresioacuten unas ecuaciones que permitiraacuten a cada par filacolumna un par de coordenadas
XY
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
GEORREFERENCIACIOacuteN
ENTENDIENDO LAS IMAacuteGENES
georreferenciacioacuten porqueacute
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PUNTOS DE CONTROL
ENTENDIENDO LAS IMAacuteGENES
uso de puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
DISTORSIONES POR LA PLATAFORMA ALTITUD DE LA OacuteRBITA ndash Cambio de escala
VELOCIDAD ndash Cambios de escala ORIENTACIOacuteN DE LOS TRES EJES ndash Distorsiones en la geometriacutea
NO SISTEMAacuteTICOS Y COMPLEJOS DE MODELAR
DISTORSIONES POR ROTACIOacuteN TERRESTRE
CONSIDERANDO ALTITUD (800 Km) y TAMANtildeO DE LA IMAGEN (180 Km)ndashEn latitudes medias tarda en adquirir unos 30 segundos la Tierra se desplaza unos 8 Km
ORIENTACIOacuteN NE SW
DISTORSIONES POR EL SENSOR ANOMALIacuteAS SENSOR y MOVIMIENTO ESPEJO ndash Barrido no lineal o cambio en intervalos
AacuteNGULO DE BARRIDO ndash Variacioacuten en el tamantildeo de pixel
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ERROR EN UNA IMAGEN ESPACIAL
ENTENDIENDO LAS IMAacuteGENES
fuentes de error
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Una correccioacuten geomeacutetrica incluye CUALQUIER CAMBIO EN LA POSICIOacuteN DE LOS PIXELES que
conforman la imagen f (c`) = f1 (c l) f (x y) f (l`) = f2 (c l) f (x y)
COORDENADAS DE IMAGEN CORREGIDA SON FUNCIOacuteN DE COORDENADAS COLUMNA Y LIacuteNEA DE LA
IMAGEN DE ENTRADA O DE LAS COORDENADAS DE MAPA AL QUE SUPERPONDREMOS LA IMAGEN
1 CON OBJETIVO DE REALIZAR UNA TRANSFORMACIOacuteN GEOMEacuteTRICA QUE PERMITA AJUSTARLA A OTRA IMAGEN REFERENCIA NORMALMENTE PARA REALIZAR ESTUDIOS MULTITEMPORALES O MOSAICOS CON EL FIN DE AMPLIAR LOS DATOS E INFORMACIOacuteN DE UNA ZONA
2 ESTO PERMITIRAacute QUE LA NUEVA IMAGEN LA PUEDA INTEGRAR CON INFORMACIOacuteN DE OTRAS FUENTES POR EJEMPLO EN UN AMBIENTE SIG
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
correccioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
asumimos que
NO SE CONOCE EL ORIGEN DE LOS ERRORES
modelamos
ECUACIONES EMPIacuteRICAS
aplicadas a un conjunto de puntos
COORDENADAS CONOCIDAS IMAGEN INPUT e IMAGEN OUTPUT
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
1 ndash SELECCIOacuteN DE REFERENCIAS 2 ndash ECUACIONES DE AJUSTE
3 ndash GENERACIOacuteN DE LA IMAGEN CORREGIDA
ES OBVIO CALIDAD DEL AJUSTE DEPENDERAacute DE PRECISIOacuteN CON QUE SE
LOCALICEN LOS PUNTOS DE CONTROL INEXACTA LOCALIZACIOacuteN
DISTRIBUCIOacuteN MUY SECTORIZADA NUacuteMERO DE PUNTOS DE CONTROL INADECUADO
ESTABLECER LOS PUNTOS DE CONTROL FASE MAS CRUCIAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
procesamiento de la correccioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Resaltamos la importancia de
NUacuteMERO LOCALIZACIOacuteN DISTRIBUCIOacuteN
Que debemos atender Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
que considero UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash Croquis ilustrativos de apoyo
TERRENO O ZONAS PLANAS CON IMG OBTENIDAS POR UN SENSOR DE ESTRECHA VISIOacuteN DE CAMPO
TRANSFORMACIOacuteN
BASADO EN ECUACIONES LINEALES SIMPLES
TERRENO ESCARPADO O RUGOSO O UTILIZACIOacuteN DE IMG OBTENIDAS EN UN SENSOR CON VARIACIONES EN LAS CONDICIONES DE OBSERVACIOacuteN
TRANSFORMACIOacuteN MAacuteS COMPLEJA
POLINOMIOS DE SEGUNDO O TERCER ORDEN
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Desde un punto de vista matemaacutetico
GRADO 1 ndash 3 puntos GRADO 2 ndash 6 puntos GRADO 3 ndash 10 puntos
Seguacuten mis objetivos del trabajo no es conveniente utilizar esos miacutenimos
14 a 20 puntos (Landsat 5 MMS ndash seguacuten Bernstein R y D G Ferneyhough Jr 1978)
100 a 120 puntos (Landsat 7 TM ndash seguacuten el National Remote Sensing Center de Inglaterra)
10 o 12 puntos (Pequentildea zona de 512 x 512 pixeles ndash seguacuten Emilio Chuvieco 2010)
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
matemaacuteticamente UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
QUE DEBEMOS DE CONSIDERAR EN CUANTO A LA LOCALIZACIOacuteN
CLARAMENTE IDENTIFICABLES EN IMAGEN Y MAPA RASGOS HUMANOS DEL PAISAJE NO SUJETOS A DINAMISMO TEMPORAL
CRUCE DE CARRETERAS
CAMINOS VIacuteA FEacuteRREAS
NO CONSIDERAR ELEMENTOS ASOCIADOS AL AGUA
COSTA CURSOS DE AGUA
EMBALSES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
localizacioacuten TCP UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la correccioacuten digital de la geometriacutea de una imagen se realiza a partir de establecer unas funciones que relacionen las coordenadas de la imagen
y las coordenadas del mapa
EJ CASO MAS SIMPLE REGRESIOacuteN LINEAL MUacuteLTIPLE
ci = a0 + a1 Xi + a2 Yi li = b0 + b1 Xi + b2 Yi
EN LA PRAacuteCTICA BASTA UNA FUNCIOacuteN LINEAL PARA ABORDAR UN GRAN NUacuteMERO DE
TRANSFORMACIONES Y SON SUFICIENTES SI LAS IMAacuteGENES NO SON MUY GRANDES ANTE LA NECESIDAD DE OTRAS TRANSFORMACIONES SE UTILIZAN DE 2ordm y 3ordm ORDEN CONSIDERANDO ALTERACIONES GEOMEacuteTRICAS NO LINEALES (FUNCIONES QUE NO SE DEFINEN EN UN PLANO
CON EJES LINEALES SINO QUE SUPERFICIES CON EJES CURVILIacuteNEOS)
LOS COEFICIENTES DE LAS FUNCIONES DE TRANSFORMACIOacuteN SE CALCULAN A PARTIR DE UN AJUSTE POR MIacuteNIMOS CUADRADOS
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
funciones de transformacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash ejemplos de funciones de transformacioacuten geomeacutetrica con el efecto causado
TRASLACIOacuteN
CAMBIO DE ESCALA
INCLINACIOacuteN
PERSPECTIVA
ROTACIOacuteN
x = a0 + xacute y = b0 + yacute
x = xacute + a2 yacute y = yacute
x = a1 xacute y = b1 yacute
x = a3xacute yacute y = yacute
x = a4xacute + a5yacute y = b4xacute + b5yacute a4 = b5 = cos Ɵ a5 = -b4 = sen Ɵ
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
transformacioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
comparacioacuten coordenadas reales y las estimadas por la regresioacuten
el promedio de los residuales se conoce como error medio cuadraacutetico
la calidad del ajuste lo da el RMSE (root mean squared error)
(error medio cuadraacutetico)
RMSE es la raiacutez cuadrada de las desviaciones entre los valores reales y los
calculados
RMSE para cada punto es la raiacutez de los residuales al cuadrado que es la distancia entre ellos
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
RMSE UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la praacutectica hace que fijemos una TOLERANCIA y es que si ese promedio supera un valor fijado previamente haya que rever
el valor fijado previamente generalmente es igual o menor a un PIXEL
una correcta verificacioacuten
NECESITA introducir PUNTOS de VERIFICACIOacuteN
que no hayan sido introducidos en el ajuste
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
tolerancias fijadas
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
traducimos coordenadas de un mapa a la imagen tambieacuten necesitamos a la nueva imagen
TRANSFERIR LOS VALORES DIGITALES no olvidar que lo que queremos es generar una nueva imagen que se
corresponda con las coordenadas y las funciones de ajuste
NO ORIGINAN NUEVA IMAGEN solo colocan a los pixeles en la posicioacuten correcta
en criollo las funciones de transformacioacuten generan una nueva matriz bien posicionada pero vaciacutea
DEBEMOS LLENAR LA MATRIZ problema maacutes complejo de lo que puede
pensarse Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
generacioacuten de la nueva imaacutegen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
cada pixel de la imagen corregida se corresponderiacutea con un pixel de la imagen original
LEJOS DE ESE IDEAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo I
vecino maacutes proacuteximo ( nearest neighbour )
a cada celda de la imagen corregida se asigna el ND del pixel maacutes cercano de la
imagen original
SOLUCIOacuteN RAacutePIDA MENOR DISTORSIOacuteN DE LOS ND
INTRODUCE RASGOS LINEALES QUE DISTORSIONAN
CORRECCIOacuteN DE IMAacuteGENES CLASIFICADAS
CONSERVAR LA RADIOMETRIacuteA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo II
interpolacioacuten bilineal ( bilinear interpolation )
supone promediar los ND de los cuatro pixeles mas cercanos
con ponderacioacuten seguacuten la distancia pixeles originalcorregido
REDUCE EL EFECTO DE DISTORSIOacuteN EN RASGOS LINEALES
TIENDE A DIFUMINAR LOS CONTRASTES ESPACIALES
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE IMAacuteGENES RECTIFICADAS MAPAS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo III
convolusioacuten cuacutebica ( cubic convolution )
supone considerar los ND de los 16 pixeles mas proacuteximos
media ponderada seguacuten la distancia pixeles originalcorregido
EFECTO VISUAL MAS CORRECTO
VOLUacuteMEN DE CAacuteLCULO MUY SUPERIOR TENDENCIA A AGUDIZAR BORDES DE LA IMAGEN
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE ORTOIMAacuteGENES IMPRESIONES DE CALIDAD
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTRO DE PASO ALTO
ENTENDIENDO LAS IMAacuteGENES
IMAGEN ORIGINAL
FILTRO PASO ALTO 3x3 SE TRATA DE AISLAR LOS COMPONENTES DE ALTA FRECUENCIA Y REMARCAR DIGITALMENTE CONTRASTES EN TEacuteRMINOS VISUALES LA IMAGEN FILTRADA REFUERZA LOS CONTORNOS EN AacuteREAS HOMOGEacuteNEAS
FILTRO PASO ALTO 7x7 SIRVE PARA LOGRAR REALCES DE RASGOS LINEALES COMO PUEDEN SER EN AacuteREAS URBANAS O RASGOS GEOLOacuteGICOS
simulacioacuten
httpgeograuahesrtm
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
Figura - Landsat USGS
IMAGEN ORIGINAL
FILTRO DIRECCIONAL PERMITEN IDENTIFICAR LOS RASGOS FRONTERIZOS EN LAS IMAacuteGENES COMO LOS FILTROS ANTERIORES PERO AHORA CONSIDERANDO LA ORIENTACIOacuteN
se tiene en cuenta la
orientacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
matrices con direccioacuten
NORTE
1 1 1
1 -2 1
-1 -1 -1
SUR
-1 -1 -1
1 -2 1
1 1 1
ESTE
-1 1 1
-1 -2 1
-1 1 1
OESTE
1 1 -1
1 -2 -1
1 1 -1
SURESTE
-1 -1 1
-1 -2 1
1 1 1
NOROESTE
1 1 1
1 -2 -1
1 -1 -1
SUROESTE
1 -1 -1
1 -2 -1
1 1 1
NORESTE
1 1 1
-1 -2 1
-1 -1 1
OBSERVACIOacuteN
LOS NOMBRES OBEDECEN A LA DIRECCIOacuteN DEL CONTRASTE QUE SENtildeALAN
LA DIRECCIOacuteN QUE REALZAN ES JUSTAMENTE LA PERPENDICULAR
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
48 Interpretacioacuten de Imaacutegenes
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Correcciones geomeacutetricas Georreferenciacioacuten Uso de puntos de control Fuentes de error Procesamiento geomeacutetrico Correccioacuten Transformacioacuten geomeacutetrica Calidad y ajuste Generacioacuten de la nueva imagen Transferencia de ND
INSTITUTO DE AGRIMENSURA - DEPARTAMENTO DE GEOMAacuteTICA PROF ADJUNTO GRADO 3 EDISON J ROSAS BERTON
El tratamiento de una imagen de sateacutelite Georreferenciacioacuten
(paso de un sistema de filas y columnas a un sistema de coordenadas estandard)
Para ello debe obtenerse una muestra de puntos de control de los que conozcamos tanto sus coordenadas reales como sus coordenadas en
la imagen deben ser por tanto objetos de un tamantildeo adecuado para resultar identificables tanto en la imagen como sobre el terreno el tamantildeo
dependeraacute loacutegicamente de la resolucioacuten de la imagen A partir de estos puntos de control se obtendraacuten por regresioacuten unas ecuaciones que permitiraacuten a cada par filacolumna un par de coordenadas
XY
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
GEORREFERENCIACIOacuteN
ENTENDIENDO LAS IMAacuteGENES
georreferenciacioacuten porqueacute
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PUNTOS DE CONTROL
ENTENDIENDO LAS IMAacuteGENES
uso de puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
DISTORSIONES POR LA PLATAFORMA ALTITUD DE LA OacuteRBITA ndash Cambio de escala
VELOCIDAD ndash Cambios de escala ORIENTACIOacuteN DE LOS TRES EJES ndash Distorsiones en la geometriacutea
NO SISTEMAacuteTICOS Y COMPLEJOS DE MODELAR
DISTORSIONES POR ROTACIOacuteN TERRESTRE
CONSIDERANDO ALTITUD (800 Km) y TAMANtildeO DE LA IMAGEN (180 Km)ndashEn latitudes medias tarda en adquirir unos 30 segundos la Tierra se desplaza unos 8 Km
ORIENTACIOacuteN NE SW
DISTORSIONES POR EL SENSOR ANOMALIacuteAS SENSOR y MOVIMIENTO ESPEJO ndash Barrido no lineal o cambio en intervalos
AacuteNGULO DE BARRIDO ndash Variacioacuten en el tamantildeo de pixel
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ERROR EN UNA IMAGEN ESPACIAL
ENTENDIENDO LAS IMAacuteGENES
fuentes de error
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Una correccioacuten geomeacutetrica incluye CUALQUIER CAMBIO EN LA POSICIOacuteN DE LOS PIXELES que
conforman la imagen f (c`) = f1 (c l) f (x y) f (l`) = f2 (c l) f (x y)
COORDENADAS DE IMAGEN CORREGIDA SON FUNCIOacuteN DE COORDENADAS COLUMNA Y LIacuteNEA DE LA
IMAGEN DE ENTRADA O DE LAS COORDENADAS DE MAPA AL QUE SUPERPONDREMOS LA IMAGEN
1 CON OBJETIVO DE REALIZAR UNA TRANSFORMACIOacuteN GEOMEacuteTRICA QUE PERMITA AJUSTARLA A OTRA IMAGEN REFERENCIA NORMALMENTE PARA REALIZAR ESTUDIOS MULTITEMPORALES O MOSAICOS CON EL FIN DE AMPLIAR LOS DATOS E INFORMACIOacuteN DE UNA ZONA
2 ESTO PERMITIRAacute QUE LA NUEVA IMAGEN LA PUEDA INTEGRAR CON INFORMACIOacuteN DE OTRAS FUENTES POR EJEMPLO EN UN AMBIENTE SIG
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
correccioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
asumimos que
NO SE CONOCE EL ORIGEN DE LOS ERRORES
modelamos
ECUACIONES EMPIacuteRICAS
aplicadas a un conjunto de puntos
COORDENADAS CONOCIDAS IMAGEN INPUT e IMAGEN OUTPUT
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
1 ndash SELECCIOacuteN DE REFERENCIAS 2 ndash ECUACIONES DE AJUSTE
3 ndash GENERACIOacuteN DE LA IMAGEN CORREGIDA
ES OBVIO CALIDAD DEL AJUSTE DEPENDERAacute DE PRECISIOacuteN CON QUE SE
LOCALICEN LOS PUNTOS DE CONTROL INEXACTA LOCALIZACIOacuteN
DISTRIBUCIOacuteN MUY SECTORIZADA NUacuteMERO DE PUNTOS DE CONTROL INADECUADO
ESTABLECER LOS PUNTOS DE CONTROL FASE MAS CRUCIAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
procesamiento de la correccioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Resaltamos la importancia de
NUacuteMERO LOCALIZACIOacuteN DISTRIBUCIOacuteN
Que debemos atender Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
que considero UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash Croquis ilustrativos de apoyo
TERRENO O ZONAS PLANAS CON IMG OBTENIDAS POR UN SENSOR DE ESTRECHA VISIOacuteN DE CAMPO
TRANSFORMACIOacuteN
BASADO EN ECUACIONES LINEALES SIMPLES
TERRENO ESCARPADO O RUGOSO O UTILIZACIOacuteN DE IMG OBTENIDAS EN UN SENSOR CON VARIACIONES EN LAS CONDICIONES DE OBSERVACIOacuteN
TRANSFORMACIOacuteN MAacuteS COMPLEJA
POLINOMIOS DE SEGUNDO O TERCER ORDEN
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Desde un punto de vista matemaacutetico
GRADO 1 ndash 3 puntos GRADO 2 ndash 6 puntos GRADO 3 ndash 10 puntos
Seguacuten mis objetivos del trabajo no es conveniente utilizar esos miacutenimos
14 a 20 puntos (Landsat 5 MMS ndash seguacuten Bernstein R y D G Ferneyhough Jr 1978)
100 a 120 puntos (Landsat 7 TM ndash seguacuten el National Remote Sensing Center de Inglaterra)
10 o 12 puntos (Pequentildea zona de 512 x 512 pixeles ndash seguacuten Emilio Chuvieco 2010)
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
matemaacuteticamente UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
QUE DEBEMOS DE CONSIDERAR EN CUANTO A LA LOCALIZACIOacuteN
CLARAMENTE IDENTIFICABLES EN IMAGEN Y MAPA RASGOS HUMANOS DEL PAISAJE NO SUJETOS A DINAMISMO TEMPORAL
CRUCE DE CARRETERAS
CAMINOS VIacuteA FEacuteRREAS
NO CONSIDERAR ELEMENTOS ASOCIADOS AL AGUA
COSTA CURSOS DE AGUA
EMBALSES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
localizacioacuten TCP UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la correccioacuten digital de la geometriacutea de una imagen se realiza a partir de establecer unas funciones que relacionen las coordenadas de la imagen
y las coordenadas del mapa
EJ CASO MAS SIMPLE REGRESIOacuteN LINEAL MUacuteLTIPLE
ci = a0 + a1 Xi + a2 Yi li = b0 + b1 Xi + b2 Yi
EN LA PRAacuteCTICA BASTA UNA FUNCIOacuteN LINEAL PARA ABORDAR UN GRAN NUacuteMERO DE
TRANSFORMACIONES Y SON SUFICIENTES SI LAS IMAacuteGENES NO SON MUY GRANDES ANTE LA NECESIDAD DE OTRAS TRANSFORMACIONES SE UTILIZAN DE 2ordm y 3ordm ORDEN CONSIDERANDO ALTERACIONES GEOMEacuteTRICAS NO LINEALES (FUNCIONES QUE NO SE DEFINEN EN UN PLANO
CON EJES LINEALES SINO QUE SUPERFICIES CON EJES CURVILIacuteNEOS)
LOS COEFICIENTES DE LAS FUNCIONES DE TRANSFORMACIOacuteN SE CALCULAN A PARTIR DE UN AJUSTE POR MIacuteNIMOS CUADRADOS
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
funciones de transformacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash ejemplos de funciones de transformacioacuten geomeacutetrica con el efecto causado
TRASLACIOacuteN
CAMBIO DE ESCALA
INCLINACIOacuteN
PERSPECTIVA
ROTACIOacuteN
x = a0 + xacute y = b0 + yacute
x = xacute + a2 yacute y = yacute
x = a1 xacute y = b1 yacute
x = a3xacute yacute y = yacute
x = a4xacute + a5yacute y = b4xacute + b5yacute a4 = b5 = cos Ɵ a5 = -b4 = sen Ɵ
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
transformacioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
comparacioacuten coordenadas reales y las estimadas por la regresioacuten
el promedio de los residuales se conoce como error medio cuadraacutetico
la calidad del ajuste lo da el RMSE (root mean squared error)
(error medio cuadraacutetico)
RMSE es la raiacutez cuadrada de las desviaciones entre los valores reales y los
calculados
RMSE para cada punto es la raiacutez de los residuales al cuadrado que es la distancia entre ellos
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
RMSE UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la praacutectica hace que fijemos una TOLERANCIA y es que si ese promedio supera un valor fijado previamente haya que rever
el valor fijado previamente generalmente es igual o menor a un PIXEL
una correcta verificacioacuten
NECESITA introducir PUNTOS de VERIFICACIOacuteN
que no hayan sido introducidos en el ajuste
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
tolerancias fijadas
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
traducimos coordenadas de un mapa a la imagen tambieacuten necesitamos a la nueva imagen
TRANSFERIR LOS VALORES DIGITALES no olvidar que lo que queremos es generar una nueva imagen que se
corresponda con las coordenadas y las funciones de ajuste
NO ORIGINAN NUEVA IMAGEN solo colocan a los pixeles en la posicioacuten correcta
en criollo las funciones de transformacioacuten generan una nueva matriz bien posicionada pero vaciacutea
DEBEMOS LLENAR LA MATRIZ problema maacutes complejo de lo que puede
pensarse Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
generacioacuten de la nueva imaacutegen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
cada pixel de la imagen corregida se corresponderiacutea con un pixel de la imagen original
LEJOS DE ESE IDEAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo I
vecino maacutes proacuteximo ( nearest neighbour )
a cada celda de la imagen corregida se asigna el ND del pixel maacutes cercano de la
imagen original
SOLUCIOacuteN RAacutePIDA MENOR DISTORSIOacuteN DE LOS ND
INTRODUCE RASGOS LINEALES QUE DISTORSIONAN
CORRECCIOacuteN DE IMAacuteGENES CLASIFICADAS
CONSERVAR LA RADIOMETRIacuteA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo II
interpolacioacuten bilineal ( bilinear interpolation )
supone promediar los ND de los cuatro pixeles mas cercanos
con ponderacioacuten seguacuten la distancia pixeles originalcorregido
REDUCE EL EFECTO DE DISTORSIOacuteN EN RASGOS LINEALES
TIENDE A DIFUMINAR LOS CONTRASTES ESPACIALES
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE IMAacuteGENES RECTIFICADAS MAPAS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo III
convolusioacuten cuacutebica ( cubic convolution )
supone considerar los ND de los 16 pixeles mas proacuteximos
media ponderada seguacuten la distancia pixeles originalcorregido
EFECTO VISUAL MAS CORRECTO
VOLUacuteMEN DE CAacuteLCULO MUY SUPERIOR TENDENCIA A AGUDIZAR BORDES DE LA IMAGEN
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE ORTOIMAacuteGENES IMPRESIONES DE CALIDAD
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
Figura - Landsat USGS
IMAGEN ORIGINAL
FILTRO DIRECCIONAL PERMITEN IDENTIFICAR LOS RASGOS FRONTERIZOS EN LAS IMAacuteGENES COMO LOS FILTROS ANTERIORES PERO AHORA CONSIDERANDO LA ORIENTACIOacuteN
se tiene en cuenta la
orientacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
matrices con direccioacuten
NORTE
1 1 1
1 -2 1
-1 -1 -1
SUR
-1 -1 -1
1 -2 1
1 1 1
ESTE
-1 1 1
-1 -2 1
-1 1 1
OESTE
1 1 -1
1 -2 -1
1 1 -1
SURESTE
-1 -1 1
-1 -2 1
1 1 1
NOROESTE
1 1 1
1 -2 -1
1 -1 -1
SUROESTE
1 -1 -1
1 -2 -1
1 1 1
NORESTE
1 1 1
-1 -2 1
-1 -1 1
OBSERVACIOacuteN
LOS NOMBRES OBEDECEN A LA DIRECCIOacuteN DEL CONTRASTE QUE SENtildeALAN
LA DIRECCIOacuteN QUE REALZAN ES JUSTAMENTE LA PERPENDICULAR
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
48 Interpretacioacuten de Imaacutegenes
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Correcciones geomeacutetricas Georreferenciacioacuten Uso de puntos de control Fuentes de error Procesamiento geomeacutetrico Correccioacuten Transformacioacuten geomeacutetrica Calidad y ajuste Generacioacuten de la nueva imagen Transferencia de ND
INSTITUTO DE AGRIMENSURA - DEPARTAMENTO DE GEOMAacuteTICA PROF ADJUNTO GRADO 3 EDISON J ROSAS BERTON
El tratamiento de una imagen de sateacutelite Georreferenciacioacuten
(paso de un sistema de filas y columnas a un sistema de coordenadas estandard)
Para ello debe obtenerse una muestra de puntos de control de los que conozcamos tanto sus coordenadas reales como sus coordenadas en
la imagen deben ser por tanto objetos de un tamantildeo adecuado para resultar identificables tanto en la imagen como sobre el terreno el tamantildeo
dependeraacute loacutegicamente de la resolucioacuten de la imagen A partir de estos puntos de control se obtendraacuten por regresioacuten unas ecuaciones que permitiraacuten a cada par filacolumna un par de coordenadas
XY
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
GEORREFERENCIACIOacuteN
ENTENDIENDO LAS IMAacuteGENES
georreferenciacioacuten porqueacute
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PUNTOS DE CONTROL
ENTENDIENDO LAS IMAacuteGENES
uso de puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
DISTORSIONES POR LA PLATAFORMA ALTITUD DE LA OacuteRBITA ndash Cambio de escala
VELOCIDAD ndash Cambios de escala ORIENTACIOacuteN DE LOS TRES EJES ndash Distorsiones en la geometriacutea
NO SISTEMAacuteTICOS Y COMPLEJOS DE MODELAR
DISTORSIONES POR ROTACIOacuteN TERRESTRE
CONSIDERANDO ALTITUD (800 Km) y TAMANtildeO DE LA IMAGEN (180 Km)ndashEn latitudes medias tarda en adquirir unos 30 segundos la Tierra se desplaza unos 8 Km
ORIENTACIOacuteN NE SW
DISTORSIONES POR EL SENSOR ANOMALIacuteAS SENSOR y MOVIMIENTO ESPEJO ndash Barrido no lineal o cambio en intervalos
AacuteNGULO DE BARRIDO ndash Variacioacuten en el tamantildeo de pixel
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ERROR EN UNA IMAGEN ESPACIAL
ENTENDIENDO LAS IMAacuteGENES
fuentes de error
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Una correccioacuten geomeacutetrica incluye CUALQUIER CAMBIO EN LA POSICIOacuteN DE LOS PIXELES que
conforman la imagen f (c`) = f1 (c l) f (x y) f (l`) = f2 (c l) f (x y)
COORDENADAS DE IMAGEN CORREGIDA SON FUNCIOacuteN DE COORDENADAS COLUMNA Y LIacuteNEA DE LA
IMAGEN DE ENTRADA O DE LAS COORDENADAS DE MAPA AL QUE SUPERPONDREMOS LA IMAGEN
1 CON OBJETIVO DE REALIZAR UNA TRANSFORMACIOacuteN GEOMEacuteTRICA QUE PERMITA AJUSTARLA A OTRA IMAGEN REFERENCIA NORMALMENTE PARA REALIZAR ESTUDIOS MULTITEMPORALES O MOSAICOS CON EL FIN DE AMPLIAR LOS DATOS E INFORMACIOacuteN DE UNA ZONA
2 ESTO PERMITIRAacute QUE LA NUEVA IMAGEN LA PUEDA INTEGRAR CON INFORMACIOacuteN DE OTRAS FUENTES POR EJEMPLO EN UN AMBIENTE SIG
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
correccioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
asumimos que
NO SE CONOCE EL ORIGEN DE LOS ERRORES
modelamos
ECUACIONES EMPIacuteRICAS
aplicadas a un conjunto de puntos
COORDENADAS CONOCIDAS IMAGEN INPUT e IMAGEN OUTPUT
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
1 ndash SELECCIOacuteN DE REFERENCIAS 2 ndash ECUACIONES DE AJUSTE
3 ndash GENERACIOacuteN DE LA IMAGEN CORREGIDA
ES OBVIO CALIDAD DEL AJUSTE DEPENDERAacute DE PRECISIOacuteN CON QUE SE
LOCALICEN LOS PUNTOS DE CONTROL INEXACTA LOCALIZACIOacuteN
DISTRIBUCIOacuteN MUY SECTORIZADA NUacuteMERO DE PUNTOS DE CONTROL INADECUADO
ESTABLECER LOS PUNTOS DE CONTROL FASE MAS CRUCIAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
procesamiento de la correccioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Resaltamos la importancia de
NUacuteMERO LOCALIZACIOacuteN DISTRIBUCIOacuteN
Que debemos atender Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
que considero UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash Croquis ilustrativos de apoyo
TERRENO O ZONAS PLANAS CON IMG OBTENIDAS POR UN SENSOR DE ESTRECHA VISIOacuteN DE CAMPO
TRANSFORMACIOacuteN
BASADO EN ECUACIONES LINEALES SIMPLES
TERRENO ESCARPADO O RUGOSO O UTILIZACIOacuteN DE IMG OBTENIDAS EN UN SENSOR CON VARIACIONES EN LAS CONDICIONES DE OBSERVACIOacuteN
TRANSFORMACIOacuteN MAacuteS COMPLEJA
POLINOMIOS DE SEGUNDO O TERCER ORDEN
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Desde un punto de vista matemaacutetico
GRADO 1 ndash 3 puntos GRADO 2 ndash 6 puntos GRADO 3 ndash 10 puntos
Seguacuten mis objetivos del trabajo no es conveniente utilizar esos miacutenimos
14 a 20 puntos (Landsat 5 MMS ndash seguacuten Bernstein R y D G Ferneyhough Jr 1978)
100 a 120 puntos (Landsat 7 TM ndash seguacuten el National Remote Sensing Center de Inglaterra)
10 o 12 puntos (Pequentildea zona de 512 x 512 pixeles ndash seguacuten Emilio Chuvieco 2010)
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
matemaacuteticamente UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
QUE DEBEMOS DE CONSIDERAR EN CUANTO A LA LOCALIZACIOacuteN
CLARAMENTE IDENTIFICABLES EN IMAGEN Y MAPA RASGOS HUMANOS DEL PAISAJE NO SUJETOS A DINAMISMO TEMPORAL
CRUCE DE CARRETERAS
CAMINOS VIacuteA FEacuteRREAS
NO CONSIDERAR ELEMENTOS ASOCIADOS AL AGUA
COSTA CURSOS DE AGUA
EMBALSES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
localizacioacuten TCP UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la correccioacuten digital de la geometriacutea de una imagen se realiza a partir de establecer unas funciones que relacionen las coordenadas de la imagen
y las coordenadas del mapa
EJ CASO MAS SIMPLE REGRESIOacuteN LINEAL MUacuteLTIPLE
ci = a0 + a1 Xi + a2 Yi li = b0 + b1 Xi + b2 Yi
EN LA PRAacuteCTICA BASTA UNA FUNCIOacuteN LINEAL PARA ABORDAR UN GRAN NUacuteMERO DE
TRANSFORMACIONES Y SON SUFICIENTES SI LAS IMAacuteGENES NO SON MUY GRANDES ANTE LA NECESIDAD DE OTRAS TRANSFORMACIONES SE UTILIZAN DE 2ordm y 3ordm ORDEN CONSIDERANDO ALTERACIONES GEOMEacuteTRICAS NO LINEALES (FUNCIONES QUE NO SE DEFINEN EN UN PLANO
CON EJES LINEALES SINO QUE SUPERFICIES CON EJES CURVILIacuteNEOS)
LOS COEFICIENTES DE LAS FUNCIONES DE TRANSFORMACIOacuteN SE CALCULAN A PARTIR DE UN AJUSTE POR MIacuteNIMOS CUADRADOS
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
funciones de transformacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash ejemplos de funciones de transformacioacuten geomeacutetrica con el efecto causado
TRASLACIOacuteN
CAMBIO DE ESCALA
INCLINACIOacuteN
PERSPECTIVA
ROTACIOacuteN
x = a0 + xacute y = b0 + yacute
x = xacute + a2 yacute y = yacute
x = a1 xacute y = b1 yacute
x = a3xacute yacute y = yacute
x = a4xacute + a5yacute y = b4xacute + b5yacute a4 = b5 = cos Ɵ a5 = -b4 = sen Ɵ
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
transformacioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
comparacioacuten coordenadas reales y las estimadas por la regresioacuten
el promedio de los residuales se conoce como error medio cuadraacutetico
la calidad del ajuste lo da el RMSE (root mean squared error)
(error medio cuadraacutetico)
RMSE es la raiacutez cuadrada de las desviaciones entre los valores reales y los
calculados
RMSE para cada punto es la raiacutez de los residuales al cuadrado que es la distancia entre ellos
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
RMSE UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la praacutectica hace que fijemos una TOLERANCIA y es que si ese promedio supera un valor fijado previamente haya que rever
el valor fijado previamente generalmente es igual o menor a un PIXEL
una correcta verificacioacuten
NECESITA introducir PUNTOS de VERIFICACIOacuteN
que no hayan sido introducidos en el ajuste
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
tolerancias fijadas
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
traducimos coordenadas de un mapa a la imagen tambieacuten necesitamos a la nueva imagen
TRANSFERIR LOS VALORES DIGITALES no olvidar que lo que queremos es generar una nueva imagen que se
corresponda con las coordenadas y las funciones de ajuste
NO ORIGINAN NUEVA IMAGEN solo colocan a los pixeles en la posicioacuten correcta
en criollo las funciones de transformacioacuten generan una nueva matriz bien posicionada pero vaciacutea
DEBEMOS LLENAR LA MATRIZ problema maacutes complejo de lo que puede
pensarse Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
generacioacuten de la nueva imaacutegen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
cada pixel de la imagen corregida se corresponderiacutea con un pixel de la imagen original
LEJOS DE ESE IDEAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo I
vecino maacutes proacuteximo ( nearest neighbour )
a cada celda de la imagen corregida se asigna el ND del pixel maacutes cercano de la
imagen original
SOLUCIOacuteN RAacutePIDA MENOR DISTORSIOacuteN DE LOS ND
INTRODUCE RASGOS LINEALES QUE DISTORSIONAN
CORRECCIOacuteN DE IMAacuteGENES CLASIFICADAS
CONSERVAR LA RADIOMETRIacuteA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo II
interpolacioacuten bilineal ( bilinear interpolation )
supone promediar los ND de los cuatro pixeles mas cercanos
con ponderacioacuten seguacuten la distancia pixeles originalcorregido
REDUCE EL EFECTO DE DISTORSIOacuteN EN RASGOS LINEALES
TIENDE A DIFUMINAR LOS CONTRASTES ESPACIALES
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE IMAacuteGENES RECTIFICADAS MAPAS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo III
convolusioacuten cuacutebica ( cubic convolution )
supone considerar los ND de los 16 pixeles mas proacuteximos
media ponderada seguacuten la distancia pixeles originalcorregido
EFECTO VISUAL MAS CORRECTO
VOLUacuteMEN DE CAacuteLCULO MUY SUPERIOR TENDENCIA A AGUDIZAR BORDES DE LA IMAGEN
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE ORTOIMAacuteGENES IMPRESIONES DE CALIDAD
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
Figura - Landsat USGS
IMAGEN ORIGINAL
FILTRO DIRECCIONAL PERMITEN IDENTIFICAR LOS RASGOS FRONTERIZOS EN LAS IMAacuteGENES COMO LOS FILTROS ANTERIORES PERO AHORA CONSIDERANDO LA ORIENTACIOacuteN
se tiene en cuenta la
orientacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
matrices con direccioacuten
NORTE
1 1 1
1 -2 1
-1 -1 -1
SUR
-1 -1 -1
1 -2 1
1 1 1
ESTE
-1 1 1
-1 -2 1
-1 1 1
OESTE
1 1 -1
1 -2 -1
1 1 -1
SURESTE
-1 -1 1
-1 -2 1
1 1 1
NOROESTE
1 1 1
1 -2 -1
1 -1 -1
SUROESTE
1 -1 -1
1 -2 -1
1 1 1
NORESTE
1 1 1
-1 -2 1
-1 -1 1
OBSERVACIOacuteN
LOS NOMBRES OBEDECEN A LA DIRECCIOacuteN DEL CONTRASTE QUE SENtildeALAN
LA DIRECCIOacuteN QUE REALZAN ES JUSTAMENTE LA PERPENDICULAR
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
48 Interpretacioacuten de Imaacutegenes
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Correcciones geomeacutetricas Georreferenciacioacuten Uso de puntos de control Fuentes de error Procesamiento geomeacutetrico Correccioacuten Transformacioacuten geomeacutetrica Calidad y ajuste Generacioacuten de la nueva imagen Transferencia de ND
INSTITUTO DE AGRIMENSURA - DEPARTAMENTO DE GEOMAacuteTICA PROF ADJUNTO GRADO 3 EDISON J ROSAS BERTON
El tratamiento de una imagen de sateacutelite Georreferenciacioacuten
(paso de un sistema de filas y columnas a un sistema de coordenadas estandard)
Para ello debe obtenerse una muestra de puntos de control de los que conozcamos tanto sus coordenadas reales como sus coordenadas en
la imagen deben ser por tanto objetos de un tamantildeo adecuado para resultar identificables tanto en la imagen como sobre el terreno el tamantildeo
dependeraacute loacutegicamente de la resolucioacuten de la imagen A partir de estos puntos de control se obtendraacuten por regresioacuten unas ecuaciones que permitiraacuten a cada par filacolumna un par de coordenadas
XY
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
GEORREFERENCIACIOacuteN
ENTENDIENDO LAS IMAacuteGENES
georreferenciacioacuten porqueacute
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PUNTOS DE CONTROL
ENTENDIENDO LAS IMAacuteGENES
uso de puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
DISTORSIONES POR LA PLATAFORMA ALTITUD DE LA OacuteRBITA ndash Cambio de escala
VELOCIDAD ndash Cambios de escala ORIENTACIOacuteN DE LOS TRES EJES ndash Distorsiones en la geometriacutea
NO SISTEMAacuteTICOS Y COMPLEJOS DE MODELAR
DISTORSIONES POR ROTACIOacuteN TERRESTRE
CONSIDERANDO ALTITUD (800 Km) y TAMANtildeO DE LA IMAGEN (180 Km)ndashEn latitudes medias tarda en adquirir unos 30 segundos la Tierra se desplaza unos 8 Km
ORIENTACIOacuteN NE SW
DISTORSIONES POR EL SENSOR ANOMALIacuteAS SENSOR y MOVIMIENTO ESPEJO ndash Barrido no lineal o cambio en intervalos
AacuteNGULO DE BARRIDO ndash Variacioacuten en el tamantildeo de pixel
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ERROR EN UNA IMAGEN ESPACIAL
ENTENDIENDO LAS IMAacuteGENES
fuentes de error
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Una correccioacuten geomeacutetrica incluye CUALQUIER CAMBIO EN LA POSICIOacuteN DE LOS PIXELES que
conforman la imagen f (c`) = f1 (c l) f (x y) f (l`) = f2 (c l) f (x y)
COORDENADAS DE IMAGEN CORREGIDA SON FUNCIOacuteN DE COORDENADAS COLUMNA Y LIacuteNEA DE LA
IMAGEN DE ENTRADA O DE LAS COORDENADAS DE MAPA AL QUE SUPERPONDREMOS LA IMAGEN
1 CON OBJETIVO DE REALIZAR UNA TRANSFORMACIOacuteN GEOMEacuteTRICA QUE PERMITA AJUSTARLA A OTRA IMAGEN REFERENCIA NORMALMENTE PARA REALIZAR ESTUDIOS MULTITEMPORALES O MOSAICOS CON EL FIN DE AMPLIAR LOS DATOS E INFORMACIOacuteN DE UNA ZONA
2 ESTO PERMITIRAacute QUE LA NUEVA IMAGEN LA PUEDA INTEGRAR CON INFORMACIOacuteN DE OTRAS FUENTES POR EJEMPLO EN UN AMBIENTE SIG
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
correccioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
asumimos que
NO SE CONOCE EL ORIGEN DE LOS ERRORES
modelamos
ECUACIONES EMPIacuteRICAS
aplicadas a un conjunto de puntos
COORDENADAS CONOCIDAS IMAGEN INPUT e IMAGEN OUTPUT
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
1 ndash SELECCIOacuteN DE REFERENCIAS 2 ndash ECUACIONES DE AJUSTE
3 ndash GENERACIOacuteN DE LA IMAGEN CORREGIDA
ES OBVIO CALIDAD DEL AJUSTE DEPENDERAacute DE PRECISIOacuteN CON QUE SE
LOCALICEN LOS PUNTOS DE CONTROL INEXACTA LOCALIZACIOacuteN
DISTRIBUCIOacuteN MUY SECTORIZADA NUacuteMERO DE PUNTOS DE CONTROL INADECUADO
ESTABLECER LOS PUNTOS DE CONTROL FASE MAS CRUCIAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
procesamiento de la correccioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Resaltamos la importancia de
NUacuteMERO LOCALIZACIOacuteN DISTRIBUCIOacuteN
Que debemos atender Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
que considero UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash Croquis ilustrativos de apoyo
TERRENO O ZONAS PLANAS CON IMG OBTENIDAS POR UN SENSOR DE ESTRECHA VISIOacuteN DE CAMPO
TRANSFORMACIOacuteN
BASADO EN ECUACIONES LINEALES SIMPLES
TERRENO ESCARPADO O RUGOSO O UTILIZACIOacuteN DE IMG OBTENIDAS EN UN SENSOR CON VARIACIONES EN LAS CONDICIONES DE OBSERVACIOacuteN
TRANSFORMACIOacuteN MAacuteS COMPLEJA
POLINOMIOS DE SEGUNDO O TERCER ORDEN
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Desde un punto de vista matemaacutetico
GRADO 1 ndash 3 puntos GRADO 2 ndash 6 puntos GRADO 3 ndash 10 puntos
Seguacuten mis objetivos del trabajo no es conveniente utilizar esos miacutenimos
14 a 20 puntos (Landsat 5 MMS ndash seguacuten Bernstein R y D G Ferneyhough Jr 1978)
100 a 120 puntos (Landsat 7 TM ndash seguacuten el National Remote Sensing Center de Inglaterra)
10 o 12 puntos (Pequentildea zona de 512 x 512 pixeles ndash seguacuten Emilio Chuvieco 2010)
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
matemaacuteticamente UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
QUE DEBEMOS DE CONSIDERAR EN CUANTO A LA LOCALIZACIOacuteN
CLARAMENTE IDENTIFICABLES EN IMAGEN Y MAPA RASGOS HUMANOS DEL PAISAJE NO SUJETOS A DINAMISMO TEMPORAL
CRUCE DE CARRETERAS
CAMINOS VIacuteA FEacuteRREAS
NO CONSIDERAR ELEMENTOS ASOCIADOS AL AGUA
COSTA CURSOS DE AGUA
EMBALSES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
localizacioacuten TCP UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la correccioacuten digital de la geometriacutea de una imagen se realiza a partir de establecer unas funciones que relacionen las coordenadas de la imagen
y las coordenadas del mapa
EJ CASO MAS SIMPLE REGRESIOacuteN LINEAL MUacuteLTIPLE
ci = a0 + a1 Xi + a2 Yi li = b0 + b1 Xi + b2 Yi
EN LA PRAacuteCTICA BASTA UNA FUNCIOacuteN LINEAL PARA ABORDAR UN GRAN NUacuteMERO DE
TRANSFORMACIONES Y SON SUFICIENTES SI LAS IMAacuteGENES NO SON MUY GRANDES ANTE LA NECESIDAD DE OTRAS TRANSFORMACIONES SE UTILIZAN DE 2ordm y 3ordm ORDEN CONSIDERANDO ALTERACIONES GEOMEacuteTRICAS NO LINEALES (FUNCIONES QUE NO SE DEFINEN EN UN PLANO
CON EJES LINEALES SINO QUE SUPERFICIES CON EJES CURVILIacuteNEOS)
LOS COEFICIENTES DE LAS FUNCIONES DE TRANSFORMACIOacuteN SE CALCULAN A PARTIR DE UN AJUSTE POR MIacuteNIMOS CUADRADOS
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
funciones de transformacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash ejemplos de funciones de transformacioacuten geomeacutetrica con el efecto causado
TRASLACIOacuteN
CAMBIO DE ESCALA
INCLINACIOacuteN
PERSPECTIVA
ROTACIOacuteN
x = a0 + xacute y = b0 + yacute
x = xacute + a2 yacute y = yacute
x = a1 xacute y = b1 yacute
x = a3xacute yacute y = yacute
x = a4xacute + a5yacute y = b4xacute + b5yacute a4 = b5 = cos Ɵ a5 = -b4 = sen Ɵ
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
transformacioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
comparacioacuten coordenadas reales y las estimadas por la regresioacuten
el promedio de los residuales se conoce como error medio cuadraacutetico
la calidad del ajuste lo da el RMSE (root mean squared error)
(error medio cuadraacutetico)
RMSE es la raiacutez cuadrada de las desviaciones entre los valores reales y los
calculados
RMSE para cada punto es la raiacutez de los residuales al cuadrado que es la distancia entre ellos
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
RMSE UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la praacutectica hace que fijemos una TOLERANCIA y es que si ese promedio supera un valor fijado previamente haya que rever
el valor fijado previamente generalmente es igual o menor a un PIXEL
una correcta verificacioacuten
NECESITA introducir PUNTOS de VERIFICACIOacuteN
que no hayan sido introducidos en el ajuste
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
tolerancias fijadas
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
traducimos coordenadas de un mapa a la imagen tambieacuten necesitamos a la nueva imagen
TRANSFERIR LOS VALORES DIGITALES no olvidar que lo que queremos es generar una nueva imagen que se
corresponda con las coordenadas y las funciones de ajuste
NO ORIGINAN NUEVA IMAGEN solo colocan a los pixeles en la posicioacuten correcta
en criollo las funciones de transformacioacuten generan una nueva matriz bien posicionada pero vaciacutea
DEBEMOS LLENAR LA MATRIZ problema maacutes complejo de lo que puede
pensarse Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
generacioacuten de la nueva imaacutegen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
cada pixel de la imagen corregida se corresponderiacutea con un pixel de la imagen original
LEJOS DE ESE IDEAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo I
vecino maacutes proacuteximo ( nearest neighbour )
a cada celda de la imagen corregida se asigna el ND del pixel maacutes cercano de la
imagen original
SOLUCIOacuteN RAacutePIDA MENOR DISTORSIOacuteN DE LOS ND
INTRODUCE RASGOS LINEALES QUE DISTORSIONAN
CORRECCIOacuteN DE IMAacuteGENES CLASIFICADAS
CONSERVAR LA RADIOMETRIacuteA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo II
interpolacioacuten bilineal ( bilinear interpolation )
supone promediar los ND de los cuatro pixeles mas cercanos
con ponderacioacuten seguacuten la distancia pixeles originalcorregido
REDUCE EL EFECTO DE DISTORSIOacuteN EN RASGOS LINEALES
TIENDE A DIFUMINAR LOS CONTRASTES ESPACIALES
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE IMAacuteGENES RECTIFICADAS MAPAS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo III
convolusioacuten cuacutebica ( cubic convolution )
supone considerar los ND de los 16 pixeles mas proacuteximos
media ponderada seguacuten la distancia pixeles originalcorregido
EFECTO VISUAL MAS CORRECTO
VOLUacuteMEN DE CAacuteLCULO MUY SUPERIOR TENDENCIA A AGUDIZAR BORDES DE LA IMAGEN
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE ORTOIMAacuteGENES IMPRESIONES DE CALIDAD
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
Figura - Landsat USGS
IMAGEN ORIGINAL
FILTRO DIRECCIONAL PERMITEN IDENTIFICAR LOS RASGOS FRONTERIZOS EN LAS IMAacuteGENES COMO LOS FILTROS ANTERIORES PERO AHORA CONSIDERANDO LA ORIENTACIOacuteN
se tiene en cuenta la
orientacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
matrices con direccioacuten
NORTE
1 1 1
1 -2 1
-1 -1 -1
SUR
-1 -1 -1
1 -2 1
1 1 1
ESTE
-1 1 1
-1 -2 1
-1 1 1
OESTE
1 1 -1
1 -2 -1
1 1 -1
SURESTE
-1 -1 1
-1 -2 1
1 1 1
NOROESTE
1 1 1
1 -2 -1
1 -1 -1
SUROESTE
1 -1 -1
1 -2 -1
1 1 1
NORESTE
1 1 1
-1 -2 1
-1 -1 1
OBSERVACIOacuteN
LOS NOMBRES OBEDECEN A LA DIRECCIOacuteN DEL CONTRASTE QUE SENtildeALAN
LA DIRECCIOacuteN QUE REALZAN ES JUSTAMENTE LA PERPENDICULAR
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
48 Interpretacioacuten de Imaacutegenes
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Correcciones geomeacutetricas Georreferenciacioacuten Uso de puntos de control Fuentes de error Procesamiento geomeacutetrico Correccioacuten Transformacioacuten geomeacutetrica Calidad y ajuste Generacioacuten de la nueva imagen Transferencia de ND
INSTITUTO DE AGRIMENSURA - DEPARTAMENTO DE GEOMAacuteTICA PROF ADJUNTO GRADO 3 EDISON J ROSAS BERTON
El tratamiento de una imagen de sateacutelite Georreferenciacioacuten
(paso de un sistema de filas y columnas a un sistema de coordenadas estandard)
Para ello debe obtenerse una muestra de puntos de control de los que conozcamos tanto sus coordenadas reales como sus coordenadas en
la imagen deben ser por tanto objetos de un tamantildeo adecuado para resultar identificables tanto en la imagen como sobre el terreno el tamantildeo
dependeraacute loacutegicamente de la resolucioacuten de la imagen A partir de estos puntos de control se obtendraacuten por regresioacuten unas ecuaciones que permitiraacuten a cada par filacolumna un par de coordenadas
XY
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
GEORREFERENCIACIOacuteN
ENTENDIENDO LAS IMAacuteGENES
georreferenciacioacuten porqueacute
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PUNTOS DE CONTROL
ENTENDIENDO LAS IMAacuteGENES
uso de puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
DISTORSIONES POR LA PLATAFORMA ALTITUD DE LA OacuteRBITA ndash Cambio de escala
VELOCIDAD ndash Cambios de escala ORIENTACIOacuteN DE LOS TRES EJES ndash Distorsiones en la geometriacutea
NO SISTEMAacuteTICOS Y COMPLEJOS DE MODELAR
DISTORSIONES POR ROTACIOacuteN TERRESTRE
CONSIDERANDO ALTITUD (800 Km) y TAMANtildeO DE LA IMAGEN (180 Km)ndashEn latitudes medias tarda en adquirir unos 30 segundos la Tierra se desplaza unos 8 Km
ORIENTACIOacuteN NE SW
DISTORSIONES POR EL SENSOR ANOMALIacuteAS SENSOR y MOVIMIENTO ESPEJO ndash Barrido no lineal o cambio en intervalos
AacuteNGULO DE BARRIDO ndash Variacioacuten en el tamantildeo de pixel
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ERROR EN UNA IMAGEN ESPACIAL
ENTENDIENDO LAS IMAacuteGENES
fuentes de error
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Una correccioacuten geomeacutetrica incluye CUALQUIER CAMBIO EN LA POSICIOacuteN DE LOS PIXELES que
conforman la imagen f (c`) = f1 (c l) f (x y) f (l`) = f2 (c l) f (x y)
COORDENADAS DE IMAGEN CORREGIDA SON FUNCIOacuteN DE COORDENADAS COLUMNA Y LIacuteNEA DE LA
IMAGEN DE ENTRADA O DE LAS COORDENADAS DE MAPA AL QUE SUPERPONDREMOS LA IMAGEN
1 CON OBJETIVO DE REALIZAR UNA TRANSFORMACIOacuteN GEOMEacuteTRICA QUE PERMITA AJUSTARLA A OTRA IMAGEN REFERENCIA NORMALMENTE PARA REALIZAR ESTUDIOS MULTITEMPORALES O MOSAICOS CON EL FIN DE AMPLIAR LOS DATOS E INFORMACIOacuteN DE UNA ZONA
2 ESTO PERMITIRAacute QUE LA NUEVA IMAGEN LA PUEDA INTEGRAR CON INFORMACIOacuteN DE OTRAS FUENTES POR EJEMPLO EN UN AMBIENTE SIG
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
correccioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
asumimos que
NO SE CONOCE EL ORIGEN DE LOS ERRORES
modelamos
ECUACIONES EMPIacuteRICAS
aplicadas a un conjunto de puntos
COORDENADAS CONOCIDAS IMAGEN INPUT e IMAGEN OUTPUT
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
1 ndash SELECCIOacuteN DE REFERENCIAS 2 ndash ECUACIONES DE AJUSTE
3 ndash GENERACIOacuteN DE LA IMAGEN CORREGIDA
ES OBVIO CALIDAD DEL AJUSTE DEPENDERAacute DE PRECISIOacuteN CON QUE SE
LOCALICEN LOS PUNTOS DE CONTROL INEXACTA LOCALIZACIOacuteN
DISTRIBUCIOacuteN MUY SECTORIZADA NUacuteMERO DE PUNTOS DE CONTROL INADECUADO
ESTABLECER LOS PUNTOS DE CONTROL FASE MAS CRUCIAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
procesamiento de la correccioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Resaltamos la importancia de
NUacuteMERO LOCALIZACIOacuteN DISTRIBUCIOacuteN
Que debemos atender Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
que considero UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash Croquis ilustrativos de apoyo
TERRENO O ZONAS PLANAS CON IMG OBTENIDAS POR UN SENSOR DE ESTRECHA VISIOacuteN DE CAMPO
TRANSFORMACIOacuteN
BASADO EN ECUACIONES LINEALES SIMPLES
TERRENO ESCARPADO O RUGOSO O UTILIZACIOacuteN DE IMG OBTENIDAS EN UN SENSOR CON VARIACIONES EN LAS CONDICIONES DE OBSERVACIOacuteN
TRANSFORMACIOacuteN MAacuteS COMPLEJA
POLINOMIOS DE SEGUNDO O TERCER ORDEN
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Desde un punto de vista matemaacutetico
GRADO 1 ndash 3 puntos GRADO 2 ndash 6 puntos GRADO 3 ndash 10 puntos
Seguacuten mis objetivos del trabajo no es conveniente utilizar esos miacutenimos
14 a 20 puntos (Landsat 5 MMS ndash seguacuten Bernstein R y D G Ferneyhough Jr 1978)
100 a 120 puntos (Landsat 7 TM ndash seguacuten el National Remote Sensing Center de Inglaterra)
10 o 12 puntos (Pequentildea zona de 512 x 512 pixeles ndash seguacuten Emilio Chuvieco 2010)
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
matemaacuteticamente UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
QUE DEBEMOS DE CONSIDERAR EN CUANTO A LA LOCALIZACIOacuteN
CLARAMENTE IDENTIFICABLES EN IMAGEN Y MAPA RASGOS HUMANOS DEL PAISAJE NO SUJETOS A DINAMISMO TEMPORAL
CRUCE DE CARRETERAS
CAMINOS VIacuteA FEacuteRREAS
NO CONSIDERAR ELEMENTOS ASOCIADOS AL AGUA
COSTA CURSOS DE AGUA
EMBALSES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
localizacioacuten TCP UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la correccioacuten digital de la geometriacutea de una imagen se realiza a partir de establecer unas funciones que relacionen las coordenadas de la imagen
y las coordenadas del mapa
EJ CASO MAS SIMPLE REGRESIOacuteN LINEAL MUacuteLTIPLE
ci = a0 + a1 Xi + a2 Yi li = b0 + b1 Xi + b2 Yi
EN LA PRAacuteCTICA BASTA UNA FUNCIOacuteN LINEAL PARA ABORDAR UN GRAN NUacuteMERO DE
TRANSFORMACIONES Y SON SUFICIENTES SI LAS IMAacuteGENES NO SON MUY GRANDES ANTE LA NECESIDAD DE OTRAS TRANSFORMACIONES SE UTILIZAN DE 2ordm y 3ordm ORDEN CONSIDERANDO ALTERACIONES GEOMEacuteTRICAS NO LINEALES (FUNCIONES QUE NO SE DEFINEN EN UN PLANO
CON EJES LINEALES SINO QUE SUPERFICIES CON EJES CURVILIacuteNEOS)
LOS COEFICIENTES DE LAS FUNCIONES DE TRANSFORMACIOacuteN SE CALCULAN A PARTIR DE UN AJUSTE POR MIacuteNIMOS CUADRADOS
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
funciones de transformacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash ejemplos de funciones de transformacioacuten geomeacutetrica con el efecto causado
TRASLACIOacuteN
CAMBIO DE ESCALA
INCLINACIOacuteN
PERSPECTIVA
ROTACIOacuteN
x = a0 + xacute y = b0 + yacute
x = xacute + a2 yacute y = yacute
x = a1 xacute y = b1 yacute
x = a3xacute yacute y = yacute
x = a4xacute + a5yacute y = b4xacute + b5yacute a4 = b5 = cos Ɵ a5 = -b4 = sen Ɵ
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
transformacioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
comparacioacuten coordenadas reales y las estimadas por la regresioacuten
el promedio de los residuales se conoce como error medio cuadraacutetico
la calidad del ajuste lo da el RMSE (root mean squared error)
(error medio cuadraacutetico)
RMSE es la raiacutez cuadrada de las desviaciones entre los valores reales y los
calculados
RMSE para cada punto es la raiacutez de los residuales al cuadrado que es la distancia entre ellos
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
RMSE UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la praacutectica hace que fijemos una TOLERANCIA y es que si ese promedio supera un valor fijado previamente haya que rever
el valor fijado previamente generalmente es igual o menor a un PIXEL
una correcta verificacioacuten
NECESITA introducir PUNTOS de VERIFICACIOacuteN
que no hayan sido introducidos en el ajuste
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
tolerancias fijadas
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
traducimos coordenadas de un mapa a la imagen tambieacuten necesitamos a la nueva imagen
TRANSFERIR LOS VALORES DIGITALES no olvidar que lo que queremos es generar una nueva imagen que se
corresponda con las coordenadas y las funciones de ajuste
NO ORIGINAN NUEVA IMAGEN solo colocan a los pixeles en la posicioacuten correcta
en criollo las funciones de transformacioacuten generan una nueva matriz bien posicionada pero vaciacutea
DEBEMOS LLENAR LA MATRIZ problema maacutes complejo de lo que puede
pensarse Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
generacioacuten de la nueva imaacutegen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
cada pixel de la imagen corregida se corresponderiacutea con un pixel de la imagen original
LEJOS DE ESE IDEAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo I
vecino maacutes proacuteximo ( nearest neighbour )
a cada celda de la imagen corregida se asigna el ND del pixel maacutes cercano de la
imagen original
SOLUCIOacuteN RAacutePIDA MENOR DISTORSIOacuteN DE LOS ND
INTRODUCE RASGOS LINEALES QUE DISTORSIONAN
CORRECCIOacuteN DE IMAacuteGENES CLASIFICADAS
CONSERVAR LA RADIOMETRIacuteA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo II
interpolacioacuten bilineal ( bilinear interpolation )
supone promediar los ND de los cuatro pixeles mas cercanos
con ponderacioacuten seguacuten la distancia pixeles originalcorregido
REDUCE EL EFECTO DE DISTORSIOacuteN EN RASGOS LINEALES
TIENDE A DIFUMINAR LOS CONTRASTES ESPACIALES
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE IMAacuteGENES RECTIFICADAS MAPAS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo III
convolusioacuten cuacutebica ( cubic convolution )
supone considerar los ND de los 16 pixeles mas proacuteximos
media ponderada seguacuten la distancia pixeles originalcorregido
EFECTO VISUAL MAS CORRECTO
VOLUacuteMEN DE CAacuteLCULO MUY SUPERIOR TENDENCIA A AGUDIZAR BORDES DE LA IMAGEN
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE ORTOIMAacuteGENES IMPRESIONES DE CALIDAD
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
Figura - Landsat USGS
IMAGEN ORIGINAL
FILTRO DIRECCIONAL PERMITEN IDENTIFICAR LOS RASGOS FRONTERIZOS EN LAS IMAacuteGENES COMO LOS FILTROS ANTERIORES PERO AHORA CONSIDERANDO LA ORIENTACIOacuteN
se tiene en cuenta la
orientacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
matrices con direccioacuten
NORTE
1 1 1
1 -2 1
-1 -1 -1
SUR
-1 -1 -1
1 -2 1
1 1 1
ESTE
-1 1 1
-1 -2 1
-1 1 1
OESTE
1 1 -1
1 -2 -1
1 1 -1
SURESTE
-1 -1 1
-1 -2 1
1 1 1
NOROESTE
1 1 1
1 -2 -1
1 -1 -1
SUROESTE
1 -1 -1
1 -2 -1
1 1 1
NORESTE
1 1 1
-1 -2 1
-1 -1 1
OBSERVACIOacuteN
LOS NOMBRES OBEDECEN A LA DIRECCIOacuteN DEL CONTRASTE QUE SENtildeALAN
LA DIRECCIOacuteN QUE REALZAN ES JUSTAMENTE LA PERPENDICULAR
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
48 Interpretacioacuten de Imaacutegenes
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Correcciones geomeacutetricas Georreferenciacioacuten Uso de puntos de control Fuentes de error Procesamiento geomeacutetrico Correccioacuten Transformacioacuten geomeacutetrica Calidad y ajuste Generacioacuten de la nueva imagen Transferencia de ND
INSTITUTO DE AGRIMENSURA - DEPARTAMENTO DE GEOMAacuteTICA PROF ADJUNTO GRADO 3 EDISON J ROSAS BERTON
El tratamiento de una imagen de sateacutelite Georreferenciacioacuten
(paso de un sistema de filas y columnas a un sistema de coordenadas estandard)
Para ello debe obtenerse una muestra de puntos de control de los que conozcamos tanto sus coordenadas reales como sus coordenadas en
la imagen deben ser por tanto objetos de un tamantildeo adecuado para resultar identificables tanto en la imagen como sobre el terreno el tamantildeo
dependeraacute loacutegicamente de la resolucioacuten de la imagen A partir de estos puntos de control se obtendraacuten por regresioacuten unas ecuaciones que permitiraacuten a cada par filacolumna un par de coordenadas
XY
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
GEORREFERENCIACIOacuteN
ENTENDIENDO LAS IMAacuteGENES
georreferenciacioacuten porqueacute
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PUNTOS DE CONTROL
ENTENDIENDO LAS IMAacuteGENES
uso de puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
DISTORSIONES POR LA PLATAFORMA ALTITUD DE LA OacuteRBITA ndash Cambio de escala
VELOCIDAD ndash Cambios de escala ORIENTACIOacuteN DE LOS TRES EJES ndash Distorsiones en la geometriacutea
NO SISTEMAacuteTICOS Y COMPLEJOS DE MODELAR
DISTORSIONES POR ROTACIOacuteN TERRESTRE
CONSIDERANDO ALTITUD (800 Km) y TAMANtildeO DE LA IMAGEN (180 Km)ndashEn latitudes medias tarda en adquirir unos 30 segundos la Tierra se desplaza unos 8 Km
ORIENTACIOacuteN NE SW
DISTORSIONES POR EL SENSOR ANOMALIacuteAS SENSOR y MOVIMIENTO ESPEJO ndash Barrido no lineal o cambio en intervalos
AacuteNGULO DE BARRIDO ndash Variacioacuten en el tamantildeo de pixel
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ERROR EN UNA IMAGEN ESPACIAL
ENTENDIENDO LAS IMAacuteGENES
fuentes de error
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Una correccioacuten geomeacutetrica incluye CUALQUIER CAMBIO EN LA POSICIOacuteN DE LOS PIXELES que
conforman la imagen f (c`) = f1 (c l) f (x y) f (l`) = f2 (c l) f (x y)
COORDENADAS DE IMAGEN CORREGIDA SON FUNCIOacuteN DE COORDENADAS COLUMNA Y LIacuteNEA DE LA
IMAGEN DE ENTRADA O DE LAS COORDENADAS DE MAPA AL QUE SUPERPONDREMOS LA IMAGEN
1 CON OBJETIVO DE REALIZAR UNA TRANSFORMACIOacuteN GEOMEacuteTRICA QUE PERMITA AJUSTARLA A OTRA IMAGEN REFERENCIA NORMALMENTE PARA REALIZAR ESTUDIOS MULTITEMPORALES O MOSAICOS CON EL FIN DE AMPLIAR LOS DATOS E INFORMACIOacuteN DE UNA ZONA
2 ESTO PERMITIRAacute QUE LA NUEVA IMAGEN LA PUEDA INTEGRAR CON INFORMACIOacuteN DE OTRAS FUENTES POR EJEMPLO EN UN AMBIENTE SIG
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
correccioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
asumimos que
NO SE CONOCE EL ORIGEN DE LOS ERRORES
modelamos
ECUACIONES EMPIacuteRICAS
aplicadas a un conjunto de puntos
COORDENADAS CONOCIDAS IMAGEN INPUT e IMAGEN OUTPUT
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
1 ndash SELECCIOacuteN DE REFERENCIAS 2 ndash ECUACIONES DE AJUSTE
3 ndash GENERACIOacuteN DE LA IMAGEN CORREGIDA
ES OBVIO CALIDAD DEL AJUSTE DEPENDERAacute DE PRECISIOacuteN CON QUE SE
LOCALICEN LOS PUNTOS DE CONTROL INEXACTA LOCALIZACIOacuteN
DISTRIBUCIOacuteN MUY SECTORIZADA NUacuteMERO DE PUNTOS DE CONTROL INADECUADO
ESTABLECER LOS PUNTOS DE CONTROL FASE MAS CRUCIAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
procesamiento de la correccioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Resaltamos la importancia de
NUacuteMERO LOCALIZACIOacuteN DISTRIBUCIOacuteN
Que debemos atender Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
que considero UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash Croquis ilustrativos de apoyo
TERRENO O ZONAS PLANAS CON IMG OBTENIDAS POR UN SENSOR DE ESTRECHA VISIOacuteN DE CAMPO
TRANSFORMACIOacuteN
BASADO EN ECUACIONES LINEALES SIMPLES
TERRENO ESCARPADO O RUGOSO O UTILIZACIOacuteN DE IMG OBTENIDAS EN UN SENSOR CON VARIACIONES EN LAS CONDICIONES DE OBSERVACIOacuteN
TRANSFORMACIOacuteN MAacuteS COMPLEJA
POLINOMIOS DE SEGUNDO O TERCER ORDEN
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Desde un punto de vista matemaacutetico
GRADO 1 ndash 3 puntos GRADO 2 ndash 6 puntos GRADO 3 ndash 10 puntos
Seguacuten mis objetivos del trabajo no es conveniente utilizar esos miacutenimos
14 a 20 puntos (Landsat 5 MMS ndash seguacuten Bernstein R y D G Ferneyhough Jr 1978)
100 a 120 puntos (Landsat 7 TM ndash seguacuten el National Remote Sensing Center de Inglaterra)
10 o 12 puntos (Pequentildea zona de 512 x 512 pixeles ndash seguacuten Emilio Chuvieco 2010)
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
matemaacuteticamente UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
QUE DEBEMOS DE CONSIDERAR EN CUANTO A LA LOCALIZACIOacuteN
CLARAMENTE IDENTIFICABLES EN IMAGEN Y MAPA RASGOS HUMANOS DEL PAISAJE NO SUJETOS A DINAMISMO TEMPORAL
CRUCE DE CARRETERAS
CAMINOS VIacuteA FEacuteRREAS
NO CONSIDERAR ELEMENTOS ASOCIADOS AL AGUA
COSTA CURSOS DE AGUA
EMBALSES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
localizacioacuten TCP UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la correccioacuten digital de la geometriacutea de una imagen se realiza a partir de establecer unas funciones que relacionen las coordenadas de la imagen
y las coordenadas del mapa
EJ CASO MAS SIMPLE REGRESIOacuteN LINEAL MUacuteLTIPLE
ci = a0 + a1 Xi + a2 Yi li = b0 + b1 Xi + b2 Yi
EN LA PRAacuteCTICA BASTA UNA FUNCIOacuteN LINEAL PARA ABORDAR UN GRAN NUacuteMERO DE
TRANSFORMACIONES Y SON SUFICIENTES SI LAS IMAacuteGENES NO SON MUY GRANDES ANTE LA NECESIDAD DE OTRAS TRANSFORMACIONES SE UTILIZAN DE 2ordm y 3ordm ORDEN CONSIDERANDO ALTERACIONES GEOMEacuteTRICAS NO LINEALES (FUNCIONES QUE NO SE DEFINEN EN UN PLANO
CON EJES LINEALES SINO QUE SUPERFICIES CON EJES CURVILIacuteNEOS)
LOS COEFICIENTES DE LAS FUNCIONES DE TRANSFORMACIOacuteN SE CALCULAN A PARTIR DE UN AJUSTE POR MIacuteNIMOS CUADRADOS
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
funciones de transformacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash ejemplos de funciones de transformacioacuten geomeacutetrica con el efecto causado
TRASLACIOacuteN
CAMBIO DE ESCALA
INCLINACIOacuteN
PERSPECTIVA
ROTACIOacuteN
x = a0 + xacute y = b0 + yacute
x = xacute + a2 yacute y = yacute
x = a1 xacute y = b1 yacute
x = a3xacute yacute y = yacute
x = a4xacute + a5yacute y = b4xacute + b5yacute a4 = b5 = cos Ɵ a5 = -b4 = sen Ɵ
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
transformacioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
comparacioacuten coordenadas reales y las estimadas por la regresioacuten
el promedio de los residuales se conoce como error medio cuadraacutetico
la calidad del ajuste lo da el RMSE (root mean squared error)
(error medio cuadraacutetico)
RMSE es la raiacutez cuadrada de las desviaciones entre los valores reales y los
calculados
RMSE para cada punto es la raiacutez de los residuales al cuadrado que es la distancia entre ellos
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
RMSE UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la praacutectica hace que fijemos una TOLERANCIA y es que si ese promedio supera un valor fijado previamente haya que rever
el valor fijado previamente generalmente es igual o menor a un PIXEL
una correcta verificacioacuten
NECESITA introducir PUNTOS de VERIFICACIOacuteN
que no hayan sido introducidos en el ajuste
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
tolerancias fijadas
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
traducimos coordenadas de un mapa a la imagen tambieacuten necesitamos a la nueva imagen
TRANSFERIR LOS VALORES DIGITALES no olvidar que lo que queremos es generar una nueva imagen que se
corresponda con las coordenadas y las funciones de ajuste
NO ORIGINAN NUEVA IMAGEN solo colocan a los pixeles en la posicioacuten correcta
en criollo las funciones de transformacioacuten generan una nueva matriz bien posicionada pero vaciacutea
DEBEMOS LLENAR LA MATRIZ problema maacutes complejo de lo que puede
pensarse Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
generacioacuten de la nueva imaacutegen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
cada pixel de la imagen corregida se corresponderiacutea con un pixel de la imagen original
LEJOS DE ESE IDEAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo I
vecino maacutes proacuteximo ( nearest neighbour )
a cada celda de la imagen corregida se asigna el ND del pixel maacutes cercano de la
imagen original
SOLUCIOacuteN RAacutePIDA MENOR DISTORSIOacuteN DE LOS ND
INTRODUCE RASGOS LINEALES QUE DISTORSIONAN
CORRECCIOacuteN DE IMAacuteGENES CLASIFICADAS
CONSERVAR LA RADIOMETRIacuteA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo II
interpolacioacuten bilineal ( bilinear interpolation )
supone promediar los ND de los cuatro pixeles mas cercanos
con ponderacioacuten seguacuten la distancia pixeles originalcorregido
REDUCE EL EFECTO DE DISTORSIOacuteN EN RASGOS LINEALES
TIENDE A DIFUMINAR LOS CONTRASTES ESPACIALES
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE IMAacuteGENES RECTIFICADAS MAPAS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo III
convolusioacuten cuacutebica ( cubic convolution )
supone considerar los ND de los 16 pixeles mas proacuteximos
media ponderada seguacuten la distancia pixeles originalcorregido
EFECTO VISUAL MAS CORRECTO
VOLUacuteMEN DE CAacuteLCULO MUY SUPERIOR TENDENCIA A AGUDIZAR BORDES DE LA IMAGEN
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE ORTOIMAacuteGENES IMPRESIONES DE CALIDAD
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EJEMPLOS
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
Figura - Landsat USGS
IMAGEN ORIGINAL
FILTRO DIRECCIONAL PERMITEN IDENTIFICAR LOS RASGOS FRONTERIZOS EN LAS IMAacuteGENES COMO LOS FILTROS ANTERIORES PERO AHORA CONSIDERANDO LA ORIENTACIOacuteN
se tiene en cuenta la
orientacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
matrices con direccioacuten
NORTE
1 1 1
1 -2 1
-1 -1 -1
SUR
-1 -1 -1
1 -2 1
1 1 1
ESTE
-1 1 1
-1 -2 1
-1 1 1
OESTE
1 1 -1
1 -2 -1
1 1 -1
SURESTE
-1 -1 1
-1 -2 1
1 1 1
NOROESTE
1 1 1
1 -2 -1
1 -1 -1
SUROESTE
1 -1 -1
1 -2 -1
1 1 1
NORESTE
1 1 1
-1 -2 1
-1 -1 1
OBSERVACIOacuteN
LOS NOMBRES OBEDECEN A LA DIRECCIOacuteN DEL CONTRASTE QUE SENtildeALAN
LA DIRECCIOacuteN QUE REALZAN ES JUSTAMENTE LA PERPENDICULAR
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
48 Interpretacioacuten de Imaacutegenes
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Correcciones geomeacutetricas Georreferenciacioacuten Uso de puntos de control Fuentes de error Procesamiento geomeacutetrico Correccioacuten Transformacioacuten geomeacutetrica Calidad y ajuste Generacioacuten de la nueva imagen Transferencia de ND
INSTITUTO DE AGRIMENSURA - DEPARTAMENTO DE GEOMAacuteTICA PROF ADJUNTO GRADO 3 EDISON J ROSAS BERTON
El tratamiento de una imagen de sateacutelite Georreferenciacioacuten
(paso de un sistema de filas y columnas a un sistema de coordenadas estandard)
Para ello debe obtenerse una muestra de puntos de control de los que conozcamos tanto sus coordenadas reales como sus coordenadas en
la imagen deben ser por tanto objetos de un tamantildeo adecuado para resultar identificables tanto en la imagen como sobre el terreno el tamantildeo
dependeraacute loacutegicamente de la resolucioacuten de la imagen A partir de estos puntos de control se obtendraacuten por regresioacuten unas ecuaciones que permitiraacuten a cada par filacolumna un par de coordenadas
XY
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
GEORREFERENCIACIOacuteN
ENTENDIENDO LAS IMAacuteGENES
georreferenciacioacuten porqueacute
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PUNTOS DE CONTROL
ENTENDIENDO LAS IMAacuteGENES
uso de puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
DISTORSIONES POR LA PLATAFORMA ALTITUD DE LA OacuteRBITA ndash Cambio de escala
VELOCIDAD ndash Cambios de escala ORIENTACIOacuteN DE LOS TRES EJES ndash Distorsiones en la geometriacutea
NO SISTEMAacuteTICOS Y COMPLEJOS DE MODELAR
DISTORSIONES POR ROTACIOacuteN TERRESTRE
CONSIDERANDO ALTITUD (800 Km) y TAMANtildeO DE LA IMAGEN (180 Km)ndashEn latitudes medias tarda en adquirir unos 30 segundos la Tierra se desplaza unos 8 Km
ORIENTACIOacuteN NE SW
DISTORSIONES POR EL SENSOR ANOMALIacuteAS SENSOR y MOVIMIENTO ESPEJO ndash Barrido no lineal o cambio en intervalos
AacuteNGULO DE BARRIDO ndash Variacioacuten en el tamantildeo de pixel
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ERROR EN UNA IMAGEN ESPACIAL
ENTENDIENDO LAS IMAacuteGENES
fuentes de error
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Una correccioacuten geomeacutetrica incluye CUALQUIER CAMBIO EN LA POSICIOacuteN DE LOS PIXELES que
conforman la imagen f (c`) = f1 (c l) f (x y) f (l`) = f2 (c l) f (x y)
COORDENADAS DE IMAGEN CORREGIDA SON FUNCIOacuteN DE COORDENADAS COLUMNA Y LIacuteNEA DE LA
IMAGEN DE ENTRADA O DE LAS COORDENADAS DE MAPA AL QUE SUPERPONDREMOS LA IMAGEN
1 CON OBJETIVO DE REALIZAR UNA TRANSFORMACIOacuteN GEOMEacuteTRICA QUE PERMITA AJUSTARLA A OTRA IMAGEN REFERENCIA NORMALMENTE PARA REALIZAR ESTUDIOS MULTITEMPORALES O MOSAICOS CON EL FIN DE AMPLIAR LOS DATOS E INFORMACIOacuteN DE UNA ZONA
2 ESTO PERMITIRAacute QUE LA NUEVA IMAGEN LA PUEDA INTEGRAR CON INFORMACIOacuteN DE OTRAS FUENTES POR EJEMPLO EN UN AMBIENTE SIG
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
correccioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
asumimos que
NO SE CONOCE EL ORIGEN DE LOS ERRORES
modelamos
ECUACIONES EMPIacuteRICAS
aplicadas a un conjunto de puntos
COORDENADAS CONOCIDAS IMAGEN INPUT e IMAGEN OUTPUT
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
1 ndash SELECCIOacuteN DE REFERENCIAS 2 ndash ECUACIONES DE AJUSTE
3 ndash GENERACIOacuteN DE LA IMAGEN CORREGIDA
ES OBVIO CALIDAD DEL AJUSTE DEPENDERAacute DE PRECISIOacuteN CON QUE SE
LOCALICEN LOS PUNTOS DE CONTROL INEXACTA LOCALIZACIOacuteN
DISTRIBUCIOacuteN MUY SECTORIZADA NUacuteMERO DE PUNTOS DE CONTROL INADECUADO
ESTABLECER LOS PUNTOS DE CONTROL FASE MAS CRUCIAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
procesamiento de la correccioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Resaltamos la importancia de
NUacuteMERO LOCALIZACIOacuteN DISTRIBUCIOacuteN
Que debemos atender Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
que considero UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash Croquis ilustrativos de apoyo
TERRENO O ZONAS PLANAS CON IMG OBTENIDAS POR UN SENSOR DE ESTRECHA VISIOacuteN DE CAMPO
TRANSFORMACIOacuteN
BASADO EN ECUACIONES LINEALES SIMPLES
TERRENO ESCARPADO O RUGOSO O UTILIZACIOacuteN DE IMG OBTENIDAS EN UN SENSOR CON VARIACIONES EN LAS CONDICIONES DE OBSERVACIOacuteN
TRANSFORMACIOacuteN MAacuteS COMPLEJA
POLINOMIOS DE SEGUNDO O TERCER ORDEN
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Desde un punto de vista matemaacutetico
GRADO 1 ndash 3 puntos GRADO 2 ndash 6 puntos GRADO 3 ndash 10 puntos
Seguacuten mis objetivos del trabajo no es conveniente utilizar esos miacutenimos
14 a 20 puntos (Landsat 5 MMS ndash seguacuten Bernstein R y D G Ferneyhough Jr 1978)
100 a 120 puntos (Landsat 7 TM ndash seguacuten el National Remote Sensing Center de Inglaterra)
10 o 12 puntos (Pequentildea zona de 512 x 512 pixeles ndash seguacuten Emilio Chuvieco 2010)
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
matemaacuteticamente UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
QUE DEBEMOS DE CONSIDERAR EN CUANTO A LA LOCALIZACIOacuteN
CLARAMENTE IDENTIFICABLES EN IMAGEN Y MAPA RASGOS HUMANOS DEL PAISAJE NO SUJETOS A DINAMISMO TEMPORAL
CRUCE DE CARRETERAS
CAMINOS VIacuteA FEacuteRREAS
NO CONSIDERAR ELEMENTOS ASOCIADOS AL AGUA
COSTA CURSOS DE AGUA
EMBALSES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
localizacioacuten TCP UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la correccioacuten digital de la geometriacutea de una imagen se realiza a partir de establecer unas funciones que relacionen las coordenadas de la imagen
y las coordenadas del mapa
EJ CASO MAS SIMPLE REGRESIOacuteN LINEAL MUacuteLTIPLE
ci = a0 + a1 Xi + a2 Yi li = b0 + b1 Xi + b2 Yi
EN LA PRAacuteCTICA BASTA UNA FUNCIOacuteN LINEAL PARA ABORDAR UN GRAN NUacuteMERO DE
TRANSFORMACIONES Y SON SUFICIENTES SI LAS IMAacuteGENES NO SON MUY GRANDES ANTE LA NECESIDAD DE OTRAS TRANSFORMACIONES SE UTILIZAN DE 2ordm y 3ordm ORDEN CONSIDERANDO ALTERACIONES GEOMEacuteTRICAS NO LINEALES (FUNCIONES QUE NO SE DEFINEN EN UN PLANO
CON EJES LINEALES SINO QUE SUPERFICIES CON EJES CURVILIacuteNEOS)
LOS COEFICIENTES DE LAS FUNCIONES DE TRANSFORMACIOacuteN SE CALCULAN A PARTIR DE UN AJUSTE POR MIacuteNIMOS CUADRADOS
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
funciones de transformacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash ejemplos de funciones de transformacioacuten geomeacutetrica con el efecto causado
TRASLACIOacuteN
CAMBIO DE ESCALA
INCLINACIOacuteN
PERSPECTIVA
ROTACIOacuteN
x = a0 + xacute y = b0 + yacute
x = xacute + a2 yacute y = yacute
x = a1 xacute y = b1 yacute
x = a3xacute yacute y = yacute
x = a4xacute + a5yacute y = b4xacute + b5yacute a4 = b5 = cos Ɵ a5 = -b4 = sen Ɵ
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
transformacioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
comparacioacuten coordenadas reales y las estimadas por la regresioacuten
el promedio de los residuales se conoce como error medio cuadraacutetico
la calidad del ajuste lo da el RMSE (root mean squared error)
(error medio cuadraacutetico)
RMSE es la raiacutez cuadrada de las desviaciones entre los valores reales y los
calculados
RMSE para cada punto es la raiacutez de los residuales al cuadrado que es la distancia entre ellos
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
RMSE UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la praacutectica hace que fijemos una TOLERANCIA y es que si ese promedio supera un valor fijado previamente haya que rever
el valor fijado previamente generalmente es igual o menor a un PIXEL
una correcta verificacioacuten
NECESITA introducir PUNTOS de VERIFICACIOacuteN
que no hayan sido introducidos en el ajuste
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
tolerancias fijadas
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
traducimos coordenadas de un mapa a la imagen tambieacuten necesitamos a la nueva imagen
TRANSFERIR LOS VALORES DIGITALES no olvidar que lo que queremos es generar una nueva imagen que se
corresponda con las coordenadas y las funciones de ajuste
NO ORIGINAN NUEVA IMAGEN solo colocan a los pixeles en la posicioacuten correcta
en criollo las funciones de transformacioacuten generan una nueva matriz bien posicionada pero vaciacutea
DEBEMOS LLENAR LA MATRIZ problema maacutes complejo de lo que puede
pensarse Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
generacioacuten de la nueva imaacutegen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
cada pixel de la imagen corregida se corresponderiacutea con un pixel de la imagen original
LEJOS DE ESE IDEAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo I
vecino maacutes proacuteximo ( nearest neighbour )
a cada celda de la imagen corregida se asigna el ND del pixel maacutes cercano de la
imagen original
SOLUCIOacuteN RAacutePIDA MENOR DISTORSIOacuteN DE LOS ND
INTRODUCE RASGOS LINEALES QUE DISTORSIONAN
CORRECCIOacuteN DE IMAacuteGENES CLASIFICADAS
CONSERVAR LA RADIOMETRIacuteA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo II
interpolacioacuten bilineal ( bilinear interpolation )
supone promediar los ND de los cuatro pixeles mas cercanos
con ponderacioacuten seguacuten la distancia pixeles originalcorregido
REDUCE EL EFECTO DE DISTORSIOacuteN EN RASGOS LINEALES
TIENDE A DIFUMINAR LOS CONTRASTES ESPACIALES
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE IMAacuteGENES RECTIFICADAS MAPAS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo III
convolusioacuten cuacutebica ( cubic convolution )
supone considerar los ND de los 16 pixeles mas proacuteximos
media ponderada seguacuten la distancia pixeles originalcorregido
EFECTO VISUAL MAS CORRECTO
VOLUacuteMEN DE CAacuteLCULO MUY SUPERIOR TENDENCIA A AGUDIZAR BORDES DE LA IMAGEN
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE ORTOIMAacuteGENES IMPRESIONES DE CALIDAD
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
Figura - Landsat USGS
IMAGEN ORIGINAL
FILTRO DIRECCIONAL PERMITEN IDENTIFICAR LOS RASGOS FRONTERIZOS EN LAS IMAacuteGENES COMO LOS FILTROS ANTERIORES PERO AHORA CONSIDERANDO LA ORIENTACIOacuteN
se tiene en cuenta la
orientacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
matrices con direccioacuten
NORTE
1 1 1
1 -2 1
-1 -1 -1
SUR
-1 -1 -1
1 -2 1
1 1 1
ESTE
-1 1 1
-1 -2 1
-1 1 1
OESTE
1 1 -1
1 -2 -1
1 1 -1
SURESTE
-1 -1 1
-1 -2 1
1 1 1
NOROESTE
1 1 1
1 -2 -1
1 -1 -1
SUROESTE
1 -1 -1
1 -2 -1
1 1 1
NORESTE
1 1 1
-1 -2 1
-1 -1 1
OBSERVACIOacuteN
LOS NOMBRES OBEDECEN A LA DIRECCIOacuteN DEL CONTRASTE QUE SENtildeALAN
LA DIRECCIOacuteN QUE REALZAN ES JUSTAMENTE LA PERPENDICULAR
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
48 Interpretacioacuten de Imaacutegenes
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Correcciones geomeacutetricas Georreferenciacioacuten Uso de puntos de control Fuentes de error Procesamiento geomeacutetrico Correccioacuten Transformacioacuten geomeacutetrica Calidad y ajuste Generacioacuten de la nueva imagen Transferencia de ND
INSTITUTO DE AGRIMENSURA - DEPARTAMENTO DE GEOMAacuteTICA PROF ADJUNTO GRADO 3 EDISON J ROSAS BERTON
El tratamiento de una imagen de sateacutelite Georreferenciacioacuten
(paso de un sistema de filas y columnas a un sistema de coordenadas estandard)
Para ello debe obtenerse una muestra de puntos de control de los que conozcamos tanto sus coordenadas reales como sus coordenadas en
la imagen deben ser por tanto objetos de un tamantildeo adecuado para resultar identificables tanto en la imagen como sobre el terreno el tamantildeo
dependeraacute loacutegicamente de la resolucioacuten de la imagen A partir de estos puntos de control se obtendraacuten por regresioacuten unas ecuaciones que permitiraacuten a cada par filacolumna un par de coordenadas
XY
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
GEORREFERENCIACIOacuteN
ENTENDIENDO LAS IMAacuteGENES
georreferenciacioacuten porqueacute
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PUNTOS DE CONTROL
ENTENDIENDO LAS IMAacuteGENES
uso de puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
DISTORSIONES POR LA PLATAFORMA ALTITUD DE LA OacuteRBITA ndash Cambio de escala
VELOCIDAD ndash Cambios de escala ORIENTACIOacuteN DE LOS TRES EJES ndash Distorsiones en la geometriacutea
NO SISTEMAacuteTICOS Y COMPLEJOS DE MODELAR
DISTORSIONES POR ROTACIOacuteN TERRESTRE
CONSIDERANDO ALTITUD (800 Km) y TAMANtildeO DE LA IMAGEN (180 Km)ndashEn latitudes medias tarda en adquirir unos 30 segundos la Tierra se desplaza unos 8 Km
ORIENTACIOacuteN NE SW
DISTORSIONES POR EL SENSOR ANOMALIacuteAS SENSOR y MOVIMIENTO ESPEJO ndash Barrido no lineal o cambio en intervalos
AacuteNGULO DE BARRIDO ndash Variacioacuten en el tamantildeo de pixel
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ERROR EN UNA IMAGEN ESPACIAL
ENTENDIENDO LAS IMAacuteGENES
fuentes de error
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Una correccioacuten geomeacutetrica incluye CUALQUIER CAMBIO EN LA POSICIOacuteN DE LOS PIXELES que
conforman la imagen f (c`) = f1 (c l) f (x y) f (l`) = f2 (c l) f (x y)
COORDENADAS DE IMAGEN CORREGIDA SON FUNCIOacuteN DE COORDENADAS COLUMNA Y LIacuteNEA DE LA
IMAGEN DE ENTRADA O DE LAS COORDENADAS DE MAPA AL QUE SUPERPONDREMOS LA IMAGEN
1 CON OBJETIVO DE REALIZAR UNA TRANSFORMACIOacuteN GEOMEacuteTRICA QUE PERMITA AJUSTARLA A OTRA IMAGEN REFERENCIA NORMALMENTE PARA REALIZAR ESTUDIOS MULTITEMPORALES O MOSAICOS CON EL FIN DE AMPLIAR LOS DATOS E INFORMACIOacuteN DE UNA ZONA
2 ESTO PERMITIRAacute QUE LA NUEVA IMAGEN LA PUEDA INTEGRAR CON INFORMACIOacuteN DE OTRAS FUENTES POR EJEMPLO EN UN AMBIENTE SIG
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
correccioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
asumimos que
NO SE CONOCE EL ORIGEN DE LOS ERRORES
modelamos
ECUACIONES EMPIacuteRICAS
aplicadas a un conjunto de puntos
COORDENADAS CONOCIDAS IMAGEN INPUT e IMAGEN OUTPUT
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
1 ndash SELECCIOacuteN DE REFERENCIAS 2 ndash ECUACIONES DE AJUSTE
3 ndash GENERACIOacuteN DE LA IMAGEN CORREGIDA
ES OBVIO CALIDAD DEL AJUSTE DEPENDERAacute DE PRECISIOacuteN CON QUE SE
LOCALICEN LOS PUNTOS DE CONTROL INEXACTA LOCALIZACIOacuteN
DISTRIBUCIOacuteN MUY SECTORIZADA NUacuteMERO DE PUNTOS DE CONTROL INADECUADO
ESTABLECER LOS PUNTOS DE CONTROL FASE MAS CRUCIAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
procesamiento de la correccioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Resaltamos la importancia de
NUacuteMERO LOCALIZACIOacuteN DISTRIBUCIOacuteN
Que debemos atender Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
que considero UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash Croquis ilustrativos de apoyo
TERRENO O ZONAS PLANAS CON IMG OBTENIDAS POR UN SENSOR DE ESTRECHA VISIOacuteN DE CAMPO
TRANSFORMACIOacuteN
BASADO EN ECUACIONES LINEALES SIMPLES
TERRENO ESCARPADO O RUGOSO O UTILIZACIOacuteN DE IMG OBTENIDAS EN UN SENSOR CON VARIACIONES EN LAS CONDICIONES DE OBSERVACIOacuteN
TRANSFORMACIOacuteN MAacuteS COMPLEJA
POLINOMIOS DE SEGUNDO O TERCER ORDEN
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Desde un punto de vista matemaacutetico
GRADO 1 ndash 3 puntos GRADO 2 ndash 6 puntos GRADO 3 ndash 10 puntos
Seguacuten mis objetivos del trabajo no es conveniente utilizar esos miacutenimos
14 a 20 puntos (Landsat 5 MMS ndash seguacuten Bernstein R y D G Ferneyhough Jr 1978)
100 a 120 puntos (Landsat 7 TM ndash seguacuten el National Remote Sensing Center de Inglaterra)
10 o 12 puntos (Pequentildea zona de 512 x 512 pixeles ndash seguacuten Emilio Chuvieco 2010)
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
matemaacuteticamente UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
QUE DEBEMOS DE CONSIDERAR EN CUANTO A LA LOCALIZACIOacuteN
CLARAMENTE IDENTIFICABLES EN IMAGEN Y MAPA RASGOS HUMANOS DEL PAISAJE NO SUJETOS A DINAMISMO TEMPORAL
CRUCE DE CARRETERAS
CAMINOS VIacuteA FEacuteRREAS
NO CONSIDERAR ELEMENTOS ASOCIADOS AL AGUA
COSTA CURSOS DE AGUA
EMBALSES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
localizacioacuten TCP UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la correccioacuten digital de la geometriacutea de una imagen se realiza a partir de establecer unas funciones que relacionen las coordenadas de la imagen
y las coordenadas del mapa
EJ CASO MAS SIMPLE REGRESIOacuteN LINEAL MUacuteLTIPLE
ci = a0 + a1 Xi + a2 Yi li = b0 + b1 Xi + b2 Yi
EN LA PRAacuteCTICA BASTA UNA FUNCIOacuteN LINEAL PARA ABORDAR UN GRAN NUacuteMERO DE
TRANSFORMACIONES Y SON SUFICIENTES SI LAS IMAacuteGENES NO SON MUY GRANDES ANTE LA NECESIDAD DE OTRAS TRANSFORMACIONES SE UTILIZAN DE 2ordm y 3ordm ORDEN CONSIDERANDO ALTERACIONES GEOMEacuteTRICAS NO LINEALES (FUNCIONES QUE NO SE DEFINEN EN UN PLANO
CON EJES LINEALES SINO QUE SUPERFICIES CON EJES CURVILIacuteNEOS)
LOS COEFICIENTES DE LAS FUNCIONES DE TRANSFORMACIOacuteN SE CALCULAN A PARTIR DE UN AJUSTE POR MIacuteNIMOS CUADRADOS
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
funciones de transformacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash ejemplos de funciones de transformacioacuten geomeacutetrica con el efecto causado
TRASLACIOacuteN
CAMBIO DE ESCALA
INCLINACIOacuteN
PERSPECTIVA
ROTACIOacuteN
x = a0 + xacute y = b0 + yacute
x = xacute + a2 yacute y = yacute
x = a1 xacute y = b1 yacute
x = a3xacute yacute y = yacute
x = a4xacute + a5yacute y = b4xacute + b5yacute a4 = b5 = cos Ɵ a5 = -b4 = sen Ɵ
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
transformacioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
comparacioacuten coordenadas reales y las estimadas por la regresioacuten
el promedio de los residuales se conoce como error medio cuadraacutetico
la calidad del ajuste lo da el RMSE (root mean squared error)
(error medio cuadraacutetico)
RMSE es la raiacutez cuadrada de las desviaciones entre los valores reales y los
calculados
RMSE para cada punto es la raiacutez de los residuales al cuadrado que es la distancia entre ellos
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
RMSE UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la praacutectica hace que fijemos una TOLERANCIA y es que si ese promedio supera un valor fijado previamente haya que rever
el valor fijado previamente generalmente es igual o menor a un PIXEL
una correcta verificacioacuten
NECESITA introducir PUNTOS de VERIFICACIOacuteN
que no hayan sido introducidos en el ajuste
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
tolerancias fijadas
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
traducimos coordenadas de un mapa a la imagen tambieacuten necesitamos a la nueva imagen
TRANSFERIR LOS VALORES DIGITALES no olvidar que lo que queremos es generar una nueva imagen que se
corresponda con las coordenadas y las funciones de ajuste
NO ORIGINAN NUEVA IMAGEN solo colocan a los pixeles en la posicioacuten correcta
en criollo las funciones de transformacioacuten generan una nueva matriz bien posicionada pero vaciacutea
DEBEMOS LLENAR LA MATRIZ problema maacutes complejo de lo que puede
pensarse Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
generacioacuten de la nueva imaacutegen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
cada pixel de la imagen corregida se corresponderiacutea con un pixel de la imagen original
LEJOS DE ESE IDEAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo I
vecino maacutes proacuteximo ( nearest neighbour )
a cada celda de la imagen corregida se asigna el ND del pixel maacutes cercano de la
imagen original
SOLUCIOacuteN RAacutePIDA MENOR DISTORSIOacuteN DE LOS ND
INTRODUCE RASGOS LINEALES QUE DISTORSIONAN
CORRECCIOacuteN DE IMAacuteGENES CLASIFICADAS
CONSERVAR LA RADIOMETRIacuteA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo II
interpolacioacuten bilineal ( bilinear interpolation )
supone promediar los ND de los cuatro pixeles mas cercanos
con ponderacioacuten seguacuten la distancia pixeles originalcorregido
REDUCE EL EFECTO DE DISTORSIOacuteN EN RASGOS LINEALES
TIENDE A DIFUMINAR LOS CONTRASTES ESPACIALES
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE IMAacuteGENES RECTIFICADAS MAPAS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo III
convolusioacuten cuacutebica ( cubic convolution )
supone considerar los ND de los 16 pixeles mas proacuteximos
media ponderada seguacuten la distancia pixeles originalcorregido
EFECTO VISUAL MAS CORRECTO
VOLUacuteMEN DE CAacuteLCULO MUY SUPERIOR TENDENCIA A AGUDIZAR BORDES DE LA IMAGEN
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE ORTOIMAacuteGENES IMPRESIONES DE CALIDAD
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
FILTROS DIRECCIONALES
ENTENDIENDO LAS IMAacuteGENES
matrices con direccioacuten
NORTE
1 1 1
1 -2 1
-1 -1 -1
SUR
-1 -1 -1
1 -2 1
1 1 1
ESTE
-1 1 1
-1 -2 1
-1 1 1
OESTE
1 1 -1
1 -2 -1
1 1 -1
SURESTE
-1 -1 1
-1 -2 1
1 1 1
NOROESTE
1 1 1
1 -2 -1
1 -1 -1
SUROESTE
1 -1 -1
1 -2 -1
1 1 1
NORESTE
1 1 1
-1 -2 1
-1 -1 1
OBSERVACIOacuteN
LOS NOMBRES OBEDECEN A LA DIRECCIOacuteN DEL CONTRASTE QUE SENtildeALAN
LA DIRECCIOacuteN QUE REALZAN ES JUSTAMENTE LA PERPENDICULAR
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
48 Interpretacioacuten de Imaacutegenes
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Correcciones geomeacutetricas Georreferenciacioacuten Uso de puntos de control Fuentes de error Procesamiento geomeacutetrico Correccioacuten Transformacioacuten geomeacutetrica Calidad y ajuste Generacioacuten de la nueva imagen Transferencia de ND
INSTITUTO DE AGRIMENSURA - DEPARTAMENTO DE GEOMAacuteTICA PROF ADJUNTO GRADO 3 EDISON J ROSAS BERTON
El tratamiento de una imagen de sateacutelite Georreferenciacioacuten
(paso de un sistema de filas y columnas a un sistema de coordenadas estandard)
Para ello debe obtenerse una muestra de puntos de control de los que conozcamos tanto sus coordenadas reales como sus coordenadas en
la imagen deben ser por tanto objetos de un tamantildeo adecuado para resultar identificables tanto en la imagen como sobre el terreno el tamantildeo
dependeraacute loacutegicamente de la resolucioacuten de la imagen A partir de estos puntos de control se obtendraacuten por regresioacuten unas ecuaciones que permitiraacuten a cada par filacolumna un par de coordenadas
XY
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
GEORREFERENCIACIOacuteN
ENTENDIENDO LAS IMAacuteGENES
georreferenciacioacuten porqueacute
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PUNTOS DE CONTROL
ENTENDIENDO LAS IMAacuteGENES
uso de puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
DISTORSIONES POR LA PLATAFORMA ALTITUD DE LA OacuteRBITA ndash Cambio de escala
VELOCIDAD ndash Cambios de escala ORIENTACIOacuteN DE LOS TRES EJES ndash Distorsiones en la geometriacutea
NO SISTEMAacuteTICOS Y COMPLEJOS DE MODELAR
DISTORSIONES POR ROTACIOacuteN TERRESTRE
CONSIDERANDO ALTITUD (800 Km) y TAMANtildeO DE LA IMAGEN (180 Km)ndashEn latitudes medias tarda en adquirir unos 30 segundos la Tierra se desplaza unos 8 Km
ORIENTACIOacuteN NE SW
DISTORSIONES POR EL SENSOR ANOMALIacuteAS SENSOR y MOVIMIENTO ESPEJO ndash Barrido no lineal o cambio en intervalos
AacuteNGULO DE BARRIDO ndash Variacioacuten en el tamantildeo de pixel
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ERROR EN UNA IMAGEN ESPACIAL
ENTENDIENDO LAS IMAacuteGENES
fuentes de error
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Una correccioacuten geomeacutetrica incluye CUALQUIER CAMBIO EN LA POSICIOacuteN DE LOS PIXELES que
conforman la imagen f (c`) = f1 (c l) f (x y) f (l`) = f2 (c l) f (x y)
COORDENADAS DE IMAGEN CORREGIDA SON FUNCIOacuteN DE COORDENADAS COLUMNA Y LIacuteNEA DE LA
IMAGEN DE ENTRADA O DE LAS COORDENADAS DE MAPA AL QUE SUPERPONDREMOS LA IMAGEN
1 CON OBJETIVO DE REALIZAR UNA TRANSFORMACIOacuteN GEOMEacuteTRICA QUE PERMITA AJUSTARLA A OTRA IMAGEN REFERENCIA NORMALMENTE PARA REALIZAR ESTUDIOS MULTITEMPORALES O MOSAICOS CON EL FIN DE AMPLIAR LOS DATOS E INFORMACIOacuteN DE UNA ZONA
2 ESTO PERMITIRAacute QUE LA NUEVA IMAGEN LA PUEDA INTEGRAR CON INFORMACIOacuteN DE OTRAS FUENTES POR EJEMPLO EN UN AMBIENTE SIG
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
correccioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
asumimos que
NO SE CONOCE EL ORIGEN DE LOS ERRORES
modelamos
ECUACIONES EMPIacuteRICAS
aplicadas a un conjunto de puntos
COORDENADAS CONOCIDAS IMAGEN INPUT e IMAGEN OUTPUT
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
1 ndash SELECCIOacuteN DE REFERENCIAS 2 ndash ECUACIONES DE AJUSTE
3 ndash GENERACIOacuteN DE LA IMAGEN CORREGIDA
ES OBVIO CALIDAD DEL AJUSTE DEPENDERAacute DE PRECISIOacuteN CON QUE SE
LOCALICEN LOS PUNTOS DE CONTROL INEXACTA LOCALIZACIOacuteN
DISTRIBUCIOacuteN MUY SECTORIZADA NUacuteMERO DE PUNTOS DE CONTROL INADECUADO
ESTABLECER LOS PUNTOS DE CONTROL FASE MAS CRUCIAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
procesamiento de la correccioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Resaltamos la importancia de
NUacuteMERO LOCALIZACIOacuteN DISTRIBUCIOacuteN
Que debemos atender Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
que considero UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash Croquis ilustrativos de apoyo
TERRENO O ZONAS PLANAS CON IMG OBTENIDAS POR UN SENSOR DE ESTRECHA VISIOacuteN DE CAMPO
TRANSFORMACIOacuteN
BASADO EN ECUACIONES LINEALES SIMPLES
TERRENO ESCARPADO O RUGOSO O UTILIZACIOacuteN DE IMG OBTENIDAS EN UN SENSOR CON VARIACIONES EN LAS CONDICIONES DE OBSERVACIOacuteN
TRANSFORMACIOacuteN MAacuteS COMPLEJA
POLINOMIOS DE SEGUNDO O TERCER ORDEN
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Desde un punto de vista matemaacutetico
GRADO 1 ndash 3 puntos GRADO 2 ndash 6 puntos GRADO 3 ndash 10 puntos
Seguacuten mis objetivos del trabajo no es conveniente utilizar esos miacutenimos
14 a 20 puntos (Landsat 5 MMS ndash seguacuten Bernstein R y D G Ferneyhough Jr 1978)
100 a 120 puntos (Landsat 7 TM ndash seguacuten el National Remote Sensing Center de Inglaterra)
10 o 12 puntos (Pequentildea zona de 512 x 512 pixeles ndash seguacuten Emilio Chuvieco 2010)
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
matemaacuteticamente UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
QUE DEBEMOS DE CONSIDERAR EN CUANTO A LA LOCALIZACIOacuteN
CLARAMENTE IDENTIFICABLES EN IMAGEN Y MAPA RASGOS HUMANOS DEL PAISAJE NO SUJETOS A DINAMISMO TEMPORAL
CRUCE DE CARRETERAS
CAMINOS VIacuteA FEacuteRREAS
NO CONSIDERAR ELEMENTOS ASOCIADOS AL AGUA
COSTA CURSOS DE AGUA
EMBALSES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
localizacioacuten TCP UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la correccioacuten digital de la geometriacutea de una imagen se realiza a partir de establecer unas funciones que relacionen las coordenadas de la imagen
y las coordenadas del mapa
EJ CASO MAS SIMPLE REGRESIOacuteN LINEAL MUacuteLTIPLE
ci = a0 + a1 Xi + a2 Yi li = b0 + b1 Xi + b2 Yi
EN LA PRAacuteCTICA BASTA UNA FUNCIOacuteN LINEAL PARA ABORDAR UN GRAN NUacuteMERO DE
TRANSFORMACIONES Y SON SUFICIENTES SI LAS IMAacuteGENES NO SON MUY GRANDES ANTE LA NECESIDAD DE OTRAS TRANSFORMACIONES SE UTILIZAN DE 2ordm y 3ordm ORDEN CONSIDERANDO ALTERACIONES GEOMEacuteTRICAS NO LINEALES (FUNCIONES QUE NO SE DEFINEN EN UN PLANO
CON EJES LINEALES SINO QUE SUPERFICIES CON EJES CURVILIacuteNEOS)
LOS COEFICIENTES DE LAS FUNCIONES DE TRANSFORMACIOacuteN SE CALCULAN A PARTIR DE UN AJUSTE POR MIacuteNIMOS CUADRADOS
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
funciones de transformacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash ejemplos de funciones de transformacioacuten geomeacutetrica con el efecto causado
TRASLACIOacuteN
CAMBIO DE ESCALA
INCLINACIOacuteN
PERSPECTIVA
ROTACIOacuteN
x = a0 + xacute y = b0 + yacute
x = xacute + a2 yacute y = yacute
x = a1 xacute y = b1 yacute
x = a3xacute yacute y = yacute
x = a4xacute + a5yacute y = b4xacute + b5yacute a4 = b5 = cos Ɵ a5 = -b4 = sen Ɵ
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
transformacioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
comparacioacuten coordenadas reales y las estimadas por la regresioacuten
el promedio de los residuales se conoce como error medio cuadraacutetico
la calidad del ajuste lo da el RMSE (root mean squared error)
(error medio cuadraacutetico)
RMSE es la raiacutez cuadrada de las desviaciones entre los valores reales y los
calculados
RMSE para cada punto es la raiacutez de los residuales al cuadrado que es la distancia entre ellos
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
RMSE UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la praacutectica hace que fijemos una TOLERANCIA y es que si ese promedio supera un valor fijado previamente haya que rever
el valor fijado previamente generalmente es igual o menor a un PIXEL
una correcta verificacioacuten
NECESITA introducir PUNTOS de VERIFICACIOacuteN
que no hayan sido introducidos en el ajuste
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
tolerancias fijadas
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
traducimos coordenadas de un mapa a la imagen tambieacuten necesitamos a la nueva imagen
TRANSFERIR LOS VALORES DIGITALES no olvidar que lo que queremos es generar una nueva imagen que se
corresponda con las coordenadas y las funciones de ajuste
NO ORIGINAN NUEVA IMAGEN solo colocan a los pixeles en la posicioacuten correcta
en criollo las funciones de transformacioacuten generan una nueva matriz bien posicionada pero vaciacutea
DEBEMOS LLENAR LA MATRIZ problema maacutes complejo de lo que puede
pensarse Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
generacioacuten de la nueva imaacutegen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
cada pixel de la imagen corregida se corresponderiacutea con un pixel de la imagen original
LEJOS DE ESE IDEAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo I
vecino maacutes proacuteximo ( nearest neighbour )
a cada celda de la imagen corregida se asigna el ND del pixel maacutes cercano de la
imagen original
SOLUCIOacuteN RAacutePIDA MENOR DISTORSIOacuteN DE LOS ND
INTRODUCE RASGOS LINEALES QUE DISTORSIONAN
CORRECCIOacuteN DE IMAacuteGENES CLASIFICADAS
CONSERVAR LA RADIOMETRIacuteA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo II
interpolacioacuten bilineal ( bilinear interpolation )
supone promediar los ND de los cuatro pixeles mas cercanos
con ponderacioacuten seguacuten la distancia pixeles originalcorregido
REDUCE EL EFECTO DE DISTORSIOacuteN EN RASGOS LINEALES
TIENDE A DIFUMINAR LOS CONTRASTES ESPACIALES
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE IMAacuteGENES RECTIFICADAS MAPAS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo III
convolusioacuten cuacutebica ( cubic convolution )
supone considerar los ND de los 16 pixeles mas proacuteximos
media ponderada seguacuten la distancia pixeles originalcorregido
EFECTO VISUAL MAS CORRECTO
VOLUacuteMEN DE CAacuteLCULO MUY SUPERIOR TENDENCIA A AGUDIZAR BORDES DE LA IMAGEN
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE ORTOIMAacuteGENES IMPRESIONES DE CALIDAD
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
48 Interpretacioacuten de Imaacutegenes
Interpretacioacuten de Imaacutegenes Interpretacioacuten de Imaacutegenes Tratamiento Digital Correcciones geomeacutetricas Georreferenciacioacuten Uso de puntos de control Fuentes de error Procesamiento geomeacutetrico Correccioacuten Transformacioacuten geomeacutetrica Calidad y ajuste Generacioacuten de la nueva imagen Transferencia de ND
INSTITUTO DE AGRIMENSURA - DEPARTAMENTO DE GEOMAacuteTICA PROF ADJUNTO GRADO 3 EDISON J ROSAS BERTON
El tratamiento de una imagen de sateacutelite Georreferenciacioacuten
(paso de un sistema de filas y columnas a un sistema de coordenadas estandard)
Para ello debe obtenerse una muestra de puntos de control de los que conozcamos tanto sus coordenadas reales como sus coordenadas en
la imagen deben ser por tanto objetos de un tamantildeo adecuado para resultar identificables tanto en la imagen como sobre el terreno el tamantildeo
dependeraacute loacutegicamente de la resolucioacuten de la imagen A partir de estos puntos de control se obtendraacuten por regresioacuten unas ecuaciones que permitiraacuten a cada par filacolumna un par de coordenadas
XY
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
GEORREFERENCIACIOacuteN
ENTENDIENDO LAS IMAacuteGENES
georreferenciacioacuten porqueacute
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PUNTOS DE CONTROL
ENTENDIENDO LAS IMAacuteGENES
uso de puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
DISTORSIONES POR LA PLATAFORMA ALTITUD DE LA OacuteRBITA ndash Cambio de escala
VELOCIDAD ndash Cambios de escala ORIENTACIOacuteN DE LOS TRES EJES ndash Distorsiones en la geometriacutea
NO SISTEMAacuteTICOS Y COMPLEJOS DE MODELAR
DISTORSIONES POR ROTACIOacuteN TERRESTRE
CONSIDERANDO ALTITUD (800 Km) y TAMANtildeO DE LA IMAGEN (180 Km)ndashEn latitudes medias tarda en adquirir unos 30 segundos la Tierra se desplaza unos 8 Km
ORIENTACIOacuteN NE SW
DISTORSIONES POR EL SENSOR ANOMALIacuteAS SENSOR y MOVIMIENTO ESPEJO ndash Barrido no lineal o cambio en intervalos
AacuteNGULO DE BARRIDO ndash Variacioacuten en el tamantildeo de pixel
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ERROR EN UNA IMAGEN ESPACIAL
ENTENDIENDO LAS IMAacuteGENES
fuentes de error
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Una correccioacuten geomeacutetrica incluye CUALQUIER CAMBIO EN LA POSICIOacuteN DE LOS PIXELES que
conforman la imagen f (c`) = f1 (c l) f (x y) f (l`) = f2 (c l) f (x y)
COORDENADAS DE IMAGEN CORREGIDA SON FUNCIOacuteN DE COORDENADAS COLUMNA Y LIacuteNEA DE LA
IMAGEN DE ENTRADA O DE LAS COORDENADAS DE MAPA AL QUE SUPERPONDREMOS LA IMAGEN
1 CON OBJETIVO DE REALIZAR UNA TRANSFORMACIOacuteN GEOMEacuteTRICA QUE PERMITA AJUSTARLA A OTRA IMAGEN REFERENCIA NORMALMENTE PARA REALIZAR ESTUDIOS MULTITEMPORALES O MOSAICOS CON EL FIN DE AMPLIAR LOS DATOS E INFORMACIOacuteN DE UNA ZONA
2 ESTO PERMITIRAacute QUE LA NUEVA IMAGEN LA PUEDA INTEGRAR CON INFORMACIOacuteN DE OTRAS FUENTES POR EJEMPLO EN UN AMBIENTE SIG
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
correccioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
asumimos que
NO SE CONOCE EL ORIGEN DE LOS ERRORES
modelamos
ECUACIONES EMPIacuteRICAS
aplicadas a un conjunto de puntos
COORDENADAS CONOCIDAS IMAGEN INPUT e IMAGEN OUTPUT
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
1 ndash SELECCIOacuteN DE REFERENCIAS 2 ndash ECUACIONES DE AJUSTE
3 ndash GENERACIOacuteN DE LA IMAGEN CORREGIDA
ES OBVIO CALIDAD DEL AJUSTE DEPENDERAacute DE PRECISIOacuteN CON QUE SE
LOCALICEN LOS PUNTOS DE CONTROL INEXACTA LOCALIZACIOacuteN
DISTRIBUCIOacuteN MUY SECTORIZADA NUacuteMERO DE PUNTOS DE CONTROL INADECUADO
ESTABLECER LOS PUNTOS DE CONTROL FASE MAS CRUCIAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
procesamiento de la correccioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Resaltamos la importancia de
NUacuteMERO LOCALIZACIOacuteN DISTRIBUCIOacuteN
Que debemos atender Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
que considero UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash Croquis ilustrativos de apoyo
TERRENO O ZONAS PLANAS CON IMG OBTENIDAS POR UN SENSOR DE ESTRECHA VISIOacuteN DE CAMPO
TRANSFORMACIOacuteN
BASADO EN ECUACIONES LINEALES SIMPLES
TERRENO ESCARPADO O RUGOSO O UTILIZACIOacuteN DE IMG OBTENIDAS EN UN SENSOR CON VARIACIONES EN LAS CONDICIONES DE OBSERVACIOacuteN
TRANSFORMACIOacuteN MAacuteS COMPLEJA
POLINOMIOS DE SEGUNDO O TERCER ORDEN
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Desde un punto de vista matemaacutetico
GRADO 1 ndash 3 puntos GRADO 2 ndash 6 puntos GRADO 3 ndash 10 puntos
Seguacuten mis objetivos del trabajo no es conveniente utilizar esos miacutenimos
14 a 20 puntos (Landsat 5 MMS ndash seguacuten Bernstein R y D G Ferneyhough Jr 1978)
100 a 120 puntos (Landsat 7 TM ndash seguacuten el National Remote Sensing Center de Inglaterra)
10 o 12 puntos (Pequentildea zona de 512 x 512 pixeles ndash seguacuten Emilio Chuvieco 2010)
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
matemaacuteticamente UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
QUE DEBEMOS DE CONSIDERAR EN CUANTO A LA LOCALIZACIOacuteN
CLARAMENTE IDENTIFICABLES EN IMAGEN Y MAPA RASGOS HUMANOS DEL PAISAJE NO SUJETOS A DINAMISMO TEMPORAL
CRUCE DE CARRETERAS
CAMINOS VIacuteA FEacuteRREAS
NO CONSIDERAR ELEMENTOS ASOCIADOS AL AGUA
COSTA CURSOS DE AGUA
EMBALSES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
localizacioacuten TCP UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la correccioacuten digital de la geometriacutea de una imagen se realiza a partir de establecer unas funciones que relacionen las coordenadas de la imagen
y las coordenadas del mapa
EJ CASO MAS SIMPLE REGRESIOacuteN LINEAL MUacuteLTIPLE
ci = a0 + a1 Xi + a2 Yi li = b0 + b1 Xi + b2 Yi
EN LA PRAacuteCTICA BASTA UNA FUNCIOacuteN LINEAL PARA ABORDAR UN GRAN NUacuteMERO DE
TRANSFORMACIONES Y SON SUFICIENTES SI LAS IMAacuteGENES NO SON MUY GRANDES ANTE LA NECESIDAD DE OTRAS TRANSFORMACIONES SE UTILIZAN DE 2ordm y 3ordm ORDEN CONSIDERANDO ALTERACIONES GEOMEacuteTRICAS NO LINEALES (FUNCIONES QUE NO SE DEFINEN EN UN PLANO
CON EJES LINEALES SINO QUE SUPERFICIES CON EJES CURVILIacuteNEOS)
LOS COEFICIENTES DE LAS FUNCIONES DE TRANSFORMACIOacuteN SE CALCULAN A PARTIR DE UN AJUSTE POR MIacuteNIMOS CUADRADOS
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
funciones de transformacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash ejemplos de funciones de transformacioacuten geomeacutetrica con el efecto causado
TRASLACIOacuteN
CAMBIO DE ESCALA
INCLINACIOacuteN
PERSPECTIVA
ROTACIOacuteN
x = a0 + xacute y = b0 + yacute
x = xacute + a2 yacute y = yacute
x = a1 xacute y = b1 yacute
x = a3xacute yacute y = yacute
x = a4xacute + a5yacute y = b4xacute + b5yacute a4 = b5 = cos Ɵ a5 = -b4 = sen Ɵ
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
transformacioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
comparacioacuten coordenadas reales y las estimadas por la regresioacuten
el promedio de los residuales se conoce como error medio cuadraacutetico
la calidad del ajuste lo da el RMSE (root mean squared error)
(error medio cuadraacutetico)
RMSE es la raiacutez cuadrada de las desviaciones entre los valores reales y los
calculados
RMSE para cada punto es la raiacutez de los residuales al cuadrado que es la distancia entre ellos
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
RMSE UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la praacutectica hace que fijemos una TOLERANCIA y es que si ese promedio supera un valor fijado previamente haya que rever
el valor fijado previamente generalmente es igual o menor a un PIXEL
una correcta verificacioacuten
NECESITA introducir PUNTOS de VERIFICACIOacuteN
que no hayan sido introducidos en el ajuste
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
tolerancias fijadas
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
traducimos coordenadas de un mapa a la imagen tambieacuten necesitamos a la nueva imagen
TRANSFERIR LOS VALORES DIGITALES no olvidar que lo que queremos es generar una nueva imagen que se
corresponda con las coordenadas y las funciones de ajuste
NO ORIGINAN NUEVA IMAGEN solo colocan a los pixeles en la posicioacuten correcta
en criollo las funciones de transformacioacuten generan una nueva matriz bien posicionada pero vaciacutea
DEBEMOS LLENAR LA MATRIZ problema maacutes complejo de lo que puede
pensarse Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
generacioacuten de la nueva imaacutegen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
cada pixel de la imagen corregida se corresponderiacutea con un pixel de la imagen original
LEJOS DE ESE IDEAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo I
vecino maacutes proacuteximo ( nearest neighbour )
a cada celda de la imagen corregida se asigna el ND del pixel maacutes cercano de la
imagen original
SOLUCIOacuteN RAacutePIDA MENOR DISTORSIOacuteN DE LOS ND
INTRODUCE RASGOS LINEALES QUE DISTORSIONAN
CORRECCIOacuteN DE IMAacuteGENES CLASIFICADAS
CONSERVAR LA RADIOMETRIacuteA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo II
interpolacioacuten bilineal ( bilinear interpolation )
supone promediar los ND de los cuatro pixeles mas cercanos
con ponderacioacuten seguacuten la distancia pixeles originalcorregido
REDUCE EL EFECTO DE DISTORSIOacuteN EN RASGOS LINEALES
TIENDE A DIFUMINAR LOS CONTRASTES ESPACIALES
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE IMAacuteGENES RECTIFICADAS MAPAS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo III
convolusioacuten cuacutebica ( cubic convolution )
supone considerar los ND de los 16 pixeles mas proacuteximos
media ponderada seguacuten la distancia pixeles originalcorregido
EFECTO VISUAL MAS CORRECTO
VOLUacuteMEN DE CAacuteLCULO MUY SUPERIOR TENDENCIA A AGUDIZAR BORDES DE LA IMAGEN
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE ORTOIMAacuteGENES IMPRESIONES DE CALIDAD
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
INSTITUTO DE AGRIMENSURA - DEPARTAMENTO DE GEOMAacuteTICA PROF ADJUNTO GRADO 3 EDISON J ROSAS BERTON
El tratamiento de una imagen de sateacutelite Georreferenciacioacuten
(paso de un sistema de filas y columnas a un sistema de coordenadas estandard)
Para ello debe obtenerse una muestra de puntos de control de los que conozcamos tanto sus coordenadas reales como sus coordenadas en
la imagen deben ser por tanto objetos de un tamantildeo adecuado para resultar identificables tanto en la imagen como sobre el terreno el tamantildeo
dependeraacute loacutegicamente de la resolucioacuten de la imagen A partir de estos puntos de control se obtendraacuten por regresioacuten unas ecuaciones que permitiraacuten a cada par filacolumna un par de coordenadas
XY
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
GEORREFERENCIACIOacuteN
ENTENDIENDO LAS IMAacuteGENES
georreferenciacioacuten porqueacute
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PUNTOS DE CONTROL
ENTENDIENDO LAS IMAacuteGENES
uso de puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
DISTORSIONES POR LA PLATAFORMA ALTITUD DE LA OacuteRBITA ndash Cambio de escala
VELOCIDAD ndash Cambios de escala ORIENTACIOacuteN DE LOS TRES EJES ndash Distorsiones en la geometriacutea
NO SISTEMAacuteTICOS Y COMPLEJOS DE MODELAR
DISTORSIONES POR ROTACIOacuteN TERRESTRE
CONSIDERANDO ALTITUD (800 Km) y TAMANtildeO DE LA IMAGEN (180 Km)ndashEn latitudes medias tarda en adquirir unos 30 segundos la Tierra se desplaza unos 8 Km
ORIENTACIOacuteN NE SW
DISTORSIONES POR EL SENSOR ANOMALIacuteAS SENSOR y MOVIMIENTO ESPEJO ndash Barrido no lineal o cambio en intervalos
AacuteNGULO DE BARRIDO ndash Variacioacuten en el tamantildeo de pixel
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ERROR EN UNA IMAGEN ESPACIAL
ENTENDIENDO LAS IMAacuteGENES
fuentes de error
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Una correccioacuten geomeacutetrica incluye CUALQUIER CAMBIO EN LA POSICIOacuteN DE LOS PIXELES que
conforman la imagen f (c`) = f1 (c l) f (x y) f (l`) = f2 (c l) f (x y)
COORDENADAS DE IMAGEN CORREGIDA SON FUNCIOacuteN DE COORDENADAS COLUMNA Y LIacuteNEA DE LA
IMAGEN DE ENTRADA O DE LAS COORDENADAS DE MAPA AL QUE SUPERPONDREMOS LA IMAGEN
1 CON OBJETIVO DE REALIZAR UNA TRANSFORMACIOacuteN GEOMEacuteTRICA QUE PERMITA AJUSTARLA A OTRA IMAGEN REFERENCIA NORMALMENTE PARA REALIZAR ESTUDIOS MULTITEMPORALES O MOSAICOS CON EL FIN DE AMPLIAR LOS DATOS E INFORMACIOacuteN DE UNA ZONA
2 ESTO PERMITIRAacute QUE LA NUEVA IMAGEN LA PUEDA INTEGRAR CON INFORMACIOacuteN DE OTRAS FUENTES POR EJEMPLO EN UN AMBIENTE SIG
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
correccioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
asumimos que
NO SE CONOCE EL ORIGEN DE LOS ERRORES
modelamos
ECUACIONES EMPIacuteRICAS
aplicadas a un conjunto de puntos
COORDENADAS CONOCIDAS IMAGEN INPUT e IMAGEN OUTPUT
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
1 ndash SELECCIOacuteN DE REFERENCIAS 2 ndash ECUACIONES DE AJUSTE
3 ndash GENERACIOacuteN DE LA IMAGEN CORREGIDA
ES OBVIO CALIDAD DEL AJUSTE DEPENDERAacute DE PRECISIOacuteN CON QUE SE
LOCALICEN LOS PUNTOS DE CONTROL INEXACTA LOCALIZACIOacuteN
DISTRIBUCIOacuteN MUY SECTORIZADA NUacuteMERO DE PUNTOS DE CONTROL INADECUADO
ESTABLECER LOS PUNTOS DE CONTROL FASE MAS CRUCIAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
procesamiento de la correccioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Resaltamos la importancia de
NUacuteMERO LOCALIZACIOacuteN DISTRIBUCIOacuteN
Que debemos atender Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
que considero UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash Croquis ilustrativos de apoyo
TERRENO O ZONAS PLANAS CON IMG OBTENIDAS POR UN SENSOR DE ESTRECHA VISIOacuteN DE CAMPO
TRANSFORMACIOacuteN
BASADO EN ECUACIONES LINEALES SIMPLES
TERRENO ESCARPADO O RUGOSO O UTILIZACIOacuteN DE IMG OBTENIDAS EN UN SENSOR CON VARIACIONES EN LAS CONDICIONES DE OBSERVACIOacuteN
TRANSFORMACIOacuteN MAacuteS COMPLEJA
POLINOMIOS DE SEGUNDO O TERCER ORDEN
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Desde un punto de vista matemaacutetico
GRADO 1 ndash 3 puntos GRADO 2 ndash 6 puntos GRADO 3 ndash 10 puntos
Seguacuten mis objetivos del trabajo no es conveniente utilizar esos miacutenimos
14 a 20 puntos (Landsat 5 MMS ndash seguacuten Bernstein R y D G Ferneyhough Jr 1978)
100 a 120 puntos (Landsat 7 TM ndash seguacuten el National Remote Sensing Center de Inglaterra)
10 o 12 puntos (Pequentildea zona de 512 x 512 pixeles ndash seguacuten Emilio Chuvieco 2010)
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
matemaacuteticamente UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
QUE DEBEMOS DE CONSIDERAR EN CUANTO A LA LOCALIZACIOacuteN
CLARAMENTE IDENTIFICABLES EN IMAGEN Y MAPA RASGOS HUMANOS DEL PAISAJE NO SUJETOS A DINAMISMO TEMPORAL
CRUCE DE CARRETERAS
CAMINOS VIacuteA FEacuteRREAS
NO CONSIDERAR ELEMENTOS ASOCIADOS AL AGUA
COSTA CURSOS DE AGUA
EMBALSES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
localizacioacuten TCP UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la correccioacuten digital de la geometriacutea de una imagen se realiza a partir de establecer unas funciones que relacionen las coordenadas de la imagen
y las coordenadas del mapa
EJ CASO MAS SIMPLE REGRESIOacuteN LINEAL MUacuteLTIPLE
ci = a0 + a1 Xi + a2 Yi li = b0 + b1 Xi + b2 Yi
EN LA PRAacuteCTICA BASTA UNA FUNCIOacuteN LINEAL PARA ABORDAR UN GRAN NUacuteMERO DE
TRANSFORMACIONES Y SON SUFICIENTES SI LAS IMAacuteGENES NO SON MUY GRANDES ANTE LA NECESIDAD DE OTRAS TRANSFORMACIONES SE UTILIZAN DE 2ordm y 3ordm ORDEN CONSIDERANDO ALTERACIONES GEOMEacuteTRICAS NO LINEALES (FUNCIONES QUE NO SE DEFINEN EN UN PLANO
CON EJES LINEALES SINO QUE SUPERFICIES CON EJES CURVILIacuteNEOS)
LOS COEFICIENTES DE LAS FUNCIONES DE TRANSFORMACIOacuteN SE CALCULAN A PARTIR DE UN AJUSTE POR MIacuteNIMOS CUADRADOS
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
funciones de transformacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash ejemplos de funciones de transformacioacuten geomeacutetrica con el efecto causado
TRASLACIOacuteN
CAMBIO DE ESCALA
INCLINACIOacuteN
PERSPECTIVA
ROTACIOacuteN
x = a0 + xacute y = b0 + yacute
x = xacute + a2 yacute y = yacute
x = a1 xacute y = b1 yacute
x = a3xacute yacute y = yacute
x = a4xacute + a5yacute y = b4xacute + b5yacute a4 = b5 = cos Ɵ a5 = -b4 = sen Ɵ
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
transformacioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
comparacioacuten coordenadas reales y las estimadas por la regresioacuten
el promedio de los residuales se conoce como error medio cuadraacutetico
la calidad del ajuste lo da el RMSE (root mean squared error)
(error medio cuadraacutetico)
RMSE es la raiacutez cuadrada de las desviaciones entre los valores reales y los
calculados
RMSE para cada punto es la raiacutez de los residuales al cuadrado que es la distancia entre ellos
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
RMSE UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la praacutectica hace que fijemos una TOLERANCIA y es que si ese promedio supera un valor fijado previamente haya que rever
el valor fijado previamente generalmente es igual o menor a un PIXEL
una correcta verificacioacuten
NECESITA introducir PUNTOS de VERIFICACIOacuteN
que no hayan sido introducidos en el ajuste
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
tolerancias fijadas
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
traducimos coordenadas de un mapa a la imagen tambieacuten necesitamos a la nueva imagen
TRANSFERIR LOS VALORES DIGITALES no olvidar que lo que queremos es generar una nueva imagen que se
corresponda con las coordenadas y las funciones de ajuste
NO ORIGINAN NUEVA IMAGEN solo colocan a los pixeles en la posicioacuten correcta
en criollo las funciones de transformacioacuten generan una nueva matriz bien posicionada pero vaciacutea
DEBEMOS LLENAR LA MATRIZ problema maacutes complejo de lo que puede
pensarse Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
generacioacuten de la nueva imaacutegen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
cada pixel de la imagen corregida se corresponderiacutea con un pixel de la imagen original
LEJOS DE ESE IDEAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo I
vecino maacutes proacuteximo ( nearest neighbour )
a cada celda de la imagen corregida se asigna el ND del pixel maacutes cercano de la
imagen original
SOLUCIOacuteN RAacutePIDA MENOR DISTORSIOacuteN DE LOS ND
INTRODUCE RASGOS LINEALES QUE DISTORSIONAN
CORRECCIOacuteN DE IMAacuteGENES CLASIFICADAS
CONSERVAR LA RADIOMETRIacuteA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo II
interpolacioacuten bilineal ( bilinear interpolation )
supone promediar los ND de los cuatro pixeles mas cercanos
con ponderacioacuten seguacuten la distancia pixeles originalcorregido
REDUCE EL EFECTO DE DISTORSIOacuteN EN RASGOS LINEALES
TIENDE A DIFUMINAR LOS CONTRASTES ESPACIALES
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE IMAacuteGENES RECTIFICADAS MAPAS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo III
convolusioacuten cuacutebica ( cubic convolution )
supone considerar los ND de los 16 pixeles mas proacuteximos
media ponderada seguacuten la distancia pixeles originalcorregido
EFECTO VISUAL MAS CORRECTO
VOLUacuteMEN DE CAacuteLCULO MUY SUPERIOR TENDENCIA A AGUDIZAR BORDES DE LA IMAGEN
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE ORTOIMAacuteGENES IMPRESIONES DE CALIDAD
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PUNTOS DE CONTROL
ENTENDIENDO LAS IMAacuteGENES
uso de puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
DISTORSIONES POR LA PLATAFORMA ALTITUD DE LA OacuteRBITA ndash Cambio de escala
VELOCIDAD ndash Cambios de escala ORIENTACIOacuteN DE LOS TRES EJES ndash Distorsiones en la geometriacutea
NO SISTEMAacuteTICOS Y COMPLEJOS DE MODELAR
DISTORSIONES POR ROTACIOacuteN TERRESTRE
CONSIDERANDO ALTITUD (800 Km) y TAMANtildeO DE LA IMAGEN (180 Km)ndashEn latitudes medias tarda en adquirir unos 30 segundos la Tierra se desplaza unos 8 Km
ORIENTACIOacuteN NE SW
DISTORSIONES POR EL SENSOR ANOMALIacuteAS SENSOR y MOVIMIENTO ESPEJO ndash Barrido no lineal o cambio en intervalos
AacuteNGULO DE BARRIDO ndash Variacioacuten en el tamantildeo de pixel
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ERROR EN UNA IMAGEN ESPACIAL
ENTENDIENDO LAS IMAacuteGENES
fuentes de error
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Una correccioacuten geomeacutetrica incluye CUALQUIER CAMBIO EN LA POSICIOacuteN DE LOS PIXELES que
conforman la imagen f (c`) = f1 (c l) f (x y) f (l`) = f2 (c l) f (x y)
COORDENADAS DE IMAGEN CORREGIDA SON FUNCIOacuteN DE COORDENADAS COLUMNA Y LIacuteNEA DE LA
IMAGEN DE ENTRADA O DE LAS COORDENADAS DE MAPA AL QUE SUPERPONDREMOS LA IMAGEN
1 CON OBJETIVO DE REALIZAR UNA TRANSFORMACIOacuteN GEOMEacuteTRICA QUE PERMITA AJUSTARLA A OTRA IMAGEN REFERENCIA NORMALMENTE PARA REALIZAR ESTUDIOS MULTITEMPORALES O MOSAICOS CON EL FIN DE AMPLIAR LOS DATOS E INFORMACIOacuteN DE UNA ZONA
2 ESTO PERMITIRAacute QUE LA NUEVA IMAGEN LA PUEDA INTEGRAR CON INFORMACIOacuteN DE OTRAS FUENTES POR EJEMPLO EN UN AMBIENTE SIG
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
correccioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
asumimos que
NO SE CONOCE EL ORIGEN DE LOS ERRORES
modelamos
ECUACIONES EMPIacuteRICAS
aplicadas a un conjunto de puntos
COORDENADAS CONOCIDAS IMAGEN INPUT e IMAGEN OUTPUT
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
1 ndash SELECCIOacuteN DE REFERENCIAS 2 ndash ECUACIONES DE AJUSTE
3 ndash GENERACIOacuteN DE LA IMAGEN CORREGIDA
ES OBVIO CALIDAD DEL AJUSTE DEPENDERAacute DE PRECISIOacuteN CON QUE SE
LOCALICEN LOS PUNTOS DE CONTROL INEXACTA LOCALIZACIOacuteN
DISTRIBUCIOacuteN MUY SECTORIZADA NUacuteMERO DE PUNTOS DE CONTROL INADECUADO
ESTABLECER LOS PUNTOS DE CONTROL FASE MAS CRUCIAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
procesamiento de la correccioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Resaltamos la importancia de
NUacuteMERO LOCALIZACIOacuteN DISTRIBUCIOacuteN
Que debemos atender Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
que considero UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash Croquis ilustrativos de apoyo
TERRENO O ZONAS PLANAS CON IMG OBTENIDAS POR UN SENSOR DE ESTRECHA VISIOacuteN DE CAMPO
TRANSFORMACIOacuteN
BASADO EN ECUACIONES LINEALES SIMPLES
TERRENO ESCARPADO O RUGOSO O UTILIZACIOacuteN DE IMG OBTENIDAS EN UN SENSOR CON VARIACIONES EN LAS CONDICIONES DE OBSERVACIOacuteN
TRANSFORMACIOacuteN MAacuteS COMPLEJA
POLINOMIOS DE SEGUNDO O TERCER ORDEN
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Desde un punto de vista matemaacutetico
GRADO 1 ndash 3 puntos GRADO 2 ndash 6 puntos GRADO 3 ndash 10 puntos
Seguacuten mis objetivos del trabajo no es conveniente utilizar esos miacutenimos
14 a 20 puntos (Landsat 5 MMS ndash seguacuten Bernstein R y D G Ferneyhough Jr 1978)
100 a 120 puntos (Landsat 7 TM ndash seguacuten el National Remote Sensing Center de Inglaterra)
10 o 12 puntos (Pequentildea zona de 512 x 512 pixeles ndash seguacuten Emilio Chuvieco 2010)
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
matemaacuteticamente UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
QUE DEBEMOS DE CONSIDERAR EN CUANTO A LA LOCALIZACIOacuteN
CLARAMENTE IDENTIFICABLES EN IMAGEN Y MAPA RASGOS HUMANOS DEL PAISAJE NO SUJETOS A DINAMISMO TEMPORAL
CRUCE DE CARRETERAS
CAMINOS VIacuteA FEacuteRREAS
NO CONSIDERAR ELEMENTOS ASOCIADOS AL AGUA
COSTA CURSOS DE AGUA
EMBALSES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
localizacioacuten TCP UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la correccioacuten digital de la geometriacutea de una imagen se realiza a partir de establecer unas funciones que relacionen las coordenadas de la imagen
y las coordenadas del mapa
EJ CASO MAS SIMPLE REGRESIOacuteN LINEAL MUacuteLTIPLE
ci = a0 + a1 Xi + a2 Yi li = b0 + b1 Xi + b2 Yi
EN LA PRAacuteCTICA BASTA UNA FUNCIOacuteN LINEAL PARA ABORDAR UN GRAN NUacuteMERO DE
TRANSFORMACIONES Y SON SUFICIENTES SI LAS IMAacuteGENES NO SON MUY GRANDES ANTE LA NECESIDAD DE OTRAS TRANSFORMACIONES SE UTILIZAN DE 2ordm y 3ordm ORDEN CONSIDERANDO ALTERACIONES GEOMEacuteTRICAS NO LINEALES (FUNCIONES QUE NO SE DEFINEN EN UN PLANO
CON EJES LINEALES SINO QUE SUPERFICIES CON EJES CURVILIacuteNEOS)
LOS COEFICIENTES DE LAS FUNCIONES DE TRANSFORMACIOacuteN SE CALCULAN A PARTIR DE UN AJUSTE POR MIacuteNIMOS CUADRADOS
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
funciones de transformacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash ejemplos de funciones de transformacioacuten geomeacutetrica con el efecto causado
TRASLACIOacuteN
CAMBIO DE ESCALA
INCLINACIOacuteN
PERSPECTIVA
ROTACIOacuteN
x = a0 + xacute y = b0 + yacute
x = xacute + a2 yacute y = yacute
x = a1 xacute y = b1 yacute
x = a3xacute yacute y = yacute
x = a4xacute + a5yacute y = b4xacute + b5yacute a4 = b5 = cos Ɵ a5 = -b4 = sen Ɵ
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
transformacioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
comparacioacuten coordenadas reales y las estimadas por la regresioacuten
el promedio de los residuales se conoce como error medio cuadraacutetico
la calidad del ajuste lo da el RMSE (root mean squared error)
(error medio cuadraacutetico)
RMSE es la raiacutez cuadrada de las desviaciones entre los valores reales y los
calculados
RMSE para cada punto es la raiacutez de los residuales al cuadrado que es la distancia entre ellos
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
RMSE UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la praacutectica hace que fijemos una TOLERANCIA y es que si ese promedio supera un valor fijado previamente haya que rever
el valor fijado previamente generalmente es igual o menor a un PIXEL
una correcta verificacioacuten
NECESITA introducir PUNTOS de VERIFICACIOacuteN
que no hayan sido introducidos en el ajuste
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
tolerancias fijadas
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
traducimos coordenadas de un mapa a la imagen tambieacuten necesitamos a la nueva imagen
TRANSFERIR LOS VALORES DIGITALES no olvidar que lo que queremos es generar una nueva imagen que se
corresponda con las coordenadas y las funciones de ajuste
NO ORIGINAN NUEVA IMAGEN solo colocan a los pixeles en la posicioacuten correcta
en criollo las funciones de transformacioacuten generan una nueva matriz bien posicionada pero vaciacutea
DEBEMOS LLENAR LA MATRIZ problema maacutes complejo de lo que puede
pensarse Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
generacioacuten de la nueva imaacutegen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
cada pixel de la imagen corregida se corresponderiacutea con un pixel de la imagen original
LEJOS DE ESE IDEAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo I
vecino maacutes proacuteximo ( nearest neighbour )
a cada celda de la imagen corregida se asigna el ND del pixel maacutes cercano de la
imagen original
SOLUCIOacuteN RAacutePIDA MENOR DISTORSIOacuteN DE LOS ND
INTRODUCE RASGOS LINEALES QUE DISTORSIONAN
CORRECCIOacuteN DE IMAacuteGENES CLASIFICADAS
CONSERVAR LA RADIOMETRIacuteA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo II
interpolacioacuten bilineal ( bilinear interpolation )
supone promediar los ND de los cuatro pixeles mas cercanos
con ponderacioacuten seguacuten la distancia pixeles originalcorregido
REDUCE EL EFECTO DE DISTORSIOacuteN EN RASGOS LINEALES
TIENDE A DIFUMINAR LOS CONTRASTES ESPACIALES
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE IMAacuteGENES RECTIFICADAS MAPAS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo III
convolusioacuten cuacutebica ( cubic convolution )
supone considerar los ND de los 16 pixeles mas proacuteximos
media ponderada seguacuten la distancia pixeles originalcorregido
EFECTO VISUAL MAS CORRECTO
VOLUacuteMEN DE CAacuteLCULO MUY SUPERIOR TENDENCIA A AGUDIZAR BORDES DE LA IMAGEN
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE ORTOIMAacuteGENES IMPRESIONES DE CALIDAD
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
DISTORSIONES POR LA PLATAFORMA ALTITUD DE LA OacuteRBITA ndash Cambio de escala
VELOCIDAD ndash Cambios de escala ORIENTACIOacuteN DE LOS TRES EJES ndash Distorsiones en la geometriacutea
NO SISTEMAacuteTICOS Y COMPLEJOS DE MODELAR
DISTORSIONES POR ROTACIOacuteN TERRESTRE
CONSIDERANDO ALTITUD (800 Km) y TAMANtildeO DE LA IMAGEN (180 Km)ndashEn latitudes medias tarda en adquirir unos 30 segundos la Tierra se desplaza unos 8 Km
ORIENTACIOacuteN NE SW
DISTORSIONES POR EL SENSOR ANOMALIacuteAS SENSOR y MOVIMIENTO ESPEJO ndash Barrido no lineal o cambio en intervalos
AacuteNGULO DE BARRIDO ndash Variacioacuten en el tamantildeo de pixel
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
ERROR EN UNA IMAGEN ESPACIAL
ENTENDIENDO LAS IMAacuteGENES
fuentes de error
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Una correccioacuten geomeacutetrica incluye CUALQUIER CAMBIO EN LA POSICIOacuteN DE LOS PIXELES que
conforman la imagen f (c`) = f1 (c l) f (x y) f (l`) = f2 (c l) f (x y)
COORDENADAS DE IMAGEN CORREGIDA SON FUNCIOacuteN DE COORDENADAS COLUMNA Y LIacuteNEA DE LA
IMAGEN DE ENTRADA O DE LAS COORDENADAS DE MAPA AL QUE SUPERPONDREMOS LA IMAGEN
1 CON OBJETIVO DE REALIZAR UNA TRANSFORMACIOacuteN GEOMEacuteTRICA QUE PERMITA AJUSTARLA A OTRA IMAGEN REFERENCIA NORMALMENTE PARA REALIZAR ESTUDIOS MULTITEMPORALES O MOSAICOS CON EL FIN DE AMPLIAR LOS DATOS E INFORMACIOacuteN DE UNA ZONA
2 ESTO PERMITIRAacute QUE LA NUEVA IMAGEN LA PUEDA INTEGRAR CON INFORMACIOacuteN DE OTRAS FUENTES POR EJEMPLO EN UN AMBIENTE SIG
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
correccioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
asumimos que
NO SE CONOCE EL ORIGEN DE LOS ERRORES
modelamos
ECUACIONES EMPIacuteRICAS
aplicadas a un conjunto de puntos
COORDENADAS CONOCIDAS IMAGEN INPUT e IMAGEN OUTPUT
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
1 ndash SELECCIOacuteN DE REFERENCIAS 2 ndash ECUACIONES DE AJUSTE
3 ndash GENERACIOacuteN DE LA IMAGEN CORREGIDA
ES OBVIO CALIDAD DEL AJUSTE DEPENDERAacute DE PRECISIOacuteN CON QUE SE
LOCALICEN LOS PUNTOS DE CONTROL INEXACTA LOCALIZACIOacuteN
DISTRIBUCIOacuteN MUY SECTORIZADA NUacuteMERO DE PUNTOS DE CONTROL INADECUADO
ESTABLECER LOS PUNTOS DE CONTROL FASE MAS CRUCIAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
procesamiento de la correccioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Resaltamos la importancia de
NUacuteMERO LOCALIZACIOacuteN DISTRIBUCIOacuteN
Que debemos atender Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
que considero UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash Croquis ilustrativos de apoyo
TERRENO O ZONAS PLANAS CON IMG OBTENIDAS POR UN SENSOR DE ESTRECHA VISIOacuteN DE CAMPO
TRANSFORMACIOacuteN
BASADO EN ECUACIONES LINEALES SIMPLES
TERRENO ESCARPADO O RUGOSO O UTILIZACIOacuteN DE IMG OBTENIDAS EN UN SENSOR CON VARIACIONES EN LAS CONDICIONES DE OBSERVACIOacuteN
TRANSFORMACIOacuteN MAacuteS COMPLEJA
POLINOMIOS DE SEGUNDO O TERCER ORDEN
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Desde un punto de vista matemaacutetico
GRADO 1 ndash 3 puntos GRADO 2 ndash 6 puntos GRADO 3 ndash 10 puntos
Seguacuten mis objetivos del trabajo no es conveniente utilizar esos miacutenimos
14 a 20 puntos (Landsat 5 MMS ndash seguacuten Bernstein R y D G Ferneyhough Jr 1978)
100 a 120 puntos (Landsat 7 TM ndash seguacuten el National Remote Sensing Center de Inglaterra)
10 o 12 puntos (Pequentildea zona de 512 x 512 pixeles ndash seguacuten Emilio Chuvieco 2010)
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
matemaacuteticamente UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
QUE DEBEMOS DE CONSIDERAR EN CUANTO A LA LOCALIZACIOacuteN
CLARAMENTE IDENTIFICABLES EN IMAGEN Y MAPA RASGOS HUMANOS DEL PAISAJE NO SUJETOS A DINAMISMO TEMPORAL
CRUCE DE CARRETERAS
CAMINOS VIacuteA FEacuteRREAS
NO CONSIDERAR ELEMENTOS ASOCIADOS AL AGUA
COSTA CURSOS DE AGUA
EMBALSES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
localizacioacuten TCP UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la correccioacuten digital de la geometriacutea de una imagen se realiza a partir de establecer unas funciones que relacionen las coordenadas de la imagen
y las coordenadas del mapa
EJ CASO MAS SIMPLE REGRESIOacuteN LINEAL MUacuteLTIPLE
ci = a0 + a1 Xi + a2 Yi li = b0 + b1 Xi + b2 Yi
EN LA PRAacuteCTICA BASTA UNA FUNCIOacuteN LINEAL PARA ABORDAR UN GRAN NUacuteMERO DE
TRANSFORMACIONES Y SON SUFICIENTES SI LAS IMAacuteGENES NO SON MUY GRANDES ANTE LA NECESIDAD DE OTRAS TRANSFORMACIONES SE UTILIZAN DE 2ordm y 3ordm ORDEN CONSIDERANDO ALTERACIONES GEOMEacuteTRICAS NO LINEALES (FUNCIONES QUE NO SE DEFINEN EN UN PLANO
CON EJES LINEALES SINO QUE SUPERFICIES CON EJES CURVILIacuteNEOS)
LOS COEFICIENTES DE LAS FUNCIONES DE TRANSFORMACIOacuteN SE CALCULAN A PARTIR DE UN AJUSTE POR MIacuteNIMOS CUADRADOS
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
funciones de transformacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash ejemplos de funciones de transformacioacuten geomeacutetrica con el efecto causado
TRASLACIOacuteN
CAMBIO DE ESCALA
INCLINACIOacuteN
PERSPECTIVA
ROTACIOacuteN
x = a0 + xacute y = b0 + yacute
x = xacute + a2 yacute y = yacute
x = a1 xacute y = b1 yacute
x = a3xacute yacute y = yacute
x = a4xacute + a5yacute y = b4xacute + b5yacute a4 = b5 = cos Ɵ a5 = -b4 = sen Ɵ
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
transformacioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
comparacioacuten coordenadas reales y las estimadas por la regresioacuten
el promedio de los residuales se conoce como error medio cuadraacutetico
la calidad del ajuste lo da el RMSE (root mean squared error)
(error medio cuadraacutetico)
RMSE es la raiacutez cuadrada de las desviaciones entre los valores reales y los
calculados
RMSE para cada punto es la raiacutez de los residuales al cuadrado que es la distancia entre ellos
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
RMSE UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la praacutectica hace que fijemos una TOLERANCIA y es que si ese promedio supera un valor fijado previamente haya que rever
el valor fijado previamente generalmente es igual o menor a un PIXEL
una correcta verificacioacuten
NECESITA introducir PUNTOS de VERIFICACIOacuteN
que no hayan sido introducidos en el ajuste
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
tolerancias fijadas
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
traducimos coordenadas de un mapa a la imagen tambieacuten necesitamos a la nueva imagen
TRANSFERIR LOS VALORES DIGITALES no olvidar que lo que queremos es generar una nueva imagen que se
corresponda con las coordenadas y las funciones de ajuste
NO ORIGINAN NUEVA IMAGEN solo colocan a los pixeles en la posicioacuten correcta
en criollo las funciones de transformacioacuten generan una nueva matriz bien posicionada pero vaciacutea
DEBEMOS LLENAR LA MATRIZ problema maacutes complejo de lo que puede
pensarse Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
generacioacuten de la nueva imaacutegen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
cada pixel de la imagen corregida se corresponderiacutea con un pixel de la imagen original
LEJOS DE ESE IDEAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo I
vecino maacutes proacuteximo ( nearest neighbour )
a cada celda de la imagen corregida se asigna el ND del pixel maacutes cercano de la
imagen original
SOLUCIOacuteN RAacutePIDA MENOR DISTORSIOacuteN DE LOS ND
INTRODUCE RASGOS LINEALES QUE DISTORSIONAN
CORRECCIOacuteN DE IMAacuteGENES CLASIFICADAS
CONSERVAR LA RADIOMETRIacuteA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo II
interpolacioacuten bilineal ( bilinear interpolation )
supone promediar los ND de los cuatro pixeles mas cercanos
con ponderacioacuten seguacuten la distancia pixeles originalcorregido
REDUCE EL EFECTO DE DISTORSIOacuteN EN RASGOS LINEALES
TIENDE A DIFUMINAR LOS CONTRASTES ESPACIALES
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE IMAacuteGENES RECTIFICADAS MAPAS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo III
convolusioacuten cuacutebica ( cubic convolution )
supone considerar los ND de los 16 pixeles mas proacuteximos
media ponderada seguacuten la distancia pixeles originalcorregido
EFECTO VISUAL MAS CORRECTO
VOLUacuteMEN DE CAacuteLCULO MUY SUPERIOR TENDENCIA A AGUDIZAR BORDES DE LA IMAGEN
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE ORTOIMAacuteGENES IMPRESIONES DE CALIDAD
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Una correccioacuten geomeacutetrica incluye CUALQUIER CAMBIO EN LA POSICIOacuteN DE LOS PIXELES que
conforman la imagen f (c`) = f1 (c l) f (x y) f (l`) = f2 (c l) f (x y)
COORDENADAS DE IMAGEN CORREGIDA SON FUNCIOacuteN DE COORDENADAS COLUMNA Y LIacuteNEA DE LA
IMAGEN DE ENTRADA O DE LAS COORDENADAS DE MAPA AL QUE SUPERPONDREMOS LA IMAGEN
1 CON OBJETIVO DE REALIZAR UNA TRANSFORMACIOacuteN GEOMEacuteTRICA QUE PERMITA AJUSTARLA A OTRA IMAGEN REFERENCIA NORMALMENTE PARA REALIZAR ESTUDIOS MULTITEMPORALES O MOSAICOS CON EL FIN DE AMPLIAR LOS DATOS E INFORMACIOacuteN DE UNA ZONA
2 ESTO PERMITIRAacute QUE LA NUEVA IMAGEN LA PUEDA INTEGRAR CON INFORMACIOacuteN DE OTRAS FUENTES POR EJEMPLO EN UN AMBIENTE SIG
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
correccioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
asumimos que
NO SE CONOCE EL ORIGEN DE LOS ERRORES
modelamos
ECUACIONES EMPIacuteRICAS
aplicadas a un conjunto de puntos
COORDENADAS CONOCIDAS IMAGEN INPUT e IMAGEN OUTPUT
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
1 ndash SELECCIOacuteN DE REFERENCIAS 2 ndash ECUACIONES DE AJUSTE
3 ndash GENERACIOacuteN DE LA IMAGEN CORREGIDA
ES OBVIO CALIDAD DEL AJUSTE DEPENDERAacute DE PRECISIOacuteN CON QUE SE
LOCALICEN LOS PUNTOS DE CONTROL INEXACTA LOCALIZACIOacuteN
DISTRIBUCIOacuteN MUY SECTORIZADA NUacuteMERO DE PUNTOS DE CONTROL INADECUADO
ESTABLECER LOS PUNTOS DE CONTROL FASE MAS CRUCIAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
procesamiento de la correccioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Resaltamos la importancia de
NUacuteMERO LOCALIZACIOacuteN DISTRIBUCIOacuteN
Que debemos atender Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
que considero UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash Croquis ilustrativos de apoyo
TERRENO O ZONAS PLANAS CON IMG OBTENIDAS POR UN SENSOR DE ESTRECHA VISIOacuteN DE CAMPO
TRANSFORMACIOacuteN
BASADO EN ECUACIONES LINEALES SIMPLES
TERRENO ESCARPADO O RUGOSO O UTILIZACIOacuteN DE IMG OBTENIDAS EN UN SENSOR CON VARIACIONES EN LAS CONDICIONES DE OBSERVACIOacuteN
TRANSFORMACIOacuteN MAacuteS COMPLEJA
POLINOMIOS DE SEGUNDO O TERCER ORDEN
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Desde un punto de vista matemaacutetico
GRADO 1 ndash 3 puntos GRADO 2 ndash 6 puntos GRADO 3 ndash 10 puntos
Seguacuten mis objetivos del trabajo no es conveniente utilizar esos miacutenimos
14 a 20 puntos (Landsat 5 MMS ndash seguacuten Bernstein R y D G Ferneyhough Jr 1978)
100 a 120 puntos (Landsat 7 TM ndash seguacuten el National Remote Sensing Center de Inglaterra)
10 o 12 puntos (Pequentildea zona de 512 x 512 pixeles ndash seguacuten Emilio Chuvieco 2010)
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
matemaacuteticamente UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
QUE DEBEMOS DE CONSIDERAR EN CUANTO A LA LOCALIZACIOacuteN
CLARAMENTE IDENTIFICABLES EN IMAGEN Y MAPA RASGOS HUMANOS DEL PAISAJE NO SUJETOS A DINAMISMO TEMPORAL
CRUCE DE CARRETERAS
CAMINOS VIacuteA FEacuteRREAS
NO CONSIDERAR ELEMENTOS ASOCIADOS AL AGUA
COSTA CURSOS DE AGUA
EMBALSES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
localizacioacuten TCP UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la correccioacuten digital de la geometriacutea de una imagen se realiza a partir de establecer unas funciones que relacionen las coordenadas de la imagen
y las coordenadas del mapa
EJ CASO MAS SIMPLE REGRESIOacuteN LINEAL MUacuteLTIPLE
ci = a0 + a1 Xi + a2 Yi li = b0 + b1 Xi + b2 Yi
EN LA PRAacuteCTICA BASTA UNA FUNCIOacuteN LINEAL PARA ABORDAR UN GRAN NUacuteMERO DE
TRANSFORMACIONES Y SON SUFICIENTES SI LAS IMAacuteGENES NO SON MUY GRANDES ANTE LA NECESIDAD DE OTRAS TRANSFORMACIONES SE UTILIZAN DE 2ordm y 3ordm ORDEN CONSIDERANDO ALTERACIONES GEOMEacuteTRICAS NO LINEALES (FUNCIONES QUE NO SE DEFINEN EN UN PLANO
CON EJES LINEALES SINO QUE SUPERFICIES CON EJES CURVILIacuteNEOS)
LOS COEFICIENTES DE LAS FUNCIONES DE TRANSFORMACIOacuteN SE CALCULAN A PARTIR DE UN AJUSTE POR MIacuteNIMOS CUADRADOS
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
funciones de transformacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash ejemplos de funciones de transformacioacuten geomeacutetrica con el efecto causado
TRASLACIOacuteN
CAMBIO DE ESCALA
INCLINACIOacuteN
PERSPECTIVA
ROTACIOacuteN
x = a0 + xacute y = b0 + yacute
x = xacute + a2 yacute y = yacute
x = a1 xacute y = b1 yacute
x = a3xacute yacute y = yacute
x = a4xacute + a5yacute y = b4xacute + b5yacute a4 = b5 = cos Ɵ a5 = -b4 = sen Ɵ
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
transformacioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
comparacioacuten coordenadas reales y las estimadas por la regresioacuten
el promedio de los residuales se conoce como error medio cuadraacutetico
la calidad del ajuste lo da el RMSE (root mean squared error)
(error medio cuadraacutetico)
RMSE es la raiacutez cuadrada de las desviaciones entre los valores reales y los
calculados
RMSE para cada punto es la raiacutez de los residuales al cuadrado que es la distancia entre ellos
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
RMSE UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la praacutectica hace que fijemos una TOLERANCIA y es que si ese promedio supera un valor fijado previamente haya que rever
el valor fijado previamente generalmente es igual o menor a un PIXEL
una correcta verificacioacuten
NECESITA introducir PUNTOS de VERIFICACIOacuteN
que no hayan sido introducidos en el ajuste
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
tolerancias fijadas
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
traducimos coordenadas de un mapa a la imagen tambieacuten necesitamos a la nueva imagen
TRANSFERIR LOS VALORES DIGITALES no olvidar que lo que queremos es generar una nueva imagen que se
corresponda con las coordenadas y las funciones de ajuste
NO ORIGINAN NUEVA IMAGEN solo colocan a los pixeles en la posicioacuten correcta
en criollo las funciones de transformacioacuten generan una nueva matriz bien posicionada pero vaciacutea
DEBEMOS LLENAR LA MATRIZ problema maacutes complejo de lo que puede
pensarse Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
generacioacuten de la nueva imaacutegen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
cada pixel de la imagen corregida se corresponderiacutea con un pixel de la imagen original
LEJOS DE ESE IDEAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo I
vecino maacutes proacuteximo ( nearest neighbour )
a cada celda de la imagen corregida se asigna el ND del pixel maacutes cercano de la
imagen original
SOLUCIOacuteN RAacutePIDA MENOR DISTORSIOacuteN DE LOS ND
INTRODUCE RASGOS LINEALES QUE DISTORSIONAN
CORRECCIOacuteN DE IMAacuteGENES CLASIFICADAS
CONSERVAR LA RADIOMETRIacuteA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo II
interpolacioacuten bilineal ( bilinear interpolation )
supone promediar los ND de los cuatro pixeles mas cercanos
con ponderacioacuten seguacuten la distancia pixeles originalcorregido
REDUCE EL EFECTO DE DISTORSIOacuteN EN RASGOS LINEALES
TIENDE A DIFUMINAR LOS CONTRASTES ESPACIALES
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE IMAacuteGENES RECTIFICADAS MAPAS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo III
convolusioacuten cuacutebica ( cubic convolution )
supone considerar los ND de los 16 pixeles mas proacuteximos
media ponderada seguacuten la distancia pixeles originalcorregido
EFECTO VISUAL MAS CORRECTO
VOLUacuteMEN DE CAacuteLCULO MUY SUPERIOR TENDENCIA A AGUDIZAR BORDES DE LA IMAGEN
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE ORTOIMAacuteGENES IMPRESIONES DE CALIDAD
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
asumimos que
NO SE CONOCE EL ORIGEN DE LOS ERRORES
modelamos
ECUACIONES EMPIacuteRICAS
aplicadas a un conjunto de puntos
COORDENADAS CONOCIDAS IMAGEN INPUT e IMAGEN OUTPUT
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
puntos de control
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
1 ndash SELECCIOacuteN DE REFERENCIAS 2 ndash ECUACIONES DE AJUSTE
3 ndash GENERACIOacuteN DE LA IMAGEN CORREGIDA
ES OBVIO CALIDAD DEL AJUSTE DEPENDERAacute DE PRECISIOacuteN CON QUE SE
LOCALICEN LOS PUNTOS DE CONTROL INEXACTA LOCALIZACIOacuteN
DISTRIBUCIOacuteN MUY SECTORIZADA NUacuteMERO DE PUNTOS DE CONTROL INADECUADO
ESTABLECER LOS PUNTOS DE CONTROL FASE MAS CRUCIAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
procesamiento de la correccioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Resaltamos la importancia de
NUacuteMERO LOCALIZACIOacuteN DISTRIBUCIOacuteN
Que debemos atender Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
que considero UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash Croquis ilustrativos de apoyo
TERRENO O ZONAS PLANAS CON IMG OBTENIDAS POR UN SENSOR DE ESTRECHA VISIOacuteN DE CAMPO
TRANSFORMACIOacuteN
BASADO EN ECUACIONES LINEALES SIMPLES
TERRENO ESCARPADO O RUGOSO O UTILIZACIOacuteN DE IMG OBTENIDAS EN UN SENSOR CON VARIACIONES EN LAS CONDICIONES DE OBSERVACIOacuteN
TRANSFORMACIOacuteN MAacuteS COMPLEJA
POLINOMIOS DE SEGUNDO O TERCER ORDEN
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Desde un punto de vista matemaacutetico
GRADO 1 ndash 3 puntos GRADO 2 ndash 6 puntos GRADO 3 ndash 10 puntos
Seguacuten mis objetivos del trabajo no es conveniente utilizar esos miacutenimos
14 a 20 puntos (Landsat 5 MMS ndash seguacuten Bernstein R y D G Ferneyhough Jr 1978)
100 a 120 puntos (Landsat 7 TM ndash seguacuten el National Remote Sensing Center de Inglaterra)
10 o 12 puntos (Pequentildea zona de 512 x 512 pixeles ndash seguacuten Emilio Chuvieco 2010)
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
matemaacuteticamente UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
QUE DEBEMOS DE CONSIDERAR EN CUANTO A LA LOCALIZACIOacuteN
CLARAMENTE IDENTIFICABLES EN IMAGEN Y MAPA RASGOS HUMANOS DEL PAISAJE NO SUJETOS A DINAMISMO TEMPORAL
CRUCE DE CARRETERAS
CAMINOS VIacuteA FEacuteRREAS
NO CONSIDERAR ELEMENTOS ASOCIADOS AL AGUA
COSTA CURSOS DE AGUA
EMBALSES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
localizacioacuten TCP UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la correccioacuten digital de la geometriacutea de una imagen se realiza a partir de establecer unas funciones que relacionen las coordenadas de la imagen
y las coordenadas del mapa
EJ CASO MAS SIMPLE REGRESIOacuteN LINEAL MUacuteLTIPLE
ci = a0 + a1 Xi + a2 Yi li = b0 + b1 Xi + b2 Yi
EN LA PRAacuteCTICA BASTA UNA FUNCIOacuteN LINEAL PARA ABORDAR UN GRAN NUacuteMERO DE
TRANSFORMACIONES Y SON SUFICIENTES SI LAS IMAacuteGENES NO SON MUY GRANDES ANTE LA NECESIDAD DE OTRAS TRANSFORMACIONES SE UTILIZAN DE 2ordm y 3ordm ORDEN CONSIDERANDO ALTERACIONES GEOMEacuteTRICAS NO LINEALES (FUNCIONES QUE NO SE DEFINEN EN UN PLANO
CON EJES LINEALES SINO QUE SUPERFICIES CON EJES CURVILIacuteNEOS)
LOS COEFICIENTES DE LAS FUNCIONES DE TRANSFORMACIOacuteN SE CALCULAN A PARTIR DE UN AJUSTE POR MIacuteNIMOS CUADRADOS
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
funciones de transformacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash ejemplos de funciones de transformacioacuten geomeacutetrica con el efecto causado
TRASLACIOacuteN
CAMBIO DE ESCALA
INCLINACIOacuteN
PERSPECTIVA
ROTACIOacuteN
x = a0 + xacute y = b0 + yacute
x = xacute + a2 yacute y = yacute
x = a1 xacute y = b1 yacute
x = a3xacute yacute y = yacute
x = a4xacute + a5yacute y = b4xacute + b5yacute a4 = b5 = cos Ɵ a5 = -b4 = sen Ɵ
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
transformacioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
comparacioacuten coordenadas reales y las estimadas por la regresioacuten
el promedio de los residuales se conoce como error medio cuadraacutetico
la calidad del ajuste lo da el RMSE (root mean squared error)
(error medio cuadraacutetico)
RMSE es la raiacutez cuadrada de las desviaciones entre los valores reales y los
calculados
RMSE para cada punto es la raiacutez de los residuales al cuadrado que es la distancia entre ellos
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
RMSE UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la praacutectica hace que fijemos una TOLERANCIA y es que si ese promedio supera un valor fijado previamente haya que rever
el valor fijado previamente generalmente es igual o menor a un PIXEL
una correcta verificacioacuten
NECESITA introducir PUNTOS de VERIFICACIOacuteN
que no hayan sido introducidos en el ajuste
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
tolerancias fijadas
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
traducimos coordenadas de un mapa a la imagen tambieacuten necesitamos a la nueva imagen
TRANSFERIR LOS VALORES DIGITALES no olvidar que lo que queremos es generar una nueva imagen que se
corresponda con las coordenadas y las funciones de ajuste
NO ORIGINAN NUEVA IMAGEN solo colocan a los pixeles en la posicioacuten correcta
en criollo las funciones de transformacioacuten generan una nueva matriz bien posicionada pero vaciacutea
DEBEMOS LLENAR LA MATRIZ problema maacutes complejo de lo que puede
pensarse Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
generacioacuten de la nueva imaacutegen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
cada pixel de la imagen corregida se corresponderiacutea con un pixel de la imagen original
LEJOS DE ESE IDEAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo I
vecino maacutes proacuteximo ( nearest neighbour )
a cada celda de la imagen corregida se asigna el ND del pixel maacutes cercano de la
imagen original
SOLUCIOacuteN RAacutePIDA MENOR DISTORSIOacuteN DE LOS ND
INTRODUCE RASGOS LINEALES QUE DISTORSIONAN
CORRECCIOacuteN DE IMAacuteGENES CLASIFICADAS
CONSERVAR LA RADIOMETRIacuteA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo II
interpolacioacuten bilineal ( bilinear interpolation )
supone promediar los ND de los cuatro pixeles mas cercanos
con ponderacioacuten seguacuten la distancia pixeles originalcorregido
REDUCE EL EFECTO DE DISTORSIOacuteN EN RASGOS LINEALES
TIENDE A DIFUMINAR LOS CONTRASTES ESPACIALES
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE IMAacuteGENES RECTIFICADAS MAPAS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo III
convolusioacuten cuacutebica ( cubic convolution )
supone considerar los ND de los 16 pixeles mas proacuteximos
media ponderada seguacuten la distancia pixeles originalcorregido
EFECTO VISUAL MAS CORRECTO
VOLUacuteMEN DE CAacuteLCULO MUY SUPERIOR TENDENCIA A AGUDIZAR BORDES DE LA IMAGEN
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE ORTOIMAacuteGENES IMPRESIONES DE CALIDAD
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
1 ndash SELECCIOacuteN DE REFERENCIAS 2 ndash ECUACIONES DE AJUSTE
3 ndash GENERACIOacuteN DE LA IMAGEN CORREGIDA
ES OBVIO CALIDAD DEL AJUSTE DEPENDERAacute DE PRECISIOacuteN CON QUE SE
LOCALICEN LOS PUNTOS DE CONTROL INEXACTA LOCALIZACIOacuteN
DISTRIBUCIOacuteN MUY SECTORIZADA NUacuteMERO DE PUNTOS DE CONTROL INADECUADO
ESTABLECER LOS PUNTOS DE CONTROL FASE MAS CRUCIAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
procesamiento de la correccioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Resaltamos la importancia de
NUacuteMERO LOCALIZACIOacuteN DISTRIBUCIOacuteN
Que debemos atender Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
que considero UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash Croquis ilustrativos de apoyo
TERRENO O ZONAS PLANAS CON IMG OBTENIDAS POR UN SENSOR DE ESTRECHA VISIOacuteN DE CAMPO
TRANSFORMACIOacuteN
BASADO EN ECUACIONES LINEALES SIMPLES
TERRENO ESCARPADO O RUGOSO O UTILIZACIOacuteN DE IMG OBTENIDAS EN UN SENSOR CON VARIACIONES EN LAS CONDICIONES DE OBSERVACIOacuteN
TRANSFORMACIOacuteN MAacuteS COMPLEJA
POLINOMIOS DE SEGUNDO O TERCER ORDEN
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Desde un punto de vista matemaacutetico
GRADO 1 ndash 3 puntos GRADO 2 ndash 6 puntos GRADO 3 ndash 10 puntos
Seguacuten mis objetivos del trabajo no es conveniente utilizar esos miacutenimos
14 a 20 puntos (Landsat 5 MMS ndash seguacuten Bernstein R y D G Ferneyhough Jr 1978)
100 a 120 puntos (Landsat 7 TM ndash seguacuten el National Remote Sensing Center de Inglaterra)
10 o 12 puntos (Pequentildea zona de 512 x 512 pixeles ndash seguacuten Emilio Chuvieco 2010)
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
matemaacuteticamente UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
QUE DEBEMOS DE CONSIDERAR EN CUANTO A LA LOCALIZACIOacuteN
CLARAMENTE IDENTIFICABLES EN IMAGEN Y MAPA RASGOS HUMANOS DEL PAISAJE NO SUJETOS A DINAMISMO TEMPORAL
CRUCE DE CARRETERAS
CAMINOS VIacuteA FEacuteRREAS
NO CONSIDERAR ELEMENTOS ASOCIADOS AL AGUA
COSTA CURSOS DE AGUA
EMBALSES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
localizacioacuten TCP UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la correccioacuten digital de la geometriacutea de una imagen se realiza a partir de establecer unas funciones que relacionen las coordenadas de la imagen
y las coordenadas del mapa
EJ CASO MAS SIMPLE REGRESIOacuteN LINEAL MUacuteLTIPLE
ci = a0 + a1 Xi + a2 Yi li = b0 + b1 Xi + b2 Yi
EN LA PRAacuteCTICA BASTA UNA FUNCIOacuteN LINEAL PARA ABORDAR UN GRAN NUacuteMERO DE
TRANSFORMACIONES Y SON SUFICIENTES SI LAS IMAacuteGENES NO SON MUY GRANDES ANTE LA NECESIDAD DE OTRAS TRANSFORMACIONES SE UTILIZAN DE 2ordm y 3ordm ORDEN CONSIDERANDO ALTERACIONES GEOMEacuteTRICAS NO LINEALES (FUNCIONES QUE NO SE DEFINEN EN UN PLANO
CON EJES LINEALES SINO QUE SUPERFICIES CON EJES CURVILIacuteNEOS)
LOS COEFICIENTES DE LAS FUNCIONES DE TRANSFORMACIOacuteN SE CALCULAN A PARTIR DE UN AJUSTE POR MIacuteNIMOS CUADRADOS
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
funciones de transformacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash ejemplos de funciones de transformacioacuten geomeacutetrica con el efecto causado
TRASLACIOacuteN
CAMBIO DE ESCALA
INCLINACIOacuteN
PERSPECTIVA
ROTACIOacuteN
x = a0 + xacute y = b0 + yacute
x = xacute + a2 yacute y = yacute
x = a1 xacute y = b1 yacute
x = a3xacute yacute y = yacute
x = a4xacute + a5yacute y = b4xacute + b5yacute a4 = b5 = cos Ɵ a5 = -b4 = sen Ɵ
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
transformacioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
comparacioacuten coordenadas reales y las estimadas por la regresioacuten
el promedio de los residuales se conoce como error medio cuadraacutetico
la calidad del ajuste lo da el RMSE (root mean squared error)
(error medio cuadraacutetico)
RMSE es la raiacutez cuadrada de las desviaciones entre los valores reales y los
calculados
RMSE para cada punto es la raiacutez de los residuales al cuadrado que es la distancia entre ellos
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
RMSE UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la praacutectica hace que fijemos una TOLERANCIA y es que si ese promedio supera un valor fijado previamente haya que rever
el valor fijado previamente generalmente es igual o menor a un PIXEL
una correcta verificacioacuten
NECESITA introducir PUNTOS de VERIFICACIOacuteN
que no hayan sido introducidos en el ajuste
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
tolerancias fijadas
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
traducimos coordenadas de un mapa a la imagen tambieacuten necesitamos a la nueva imagen
TRANSFERIR LOS VALORES DIGITALES no olvidar que lo que queremos es generar una nueva imagen que se
corresponda con las coordenadas y las funciones de ajuste
NO ORIGINAN NUEVA IMAGEN solo colocan a los pixeles en la posicioacuten correcta
en criollo las funciones de transformacioacuten generan una nueva matriz bien posicionada pero vaciacutea
DEBEMOS LLENAR LA MATRIZ problema maacutes complejo de lo que puede
pensarse Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
generacioacuten de la nueva imaacutegen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
cada pixel de la imagen corregida se corresponderiacutea con un pixel de la imagen original
LEJOS DE ESE IDEAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo I
vecino maacutes proacuteximo ( nearest neighbour )
a cada celda de la imagen corregida se asigna el ND del pixel maacutes cercano de la
imagen original
SOLUCIOacuteN RAacutePIDA MENOR DISTORSIOacuteN DE LOS ND
INTRODUCE RASGOS LINEALES QUE DISTORSIONAN
CORRECCIOacuteN DE IMAacuteGENES CLASIFICADAS
CONSERVAR LA RADIOMETRIacuteA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo II
interpolacioacuten bilineal ( bilinear interpolation )
supone promediar los ND de los cuatro pixeles mas cercanos
con ponderacioacuten seguacuten la distancia pixeles originalcorregido
REDUCE EL EFECTO DE DISTORSIOacuteN EN RASGOS LINEALES
TIENDE A DIFUMINAR LOS CONTRASTES ESPACIALES
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE IMAacuteGENES RECTIFICADAS MAPAS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo III
convolusioacuten cuacutebica ( cubic convolution )
supone considerar los ND de los 16 pixeles mas proacuteximos
media ponderada seguacuten la distancia pixeles originalcorregido
EFECTO VISUAL MAS CORRECTO
VOLUacuteMEN DE CAacuteLCULO MUY SUPERIOR TENDENCIA A AGUDIZAR BORDES DE LA IMAGEN
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE ORTOIMAacuteGENES IMPRESIONES DE CALIDAD
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Resaltamos la importancia de
NUacuteMERO LOCALIZACIOacuteN DISTRIBUCIOacuteN
Que debemos atender Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
PROCESAMIENTO GEOMEacuteTRICO
ENTENDIENDO LAS IMAacuteGENES
que considero UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash Croquis ilustrativos de apoyo
TERRENO O ZONAS PLANAS CON IMG OBTENIDAS POR UN SENSOR DE ESTRECHA VISIOacuteN DE CAMPO
TRANSFORMACIOacuteN
BASADO EN ECUACIONES LINEALES SIMPLES
TERRENO ESCARPADO O RUGOSO O UTILIZACIOacuteN DE IMG OBTENIDAS EN UN SENSOR CON VARIACIONES EN LAS CONDICIONES DE OBSERVACIOacuteN
TRANSFORMACIOacuteN MAacuteS COMPLEJA
POLINOMIOS DE SEGUNDO O TERCER ORDEN
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Desde un punto de vista matemaacutetico
GRADO 1 ndash 3 puntos GRADO 2 ndash 6 puntos GRADO 3 ndash 10 puntos
Seguacuten mis objetivos del trabajo no es conveniente utilizar esos miacutenimos
14 a 20 puntos (Landsat 5 MMS ndash seguacuten Bernstein R y D G Ferneyhough Jr 1978)
100 a 120 puntos (Landsat 7 TM ndash seguacuten el National Remote Sensing Center de Inglaterra)
10 o 12 puntos (Pequentildea zona de 512 x 512 pixeles ndash seguacuten Emilio Chuvieco 2010)
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
matemaacuteticamente UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
QUE DEBEMOS DE CONSIDERAR EN CUANTO A LA LOCALIZACIOacuteN
CLARAMENTE IDENTIFICABLES EN IMAGEN Y MAPA RASGOS HUMANOS DEL PAISAJE NO SUJETOS A DINAMISMO TEMPORAL
CRUCE DE CARRETERAS
CAMINOS VIacuteA FEacuteRREAS
NO CONSIDERAR ELEMENTOS ASOCIADOS AL AGUA
COSTA CURSOS DE AGUA
EMBALSES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
localizacioacuten TCP UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la correccioacuten digital de la geometriacutea de una imagen se realiza a partir de establecer unas funciones que relacionen las coordenadas de la imagen
y las coordenadas del mapa
EJ CASO MAS SIMPLE REGRESIOacuteN LINEAL MUacuteLTIPLE
ci = a0 + a1 Xi + a2 Yi li = b0 + b1 Xi + b2 Yi
EN LA PRAacuteCTICA BASTA UNA FUNCIOacuteN LINEAL PARA ABORDAR UN GRAN NUacuteMERO DE
TRANSFORMACIONES Y SON SUFICIENTES SI LAS IMAacuteGENES NO SON MUY GRANDES ANTE LA NECESIDAD DE OTRAS TRANSFORMACIONES SE UTILIZAN DE 2ordm y 3ordm ORDEN CONSIDERANDO ALTERACIONES GEOMEacuteTRICAS NO LINEALES (FUNCIONES QUE NO SE DEFINEN EN UN PLANO
CON EJES LINEALES SINO QUE SUPERFICIES CON EJES CURVILIacuteNEOS)
LOS COEFICIENTES DE LAS FUNCIONES DE TRANSFORMACIOacuteN SE CALCULAN A PARTIR DE UN AJUSTE POR MIacuteNIMOS CUADRADOS
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
funciones de transformacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash ejemplos de funciones de transformacioacuten geomeacutetrica con el efecto causado
TRASLACIOacuteN
CAMBIO DE ESCALA
INCLINACIOacuteN
PERSPECTIVA
ROTACIOacuteN
x = a0 + xacute y = b0 + yacute
x = xacute + a2 yacute y = yacute
x = a1 xacute y = b1 yacute
x = a3xacute yacute y = yacute
x = a4xacute + a5yacute y = b4xacute + b5yacute a4 = b5 = cos Ɵ a5 = -b4 = sen Ɵ
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
transformacioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
comparacioacuten coordenadas reales y las estimadas por la regresioacuten
el promedio de los residuales se conoce como error medio cuadraacutetico
la calidad del ajuste lo da el RMSE (root mean squared error)
(error medio cuadraacutetico)
RMSE es la raiacutez cuadrada de las desviaciones entre los valores reales y los
calculados
RMSE para cada punto es la raiacutez de los residuales al cuadrado que es la distancia entre ellos
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
RMSE UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la praacutectica hace que fijemos una TOLERANCIA y es que si ese promedio supera un valor fijado previamente haya que rever
el valor fijado previamente generalmente es igual o menor a un PIXEL
una correcta verificacioacuten
NECESITA introducir PUNTOS de VERIFICACIOacuteN
que no hayan sido introducidos en el ajuste
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
tolerancias fijadas
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
traducimos coordenadas de un mapa a la imagen tambieacuten necesitamos a la nueva imagen
TRANSFERIR LOS VALORES DIGITALES no olvidar que lo que queremos es generar una nueva imagen que se
corresponda con las coordenadas y las funciones de ajuste
NO ORIGINAN NUEVA IMAGEN solo colocan a los pixeles en la posicioacuten correcta
en criollo las funciones de transformacioacuten generan una nueva matriz bien posicionada pero vaciacutea
DEBEMOS LLENAR LA MATRIZ problema maacutes complejo de lo que puede
pensarse Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
generacioacuten de la nueva imaacutegen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
cada pixel de la imagen corregida se corresponderiacutea con un pixel de la imagen original
LEJOS DE ESE IDEAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo I
vecino maacutes proacuteximo ( nearest neighbour )
a cada celda de la imagen corregida se asigna el ND del pixel maacutes cercano de la
imagen original
SOLUCIOacuteN RAacutePIDA MENOR DISTORSIOacuteN DE LOS ND
INTRODUCE RASGOS LINEALES QUE DISTORSIONAN
CORRECCIOacuteN DE IMAacuteGENES CLASIFICADAS
CONSERVAR LA RADIOMETRIacuteA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo II
interpolacioacuten bilineal ( bilinear interpolation )
supone promediar los ND de los cuatro pixeles mas cercanos
con ponderacioacuten seguacuten la distancia pixeles originalcorregido
REDUCE EL EFECTO DE DISTORSIOacuteN EN RASGOS LINEALES
TIENDE A DIFUMINAR LOS CONTRASTES ESPACIALES
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE IMAacuteGENES RECTIFICADAS MAPAS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo III
convolusioacuten cuacutebica ( cubic convolution )
supone considerar los ND de los 16 pixeles mas proacuteximos
media ponderada seguacuten la distancia pixeles originalcorregido
EFECTO VISUAL MAS CORRECTO
VOLUacuteMEN DE CAacuteLCULO MUY SUPERIOR TENDENCIA A AGUDIZAR BORDES DE LA IMAGEN
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE ORTOIMAacuteGENES IMPRESIONES DE CALIDAD
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash Croquis ilustrativos de apoyo
TERRENO O ZONAS PLANAS CON IMG OBTENIDAS POR UN SENSOR DE ESTRECHA VISIOacuteN DE CAMPO
TRANSFORMACIOacuteN
BASADO EN ECUACIONES LINEALES SIMPLES
TERRENO ESCARPADO O RUGOSO O UTILIZACIOacuteN DE IMG OBTENIDAS EN UN SENSOR CON VARIACIONES EN LAS CONDICIONES DE OBSERVACIOacuteN
TRANSFORMACIOacuteN MAacuteS COMPLEJA
POLINOMIOS DE SEGUNDO O TERCER ORDEN
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Desde un punto de vista matemaacutetico
GRADO 1 ndash 3 puntos GRADO 2 ndash 6 puntos GRADO 3 ndash 10 puntos
Seguacuten mis objetivos del trabajo no es conveniente utilizar esos miacutenimos
14 a 20 puntos (Landsat 5 MMS ndash seguacuten Bernstein R y D G Ferneyhough Jr 1978)
100 a 120 puntos (Landsat 7 TM ndash seguacuten el National Remote Sensing Center de Inglaterra)
10 o 12 puntos (Pequentildea zona de 512 x 512 pixeles ndash seguacuten Emilio Chuvieco 2010)
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
matemaacuteticamente UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
QUE DEBEMOS DE CONSIDERAR EN CUANTO A LA LOCALIZACIOacuteN
CLARAMENTE IDENTIFICABLES EN IMAGEN Y MAPA RASGOS HUMANOS DEL PAISAJE NO SUJETOS A DINAMISMO TEMPORAL
CRUCE DE CARRETERAS
CAMINOS VIacuteA FEacuteRREAS
NO CONSIDERAR ELEMENTOS ASOCIADOS AL AGUA
COSTA CURSOS DE AGUA
EMBALSES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
localizacioacuten TCP UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la correccioacuten digital de la geometriacutea de una imagen se realiza a partir de establecer unas funciones que relacionen las coordenadas de la imagen
y las coordenadas del mapa
EJ CASO MAS SIMPLE REGRESIOacuteN LINEAL MUacuteLTIPLE
ci = a0 + a1 Xi + a2 Yi li = b0 + b1 Xi + b2 Yi
EN LA PRAacuteCTICA BASTA UNA FUNCIOacuteN LINEAL PARA ABORDAR UN GRAN NUacuteMERO DE
TRANSFORMACIONES Y SON SUFICIENTES SI LAS IMAacuteGENES NO SON MUY GRANDES ANTE LA NECESIDAD DE OTRAS TRANSFORMACIONES SE UTILIZAN DE 2ordm y 3ordm ORDEN CONSIDERANDO ALTERACIONES GEOMEacuteTRICAS NO LINEALES (FUNCIONES QUE NO SE DEFINEN EN UN PLANO
CON EJES LINEALES SINO QUE SUPERFICIES CON EJES CURVILIacuteNEOS)
LOS COEFICIENTES DE LAS FUNCIONES DE TRANSFORMACIOacuteN SE CALCULAN A PARTIR DE UN AJUSTE POR MIacuteNIMOS CUADRADOS
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
funciones de transformacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash ejemplos de funciones de transformacioacuten geomeacutetrica con el efecto causado
TRASLACIOacuteN
CAMBIO DE ESCALA
INCLINACIOacuteN
PERSPECTIVA
ROTACIOacuteN
x = a0 + xacute y = b0 + yacute
x = xacute + a2 yacute y = yacute
x = a1 xacute y = b1 yacute
x = a3xacute yacute y = yacute
x = a4xacute + a5yacute y = b4xacute + b5yacute a4 = b5 = cos Ɵ a5 = -b4 = sen Ɵ
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
transformacioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
comparacioacuten coordenadas reales y las estimadas por la regresioacuten
el promedio de los residuales se conoce como error medio cuadraacutetico
la calidad del ajuste lo da el RMSE (root mean squared error)
(error medio cuadraacutetico)
RMSE es la raiacutez cuadrada de las desviaciones entre los valores reales y los
calculados
RMSE para cada punto es la raiacutez de los residuales al cuadrado que es la distancia entre ellos
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
RMSE UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la praacutectica hace que fijemos una TOLERANCIA y es que si ese promedio supera un valor fijado previamente haya que rever
el valor fijado previamente generalmente es igual o menor a un PIXEL
una correcta verificacioacuten
NECESITA introducir PUNTOS de VERIFICACIOacuteN
que no hayan sido introducidos en el ajuste
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
tolerancias fijadas
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
traducimos coordenadas de un mapa a la imagen tambieacuten necesitamos a la nueva imagen
TRANSFERIR LOS VALORES DIGITALES no olvidar que lo que queremos es generar una nueva imagen que se
corresponda con las coordenadas y las funciones de ajuste
NO ORIGINAN NUEVA IMAGEN solo colocan a los pixeles en la posicioacuten correcta
en criollo las funciones de transformacioacuten generan una nueva matriz bien posicionada pero vaciacutea
DEBEMOS LLENAR LA MATRIZ problema maacutes complejo de lo que puede
pensarse Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
generacioacuten de la nueva imaacutegen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
cada pixel de la imagen corregida se corresponderiacutea con un pixel de la imagen original
LEJOS DE ESE IDEAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo I
vecino maacutes proacuteximo ( nearest neighbour )
a cada celda de la imagen corregida se asigna el ND del pixel maacutes cercano de la
imagen original
SOLUCIOacuteN RAacutePIDA MENOR DISTORSIOacuteN DE LOS ND
INTRODUCE RASGOS LINEALES QUE DISTORSIONAN
CORRECCIOacuteN DE IMAacuteGENES CLASIFICADAS
CONSERVAR LA RADIOMETRIacuteA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo II
interpolacioacuten bilineal ( bilinear interpolation )
supone promediar los ND de los cuatro pixeles mas cercanos
con ponderacioacuten seguacuten la distancia pixeles originalcorregido
REDUCE EL EFECTO DE DISTORSIOacuteN EN RASGOS LINEALES
TIENDE A DIFUMINAR LOS CONTRASTES ESPACIALES
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE IMAacuteGENES RECTIFICADAS MAPAS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo III
convolusioacuten cuacutebica ( cubic convolution )
supone considerar los ND de los 16 pixeles mas proacuteximos
media ponderada seguacuten la distancia pixeles originalcorregido
EFECTO VISUAL MAS CORRECTO
VOLUacuteMEN DE CAacuteLCULO MUY SUPERIOR TENDENCIA A AGUDIZAR BORDES DE LA IMAGEN
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE ORTOIMAacuteGENES IMPRESIONES DE CALIDAD
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Desde un punto de vista matemaacutetico
GRADO 1 ndash 3 puntos GRADO 2 ndash 6 puntos GRADO 3 ndash 10 puntos
Seguacuten mis objetivos del trabajo no es conveniente utilizar esos miacutenimos
14 a 20 puntos (Landsat 5 MMS ndash seguacuten Bernstein R y D G Ferneyhough Jr 1978)
100 a 120 puntos (Landsat 7 TM ndash seguacuten el National Remote Sensing Center de Inglaterra)
10 o 12 puntos (Pequentildea zona de 512 x 512 pixeles ndash seguacuten Emilio Chuvieco 2010)
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
matemaacuteticamente UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
QUE DEBEMOS DE CONSIDERAR EN CUANTO A LA LOCALIZACIOacuteN
CLARAMENTE IDENTIFICABLES EN IMAGEN Y MAPA RASGOS HUMANOS DEL PAISAJE NO SUJETOS A DINAMISMO TEMPORAL
CRUCE DE CARRETERAS
CAMINOS VIacuteA FEacuteRREAS
NO CONSIDERAR ELEMENTOS ASOCIADOS AL AGUA
COSTA CURSOS DE AGUA
EMBALSES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
localizacioacuten TCP UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la correccioacuten digital de la geometriacutea de una imagen se realiza a partir de establecer unas funciones que relacionen las coordenadas de la imagen
y las coordenadas del mapa
EJ CASO MAS SIMPLE REGRESIOacuteN LINEAL MUacuteLTIPLE
ci = a0 + a1 Xi + a2 Yi li = b0 + b1 Xi + b2 Yi
EN LA PRAacuteCTICA BASTA UNA FUNCIOacuteN LINEAL PARA ABORDAR UN GRAN NUacuteMERO DE
TRANSFORMACIONES Y SON SUFICIENTES SI LAS IMAacuteGENES NO SON MUY GRANDES ANTE LA NECESIDAD DE OTRAS TRANSFORMACIONES SE UTILIZAN DE 2ordm y 3ordm ORDEN CONSIDERANDO ALTERACIONES GEOMEacuteTRICAS NO LINEALES (FUNCIONES QUE NO SE DEFINEN EN UN PLANO
CON EJES LINEALES SINO QUE SUPERFICIES CON EJES CURVILIacuteNEOS)
LOS COEFICIENTES DE LAS FUNCIONES DE TRANSFORMACIOacuteN SE CALCULAN A PARTIR DE UN AJUSTE POR MIacuteNIMOS CUADRADOS
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
funciones de transformacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash ejemplos de funciones de transformacioacuten geomeacutetrica con el efecto causado
TRASLACIOacuteN
CAMBIO DE ESCALA
INCLINACIOacuteN
PERSPECTIVA
ROTACIOacuteN
x = a0 + xacute y = b0 + yacute
x = xacute + a2 yacute y = yacute
x = a1 xacute y = b1 yacute
x = a3xacute yacute y = yacute
x = a4xacute + a5yacute y = b4xacute + b5yacute a4 = b5 = cos Ɵ a5 = -b4 = sen Ɵ
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
transformacioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
comparacioacuten coordenadas reales y las estimadas por la regresioacuten
el promedio de los residuales se conoce como error medio cuadraacutetico
la calidad del ajuste lo da el RMSE (root mean squared error)
(error medio cuadraacutetico)
RMSE es la raiacutez cuadrada de las desviaciones entre los valores reales y los
calculados
RMSE para cada punto es la raiacutez de los residuales al cuadrado que es la distancia entre ellos
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
RMSE UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la praacutectica hace que fijemos una TOLERANCIA y es que si ese promedio supera un valor fijado previamente haya que rever
el valor fijado previamente generalmente es igual o menor a un PIXEL
una correcta verificacioacuten
NECESITA introducir PUNTOS de VERIFICACIOacuteN
que no hayan sido introducidos en el ajuste
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
tolerancias fijadas
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
traducimos coordenadas de un mapa a la imagen tambieacuten necesitamos a la nueva imagen
TRANSFERIR LOS VALORES DIGITALES no olvidar que lo que queremos es generar una nueva imagen que se
corresponda con las coordenadas y las funciones de ajuste
NO ORIGINAN NUEVA IMAGEN solo colocan a los pixeles en la posicioacuten correcta
en criollo las funciones de transformacioacuten generan una nueva matriz bien posicionada pero vaciacutea
DEBEMOS LLENAR LA MATRIZ problema maacutes complejo de lo que puede
pensarse Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
generacioacuten de la nueva imaacutegen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
cada pixel de la imagen corregida se corresponderiacutea con un pixel de la imagen original
LEJOS DE ESE IDEAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo I
vecino maacutes proacuteximo ( nearest neighbour )
a cada celda de la imagen corregida se asigna el ND del pixel maacutes cercano de la
imagen original
SOLUCIOacuteN RAacutePIDA MENOR DISTORSIOacuteN DE LOS ND
INTRODUCE RASGOS LINEALES QUE DISTORSIONAN
CORRECCIOacuteN DE IMAacuteGENES CLASIFICADAS
CONSERVAR LA RADIOMETRIacuteA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo II
interpolacioacuten bilineal ( bilinear interpolation )
supone promediar los ND de los cuatro pixeles mas cercanos
con ponderacioacuten seguacuten la distancia pixeles originalcorregido
REDUCE EL EFECTO DE DISTORSIOacuteN EN RASGOS LINEALES
TIENDE A DIFUMINAR LOS CONTRASTES ESPACIALES
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE IMAacuteGENES RECTIFICADAS MAPAS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo III
convolusioacuten cuacutebica ( cubic convolution )
supone considerar los ND de los 16 pixeles mas proacuteximos
media ponderada seguacuten la distancia pixeles originalcorregido
EFECTO VISUAL MAS CORRECTO
VOLUacuteMEN DE CAacuteLCULO MUY SUPERIOR TENDENCIA A AGUDIZAR BORDES DE LA IMAGEN
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE ORTOIMAacuteGENES IMPRESIONES DE CALIDAD
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
QUE DEBEMOS DE CONSIDERAR EN CUANTO A LA LOCALIZACIOacuteN
CLARAMENTE IDENTIFICABLES EN IMAGEN Y MAPA RASGOS HUMANOS DEL PAISAJE NO SUJETOS A DINAMISMO TEMPORAL
CRUCE DE CARRETERAS
CAMINOS VIacuteA FEacuteRREAS
NO CONSIDERAR ELEMENTOS ASOCIADOS AL AGUA
COSTA CURSOS DE AGUA
EMBALSES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
localizacioacuten TCP UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la correccioacuten digital de la geometriacutea de una imagen se realiza a partir de establecer unas funciones que relacionen las coordenadas de la imagen
y las coordenadas del mapa
EJ CASO MAS SIMPLE REGRESIOacuteN LINEAL MUacuteLTIPLE
ci = a0 + a1 Xi + a2 Yi li = b0 + b1 Xi + b2 Yi
EN LA PRAacuteCTICA BASTA UNA FUNCIOacuteN LINEAL PARA ABORDAR UN GRAN NUacuteMERO DE
TRANSFORMACIONES Y SON SUFICIENTES SI LAS IMAacuteGENES NO SON MUY GRANDES ANTE LA NECESIDAD DE OTRAS TRANSFORMACIONES SE UTILIZAN DE 2ordm y 3ordm ORDEN CONSIDERANDO ALTERACIONES GEOMEacuteTRICAS NO LINEALES (FUNCIONES QUE NO SE DEFINEN EN UN PLANO
CON EJES LINEALES SINO QUE SUPERFICIES CON EJES CURVILIacuteNEOS)
LOS COEFICIENTES DE LAS FUNCIONES DE TRANSFORMACIOacuteN SE CALCULAN A PARTIR DE UN AJUSTE POR MIacuteNIMOS CUADRADOS
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
funciones de transformacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash ejemplos de funciones de transformacioacuten geomeacutetrica con el efecto causado
TRASLACIOacuteN
CAMBIO DE ESCALA
INCLINACIOacuteN
PERSPECTIVA
ROTACIOacuteN
x = a0 + xacute y = b0 + yacute
x = xacute + a2 yacute y = yacute
x = a1 xacute y = b1 yacute
x = a3xacute yacute y = yacute
x = a4xacute + a5yacute y = b4xacute + b5yacute a4 = b5 = cos Ɵ a5 = -b4 = sen Ɵ
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
transformacioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
comparacioacuten coordenadas reales y las estimadas por la regresioacuten
el promedio de los residuales se conoce como error medio cuadraacutetico
la calidad del ajuste lo da el RMSE (root mean squared error)
(error medio cuadraacutetico)
RMSE es la raiacutez cuadrada de las desviaciones entre los valores reales y los
calculados
RMSE para cada punto es la raiacutez de los residuales al cuadrado que es la distancia entre ellos
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
RMSE UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la praacutectica hace que fijemos una TOLERANCIA y es que si ese promedio supera un valor fijado previamente haya que rever
el valor fijado previamente generalmente es igual o menor a un PIXEL
una correcta verificacioacuten
NECESITA introducir PUNTOS de VERIFICACIOacuteN
que no hayan sido introducidos en el ajuste
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
tolerancias fijadas
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
traducimos coordenadas de un mapa a la imagen tambieacuten necesitamos a la nueva imagen
TRANSFERIR LOS VALORES DIGITALES no olvidar que lo que queremos es generar una nueva imagen que se
corresponda con las coordenadas y las funciones de ajuste
NO ORIGINAN NUEVA IMAGEN solo colocan a los pixeles en la posicioacuten correcta
en criollo las funciones de transformacioacuten generan una nueva matriz bien posicionada pero vaciacutea
DEBEMOS LLENAR LA MATRIZ problema maacutes complejo de lo que puede
pensarse Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
generacioacuten de la nueva imaacutegen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
cada pixel de la imagen corregida se corresponderiacutea con un pixel de la imagen original
LEJOS DE ESE IDEAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo I
vecino maacutes proacuteximo ( nearest neighbour )
a cada celda de la imagen corregida se asigna el ND del pixel maacutes cercano de la
imagen original
SOLUCIOacuteN RAacutePIDA MENOR DISTORSIOacuteN DE LOS ND
INTRODUCE RASGOS LINEALES QUE DISTORSIONAN
CORRECCIOacuteN DE IMAacuteGENES CLASIFICADAS
CONSERVAR LA RADIOMETRIacuteA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo II
interpolacioacuten bilineal ( bilinear interpolation )
supone promediar los ND de los cuatro pixeles mas cercanos
con ponderacioacuten seguacuten la distancia pixeles originalcorregido
REDUCE EL EFECTO DE DISTORSIOacuteN EN RASGOS LINEALES
TIENDE A DIFUMINAR LOS CONTRASTES ESPACIALES
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE IMAacuteGENES RECTIFICADAS MAPAS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo III
convolusioacuten cuacutebica ( cubic convolution )
supone considerar los ND de los 16 pixeles mas proacuteximos
media ponderada seguacuten la distancia pixeles originalcorregido
EFECTO VISUAL MAS CORRECTO
VOLUacuteMEN DE CAacuteLCULO MUY SUPERIOR TENDENCIA A AGUDIZAR BORDES DE LA IMAGEN
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE ORTOIMAacuteGENES IMPRESIONES DE CALIDAD
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la correccioacuten digital de la geometriacutea de una imagen se realiza a partir de establecer unas funciones que relacionen las coordenadas de la imagen
y las coordenadas del mapa
EJ CASO MAS SIMPLE REGRESIOacuteN LINEAL MUacuteLTIPLE
ci = a0 + a1 Xi + a2 Yi li = b0 + b1 Xi + b2 Yi
EN LA PRAacuteCTICA BASTA UNA FUNCIOacuteN LINEAL PARA ABORDAR UN GRAN NUacuteMERO DE
TRANSFORMACIONES Y SON SUFICIENTES SI LAS IMAacuteGENES NO SON MUY GRANDES ANTE LA NECESIDAD DE OTRAS TRANSFORMACIONES SE UTILIZAN DE 2ordm y 3ordm ORDEN CONSIDERANDO ALTERACIONES GEOMEacuteTRICAS NO LINEALES (FUNCIONES QUE NO SE DEFINEN EN UN PLANO
CON EJES LINEALES SINO QUE SUPERFICIES CON EJES CURVILIacuteNEOS)
LOS COEFICIENTES DE LAS FUNCIONES DE TRANSFORMACIOacuteN SE CALCULAN A PARTIR DE UN AJUSTE POR MIacuteNIMOS CUADRADOS
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
funciones de transformacioacuten
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash ejemplos de funciones de transformacioacuten geomeacutetrica con el efecto causado
TRASLACIOacuteN
CAMBIO DE ESCALA
INCLINACIOacuteN
PERSPECTIVA
ROTACIOacuteN
x = a0 + xacute y = b0 + yacute
x = xacute + a2 yacute y = yacute
x = a1 xacute y = b1 yacute
x = a3xacute yacute y = yacute
x = a4xacute + a5yacute y = b4xacute + b5yacute a4 = b5 = cos Ɵ a5 = -b4 = sen Ɵ
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
transformacioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
comparacioacuten coordenadas reales y las estimadas por la regresioacuten
el promedio de los residuales se conoce como error medio cuadraacutetico
la calidad del ajuste lo da el RMSE (root mean squared error)
(error medio cuadraacutetico)
RMSE es la raiacutez cuadrada de las desviaciones entre los valores reales y los
calculados
RMSE para cada punto es la raiacutez de los residuales al cuadrado que es la distancia entre ellos
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
RMSE UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la praacutectica hace que fijemos una TOLERANCIA y es que si ese promedio supera un valor fijado previamente haya que rever
el valor fijado previamente generalmente es igual o menor a un PIXEL
una correcta verificacioacuten
NECESITA introducir PUNTOS de VERIFICACIOacuteN
que no hayan sido introducidos en el ajuste
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
tolerancias fijadas
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
traducimos coordenadas de un mapa a la imagen tambieacuten necesitamos a la nueva imagen
TRANSFERIR LOS VALORES DIGITALES no olvidar que lo que queremos es generar una nueva imagen que se
corresponda con las coordenadas y las funciones de ajuste
NO ORIGINAN NUEVA IMAGEN solo colocan a los pixeles en la posicioacuten correcta
en criollo las funciones de transformacioacuten generan una nueva matriz bien posicionada pero vaciacutea
DEBEMOS LLENAR LA MATRIZ problema maacutes complejo de lo que puede
pensarse Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
generacioacuten de la nueva imaacutegen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
cada pixel de la imagen corregida se corresponderiacutea con un pixel de la imagen original
LEJOS DE ESE IDEAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo I
vecino maacutes proacuteximo ( nearest neighbour )
a cada celda de la imagen corregida se asigna el ND del pixel maacutes cercano de la
imagen original
SOLUCIOacuteN RAacutePIDA MENOR DISTORSIOacuteN DE LOS ND
INTRODUCE RASGOS LINEALES QUE DISTORSIONAN
CORRECCIOacuteN DE IMAacuteGENES CLASIFICADAS
CONSERVAR LA RADIOMETRIacuteA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo II
interpolacioacuten bilineal ( bilinear interpolation )
supone promediar los ND de los cuatro pixeles mas cercanos
con ponderacioacuten seguacuten la distancia pixeles originalcorregido
REDUCE EL EFECTO DE DISTORSIOacuteN EN RASGOS LINEALES
TIENDE A DIFUMINAR LOS CONTRASTES ESPACIALES
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE IMAacuteGENES RECTIFICADAS MAPAS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo III
convolusioacuten cuacutebica ( cubic convolution )
supone considerar los ND de los 16 pixeles mas proacuteximos
media ponderada seguacuten la distancia pixeles originalcorregido
EFECTO VISUAL MAS CORRECTO
VOLUacuteMEN DE CAacuteLCULO MUY SUPERIOR TENDENCIA A AGUDIZAR BORDES DE LA IMAGEN
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE ORTOIMAacuteGENES IMPRESIONES DE CALIDAD
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Figura ndash ejemplos de funciones de transformacioacuten geomeacutetrica con el efecto causado
TRASLACIOacuteN
CAMBIO DE ESCALA
INCLINACIOacuteN
PERSPECTIVA
ROTACIOacuteN
x = a0 + xacute y = b0 + yacute
x = xacute + a2 yacute y = yacute
x = a1 xacute y = b1 yacute
x = a3xacute yacute y = yacute
x = a4xacute + a5yacute y = b4xacute + b5yacute a4 = b5 = cos Ɵ a5 = -b4 = sen Ɵ
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
transformacioacuten geomeacutetrica
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
comparacioacuten coordenadas reales y las estimadas por la regresioacuten
el promedio de los residuales se conoce como error medio cuadraacutetico
la calidad del ajuste lo da el RMSE (root mean squared error)
(error medio cuadraacutetico)
RMSE es la raiacutez cuadrada de las desviaciones entre los valores reales y los
calculados
RMSE para cada punto es la raiacutez de los residuales al cuadrado que es la distancia entre ellos
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
RMSE UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la praacutectica hace que fijemos una TOLERANCIA y es que si ese promedio supera un valor fijado previamente haya que rever
el valor fijado previamente generalmente es igual o menor a un PIXEL
una correcta verificacioacuten
NECESITA introducir PUNTOS de VERIFICACIOacuteN
que no hayan sido introducidos en el ajuste
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
tolerancias fijadas
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
traducimos coordenadas de un mapa a la imagen tambieacuten necesitamos a la nueva imagen
TRANSFERIR LOS VALORES DIGITALES no olvidar que lo que queremos es generar una nueva imagen que se
corresponda con las coordenadas y las funciones de ajuste
NO ORIGINAN NUEVA IMAGEN solo colocan a los pixeles en la posicioacuten correcta
en criollo las funciones de transformacioacuten generan una nueva matriz bien posicionada pero vaciacutea
DEBEMOS LLENAR LA MATRIZ problema maacutes complejo de lo que puede
pensarse Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
generacioacuten de la nueva imaacutegen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
cada pixel de la imagen corregida se corresponderiacutea con un pixel de la imagen original
LEJOS DE ESE IDEAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo I
vecino maacutes proacuteximo ( nearest neighbour )
a cada celda de la imagen corregida se asigna el ND del pixel maacutes cercano de la
imagen original
SOLUCIOacuteN RAacutePIDA MENOR DISTORSIOacuteN DE LOS ND
INTRODUCE RASGOS LINEALES QUE DISTORSIONAN
CORRECCIOacuteN DE IMAacuteGENES CLASIFICADAS
CONSERVAR LA RADIOMETRIacuteA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo II
interpolacioacuten bilineal ( bilinear interpolation )
supone promediar los ND de los cuatro pixeles mas cercanos
con ponderacioacuten seguacuten la distancia pixeles originalcorregido
REDUCE EL EFECTO DE DISTORSIOacuteN EN RASGOS LINEALES
TIENDE A DIFUMINAR LOS CONTRASTES ESPACIALES
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE IMAacuteGENES RECTIFICADAS MAPAS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo III
convolusioacuten cuacutebica ( cubic convolution )
supone considerar los ND de los 16 pixeles mas proacuteximos
media ponderada seguacuten la distancia pixeles originalcorregido
EFECTO VISUAL MAS CORRECTO
VOLUacuteMEN DE CAacuteLCULO MUY SUPERIOR TENDENCIA A AGUDIZAR BORDES DE LA IMAGEN
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE ORTOIMAacuteGENES IMPRESIONES DE CALIDAD
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
comparacioacuten coordenadas reales y las estimadas por la regresioacuten
el promedio de los residuales se conoce como error medio cuadraacutetico
la calidad del ajuste lo da el RMSE (root mean squared error)
(error medio cuadraacutetico)
RMSE es la raiacutez cuadrada de las desviaciones entre los valores reales y los
calculados
RMSE para cada punto es la raiacutez de los residuales al cuadrado que es la distancia entre ellos
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
RMSE UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la praacutectica hace que fijemos una TOLERANCIA y es que si ese promedio supera un valor fijado previamente haya que rever
el valor fijado previamente generalmente es igual o menor a un PIXEL
una correcta verificacioacuten
NECESITA introducir PUNTOS de VERIFICACIOacuteN
que no hayan sido introducidos en el ajuste
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
tolerancias fijadas
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
traducimos coordenadas de un mapa a la imagen tambieacuten necesitamos a la nueva imagen
TRANSFERIR LOS VALORES DIGITALES no olvidar que lo que queremos es generar una nueva imagen que se
corresponda con las coordenadas y las funciones de ajuste
NO ORIGINAN NUEVA IMAGEN solo colocan a los pixeles en la posicioacuten correcta
en criollo las funciones de transformacioacuten generan una nueva matriz bien posicionada pero vaciacutea
DEBEMOS LLENAR LA MATRIZ problema maacutes complejo de lo que puede
pensarse Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
generacioacuten de la nueva imaacutegen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
cada pixel de la imagen corregida se corresponderiacutea con un pixel de la imagen original
LEJOS DE ESE IDEAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo I
vecino maacutes proacuteximo ( nearest neighbour )
a cada celda de la imagen corregida se asigna el ND del pixel maacutes cercano de la
imagen original
SOLUCIOacuteN RAacutePIDA MENOR DISTORSIOacuteN DE LOS ND
INTRODUCE RASGOS LINEALES QUE DISTORSIONAN
CORRECCIOacuteN DE IMAacuteGENES CLASIFICADAS
CONSERVAR LA RADIOMETRIacuteA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo II
interpolacioacuten bilineal ( bilinear interpolation )
supone promediar los ND de los cuatro pixeles mas cercanos
con ponderacioacuten seguacuten la distancia pixeles originalcorregido
REDUCE EL EFECTO DE DISTORSIOacuteN EN RASGOS LINEALES
TIENDE A DIFUMINAR LOS CONTRASTES ESPACIALES
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE IMAacuteGENES RECTIFICADAS MAPAS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo III
convolusioacuten cuacutebica ( cubic convolution )
supone considerar los ND de los 16 pixeles mas proacuteximos
media ponderada seguacuten la distancia pixeles originalcorregido
EFECTO VISUAL MAS CORRECTO
VOLUacuteMEN DE CAacuteLCULO MUY SUPERIOR TENDENCIA A AGUDIZAR BORDES DE LA IMAGEN
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE ORTOIMAacuteGENES IMPRESIONES DE CALIDAD
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
la praacutectica hace que fijemos una TOLERANCIA y es que si ese promedio supera un valor fijado previamente haya que rever
el valor fijado previamente generalmente es igual o menor a un PIXEL
una correcta verificacioacuten
NECESITA introducir PUNTOS de VERIFICACIOacuteN
que no hayan sido introducidos en el ajuste
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
EVALUACIOacuteN DE LA CORRECCIOacuteN
ENTENDIENDO LAS IMAacuteGENES
tolerancias fijadas
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
traducimos coordenadas de un mapa a la imagen tambieacuten necesitamos a la nueva imagen
TRANSFERIR LOS VALORES DIGITALES no olvidar que lo que queremos es generar una nueva imagen que se
corresponda con las coordenadas y las funciones de ajuste
NO ORIGINAN NUEVA IMAGEN solo colocan a los pixeles en la posicioacuten correcta
en criollo las funciones de transformacioacuten generan una nueva matriz bien posicionada pero vaciacutea
DEBEMOS LLENAR LA MATRIZ problema maacutes complejo de lo que puede
pensarse Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
generacioacuten de la nueva imaacutegen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
cada pixel de la imagen corregida se corresponderiacutea con un pixel de la imagen original
LEJOS DE ESE IDEAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo I
vecino maacutes proacuteximo ( nearest neighbour )
a cada celda de la imagen corregida se asigna el ND del pixel maacutes cercano de la
imagen original
SOLUCIOacuteN RAacutePIDA MENOR DISTORSIOacuteN DE LOS ND
INTRODUCE RASGOS LINEALES QUE DISTORSIONAN
CORRECCIOacuteN DE IMAacuteGENES CLASIFICADAS
CONSERVAR LA RADIOMETRIacuteA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo II
interpolacioacuten bilineal ( bilinear interpolation )
supone promediar los ND de los cuatro pixeles mas cercanos
con ponderacioacuten seguacuten la distancia pixeles originalcorregido
REDUCE EL EFECTO DE DISTORSIOacuteN EN RASGOS LINEALES
TIENDE A DIFUMINAR LOS CONTRASTES ESPACIALES
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE IMAacuteGENES RECTIFICADAS MAPAS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo III
convolusioacuten cuacutebica ( cubic convolution )
supone considerar los ND de los 16 pixeles mas proacuteximos
media ponderada seguacuten la distancia pixeles originalcorregido
EFECTO VISUAL MAS CORRECTO
VOLUacuteMEN DE CAacuteLCULO MUY SUPERIOR TENDENCIA A AGUDIZAR BORDES DE LA IMAGEN
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE ORTOIMAacuteGENES IMPRESIONES DE CALIDAD
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
traducimos coordenadas de un mapa a la imagen tambieacuten necesitamos a la nueva imagen
TRANSFERIR LOS VALORES DIGITALES no olvidar que lo que queremos es generar una nueva imagen que se
corresponda con las coordenadas y las funciones de ajuste
NO ORIGINAN NUEVA IMAGEN solo colocan a los pixeles en la posicioacuten correcta
en criollo las funciones de transformacioacuten generan una nueva matriz bien posicionada pero vaciacutea
DEBEMOS LLENAR LA MATRIZ problema maacutes complejo de lo que puede
pensarse Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
generacioacuten de la nueva imaacutegen
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
cada pixel de la imagen corregida se corresponderiacutea con un pixel de la imagen original
LEJOS DE ESE IDEAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo I
vecino maacutes proacuteximo ( nearest neighbour )
a cada celda de la imagen corregida se asigna el ND del pixel maacutes cercano de la
imagen original
SOLUCIOacuteN RAacutePIDA MENOR DISTORSIOacuteN DE LOS ND
INTRODUCE RASGOS LINEALES QUE DISTORSIONAN
CORRECCIOacuteN DE IMAacuteGENES CLASIFICADAS
CONSERVAR LA RADIOMETRIacuteA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo II
interpolacioacuten bilineal ( bilinear interpolation )
supone promediar los ND de los cuatro pixeles mas cercanos
con ponderacioacuten seguacuten la distancia pixeles originalcorregido
REDUCE EL EFECTO DE DISTORSIOacuteN EN RASGOS LINEALES
TIENDE A DIFUMINAR LOS CONTRASTES ESPACIALES
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE IMAacuteGENES RECTIFICADAS MAPAS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo III
convolusioacuten cuacutebica ( cubic convolution )
supone considerar los ND de los 16 pixeles mas proacuteximos
media ponderada seguacuten la distancia pixeles originalcorregido
EFECTO VISUAL MAS CORRECTO
VOLUacuteMEN DE CAacuteLCULO MUY SUPERIOR TENDENCIA A AGUDIZAR BORDES DE LA IMAGEN
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE ORTOIMAacuteGENES IMPRESIONES DE CALIDAD
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
cada pixel de la imagen corregida se corresponderiacutea con un pixel de la imagen original
LEJOS DE ESE IDEAL
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE VALORES A LA NUEVA IMG
ENTENDIENDO LAS IMAacuteGENES
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo I
vecino maacutes proacuteximo ( nearest neighbour )
a cada celda de la imagen corregida se asigna el ND del pixel maacutes cercano de la
imagen original
SOLUCIOacuteN RAacutePIDA MENOR DISTORSIOacuteN DE LOS ND
INTRODUCE RASGOS LINEALES QUE DISTORSIONAN
CORRECCIOacuteN DE IMAacuteGENES CLASIFICADAS
CONSERVAR LA RADIOMETRIacuteA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo II
interpolacioacuten bilineal ( bilinear interpolation )
supone promediar los ND de los cuatro pixeles mas cercanos
con ponderacioacuten seguacuten la distancia pixeles originalcorregido
REDUCE EL EFECTO DE DISTORSIOacuteN EN RASGOS LINEALES
TIENDE A DIFUMINAR LOS CONTRASTES ESPACIALES
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE IMAacuteGENES RECTIFICADAS MAPAS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo III
convolusioacuten cuacutebica ( cubic convolution )
supone considerar los ND de los 16 pixeles mas proacuteximos
media ponderada seguacuten la distancia pixeles originalcorregido
EFECTO VISUAL MAS CORRECTO
VOLUacuteMEN DE CAacuteLCULO MUY SUPERIOR TENDENCIA A AGUDIZAR BORDES DE LA IMAGEN
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE ORTOIMAacuteGENES IMPRESIONES DE CALIDAD
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo I
vecino maacutes proacuteximo ( nearest neighbour )
a cada celda de la imagen corregida se asigna el ND del pixel maacutes cercano de la
imagen original
SOLUCIOacuteN RAacutePIDA MENOR DISTORSIOacuteN DE LOS ND
INTRODUCE RASGOS LINEALES QUE DISTORSIONAN
CORRECCIOacuteN DE IMAacuteGENES CLASIFICADAS
CONSERVAR LA RADIOMETRIacuteA
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo II
interpolacioacuten bilineal ( bilinear interpolation )
supone promediar los ND de los cuatro pixeles mas cercanos
con ponderacioacuten seguacuten la distancia pixeles originalcorregido
REDUCE EL EFECTO DE DISTORSIOacuteN EN RASGOS LINEALES
TIENDE A DIFUMINAR LOS CONTRASTES ESPACIALES
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE IMAacuteGENES RECTIFICADAS MAPAS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo III
convolusioacuten cuacutebica ( cubic convolution )
supone considerar los ND de los 16 pixeles mas proacuteximos
media ponderada seguacuten la distancia pixeles originalcorregido
EFECTO VISUAL MAS CORRECTO
VOLUacuteMEN DE CAacuteLCULO MUY SUPERIOR TENDENCIA A AGUDIZAR BORDES DE LA IMAGEN
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE ORTOIMAacuteGENES IMPRESIONES DE CALIDAD
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo II
interpolacioacuten bilineal ( bilinear interpolation )
supone promediar los ND de los cuatro pixeles mas cercanos
con ponderacioacuten seguacuten la distancia pixeles originalcorregido
REDUCE EL EFECTO DE DISTORSIOacuteN EN RASGOS LINEALES
TIENDE A DIFUMINAR LOS CONTRASTES ESPACIALES
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE IMAacuteGENES RECTIFICADAS MAPAS
UDELAR ndash FING ndash IA - CAPTURA DE DATOS POR PERCEPCIOacuteN REMOTA TCI24
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo III
convolusioacuten cuacutebica ( cubic convolution )
supone considerar los ND de los 16 pixeles mas proacuteximos
media ponderada seguacuten la distancia pixeles originalcorregido
EFECTO VISUAL MAS CORRECTO
VOLUacuteMEN DE CAacuteLCULO MUY SUPERIOR TENDENCIA A AGUDIZAR BORDES DE LA IMAGEN
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE ORTOIMAacuteGENES IMPRESIONES DE CALIDAD
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES
Prof
Adju
nto
Gdo
3 I
ng A
grim
Edis
on R
osas
ndash Pr
of A
siste
nte G
do 2
Edu
ardo
Vaacutes
quez
TRANSFERENCIA DE ND
ENTENDIENDO LAS IMAacuteGENES
meacutetodo III
convolusioacuten cuacutebica ( cubic convolution )
supone considerar los ND de los 16 pixeles mas proacuteximos
media ponderada seguacuten la distancia pixeles originalcorregido
EFECTO VISUAL MAS CORRECTO
VOLUacuteMEN DE CAacuteLCULO MUY SUPERIOR TENDENCIA A AGUDIZAR BORDES DE LA IMAGEN
CORRECCIOacuteN ORIENTADA AL ANAacuteLISIS VISUAL
GENERACIOacuteN DE ORTOIMAacuteGENES IMPRESIONES DE CALIDAD
MOacuteDULO IV ndash INTERPRETACIOacuteN DE IMAacuteGENES