PRACTICA ERDAS IMAGINE, CORRECCIN Y MEJORAMIENTO DE IMGENES

DE SATELITE

Presentado por:

ESTEBAN FELIPE CASTILLO JIMENEZ

COD: 201513593

DANIEL FELIPE MORALES RIVERA

COD: 201514199

UNIVERSIDAD PEDAGOGICA Y TECNOLOGICA DE COLOMBIA

SEDE SECCIONAL TUNJA

FACULTAD DE INGENIERIA

MAESTRA EN GEOTCNIA

REA DE SENSORES REMOTOS

TUNJA, BOYAC

29-05-2015

PRACTICA ERDAS IMAGINE, CORRECCIN Y MEJORAMIENTO DE

IMGENES DE SATELITE

Presentado por:

ESTEBAN FELIPE CASTILLO JIMENEZ

COD: 201513593

DANIEL FELIPE MORALES RIVERA

COD: 201514199

Presentado a

IC MSc Diana Catalina Muoz

UNIVERSIDAD PEDAGOGICA Y TECNOLOGICA DE COLOMBIA

SEDE SECCIONAL TUNJA

FACULTAD DE INGENIERIA

MAESTRIA EN GEOTCNIA

REA DE SENSORES REMOTOS

TUNJA, BOYAC

29-05-2015

OBJETIVOS

OBJETIVO GENERAL

El objetivo principal de esta prctica es el de familiarizar al estudiante con los tipos

de correccin y mtodos de mejoramientos de imgenes, conociendo as

caractersticas de los pixeles y distribucin de ND niveles digitales y su influencia

en la calidad de la imagen.

OBJETIVOS ESPECIFICOS

Realizar un anlisis estadstico unibanda de los pixeles y sus niveles

digitales ND, para calcular una combinacin de bandas ptima para facilitar

la clasificacin visual de coberturas.

Aplicar los diferentes mtodos de ajuste de contraste y establecer cul sera

la importancia para lograr una ptima diferenciacin de coberturas.

Aplicar diferentes filtros para el mejoramiento espacial y establecer cul de

ellos genera realces y mejoras sobre las imgenes, y cuales ayudan a una

ptima clasificacin de coberturas.

Realizar una agrupacin de niveles digitales ND para lograr distinguir las

diferentes coberturas.

Generar nuevas imgenes a partir de la aplicacin de algoritmos para el

clculo de ndices de vegetacin NVDI y TNVDI.

ANALISIS VISUAL DE IMGENES

DESPLIEGUE DE IMGENES EN DIFERENTES COMBINACIONES

TM FALSE COLOR IR (432) TM TRUE COLOR (321)

TM FALSE NATURAL COLOR (543) CUSTOM (742) PSEUDO NATURAL

El presente anlisis visual pretende corroborar cul de las diferentes

combinaciones de bandas es la mejor para distinguir entre las diversas coberturas

presentes, para nuestro parecer la combinacin TM FALSE NATURAL COLOR

(543) en la que la cobertura vegetal se expresa de un color verde claro y el suelo

de un caf claro, en esta combinacin se distingue claramente los bordes o lmites

de cada cobertura, una muy parecida a esta combinacin es la PSEUDO

NATURAL COLOR (742) se diferencian en que manejan tonos de colores ms

oscuros.

ANALISIS ESTADISTICO DE IMGENES

Este anlisis estadstico est basado en la informacin estadstica o informacin

numrica contenida en las diversas bandas o en el arreglo numrico de los

pixeles, una imagen est compuesta por una gran cantidad de pixeles los cuales

se encuentran distribuidos en forma de matrices o en filas y columnas, cada pixel

tiene asociado a l un registro numrico llamado ND o nmero digital, en el cual se

representa el brillo relativo de un rea determinada dentro de la imagen,

caracterstica que va de la mano de propiedades como la reflexin de energa,

emisin de energa, disposicin topogrfica, entre otros factores.

En este ejercicio se dispone a utilizar la informacin estadstica como la media,

desviacin estndar, valores que representan la medida central o valor medio, y

medidas de dispersin, representados en histogramas de frecuencia, mediante

estos datos se procede de calcular un factor de ndice optimo el cual nos indicara

que combinacin de bandas espectrales es la ms adecuada para distincin de las

coberturas.

BANDA MEDIA

DESV. ESTANDAR MIN MAX

B1 63.085 47.946 0 255

B2 29.598 28.522 0 255

B3 27.96 31.605 0 255

B4 41.611 46.929 0 255

B5 45.037 53.265 0 255

B6 100.3 64.756 0 178

B7 20.869 25.554 0 255

Cuadro 1. Informacin estadstica unibanda.

Cuadro 2. Matriz de coeficientes de correlacin

BANDA 1 2 3 4 5 6 7

1 1 0.9203 0.8629 0.636 0.635 0.7102 0.6888

2 0.9203 1 0.9719 0.7183 0.7299 0.5676 0.7886

3 0.8629 0.9719 1 0.7094 0.7724 0.4958 0.8475

4 0.636 0.7183 0.7094 1 0.8864 0.5165 0.7909

5 0.635 0.7299 0.7724 0.8864 1 0.5396 0.9539

6 0.7102 0.5676 0.4958 0.5165 0.5396 1 0.5115

7 0.6888 0.7886 0.8475 0.7909 0.9539 0.5115 1

CALCULO OIF

OIF =

N RGB SUMA D.

ESTANDAR SUMA COEF.

CORRELACION OIF COMBINACIN

1 321 108.073 2.7551 39.22653 TRUE COLOR

2 432 107.056 2.3996 44.6141 TM FALSE COLOR IR

3 543 131.799 2.3682 55.65366 TM FALSE NATURAL

COLOR

4 742 101.005 2.2978 43.95726 PSEUDO

NATURAL

Cuadro 3. Calculo de coeficientes OIF

Segn los resultados obtenidos del factor de ndice ptimo, el mayor factor

obtenido es de 55.65 correspondiente a la combinacin de bandas 543 (TM FALSE

NATURAL COLOR), indicando as que esta combinacin de bandas es la ms

adecuada para la identificacin y clasificacin de las diferentes coberturas en este

caso especfico, estudiando una imagen de satlite del Norte de la Guajira. Por

otra parte podemos concluir que este resultado es acorde con el estipulado en el

anlisis visual realizado al inicio de este trabajo.

EEJRCICIO 3: DENSITY SLICING

Como se mencion anteriormente las imgenes estn compuestas por un numero

de pixeles, y estos a su vez contienen un ND numero digital que los caracteriza,

este ejercicio pretende realizar una clasificacin o agrupacin de rangos de niveles

digitales asociados a las diferentes coberturas, asignando a estos rangos un color

especifico o un grupo de colores, para as distinguir las coberturas.

Imagen 1. Imagen satelital en Pseudo color cargada banda 4

Imagen 2. Imagen satelital aplicando el SLICE METHOD BY EQUAL AREAS

Imagen 3. Asignacin de rangos de colores por grupos de ND

Imagen 4. Agrupacin de ND segn coberturas

COBERTURA RANGO DE NIVELES DIGITALES

VEGETACIN 92 - 150

URBANO-SUELO 65 - 91

AGUA 5 - 64

REALCES Y MEJORAMIENTOS

AJUSTES DE CONTRASTES

Este ejercicio conlleva a familiarizarnos con los diversos mtodos que se pueden

aplicar a las imgenes para facilitar el anlisis visual, con esto ayudar a realizar

una mejor identificacin y clasificacin de las coberturas, simples y sencillos pasos

como el de ajustar el brillo y los contrastes de la imagen, u otros con mayor grado

de complejidad aplicando filtros, los cuales se basan en diferentes algoritmos.

Imagen 5. Imagen original combinacin 432 Imagen 6. Imagen aumentando contraste

Imagen 7. Distintos mtodos para ajustar contraste.

CONTRASTES GENERALES

A continuacin se muestra una secuencia de imgenes a las cuales se les ha

aplicado diferentes mtodos de ajuste de contrastes, para as identificar cul de

todos es el indicado para causar mejoramientos en la imagen.

Imagen 8. Imagen sin ajuste de contraste.

Imagen 9. RESULTADO AJUSTE DE CONTRASTE POR EL METODO HISTOGRAM

EQUALIZATION

Imagen 10. RESULTADO AJUSTE DE CONTRASTE POR EL METODO DYNAMIC

RANGE ADJUST

Imagen 11. RESULTADO AJUSTE DE CONTRASTE POR EL METODO

PHOTOGRAPHY ENHANCEMENTS

MEJORAMIENTO ESPACIAL

Otro tipo de mejoramiento es el mejoramiento espacial, este contempla el cambio

de los valores individuales de cada pixel, mediante mtodos estadsticos como el

del vecino ms cercano, esto significa que los valores de los pixel se agrupan o

van tomando valores de sus vecinos, mejorando as la frecuencia espacial de la

imagen. Cuando los pixeles vecinos se diferencian mucho o tienen un alto

contraste se dice que la imagen tiene una alta frecuencia, en el caso contrario, en

el que los pixeles son muy similares a sus vecinos se dice que tiene una baja

frecuencia.

A continuacin veremos una secuencia de imgenes a las cuales se les aplican

diferentes filtros con el fin de lograr este propsito, pudimos concluir bajo la

aplicacin de muchos filtros que los mejores para resaltar los bordes o lmites de

las coberturas son algunos como el 3x3 high pass (paso alto) y el 5x5 high pass,

otros que disminuyen mucho la frecuencia y no se notan bien los bordes son los

filtros de tipo low pass. Al final de estas imgenes podremos observar una

comparacin de la imagen original y con la aplicacin de estos filtros.

Imagen 12. Diferentes tipos de filtros aplicables del software ERDAS IMAGINE.

Imagen 13. Resultado aplicacin de filtro EDGE DETECTION

Imagen 14. Resultado Aplicacin de filtro 3X3 LOW PASS.

Imagen 15. Resultado aplicacin filtro 3x3 HIGH PASS.

Imagen 16. Resultado aplicacin filtro 3X3 HORIZONTAL

Imagen 17. Resultado aplicacin filtro 3X3 VERTICAL

Imagen 18. Resultado aplicacin filtro 3X3 LAPLACIAN EDGE DETECTION

Imagen 19. Resultado aplicacin filtro 5x5 EDGE DETECT

Imagen 20. Resultado aplicacin filtro 5X5 LOW PASS

Imagen 21. Resultado aplicacin filtro 5X5 HIGH PASS

Imagen 22. Resultado aplicacin filtro 5X5 HORIZONTAL

Imagen 23. Resultado aplicacin filtro 7X7 EDGE DETECT

Imagen 24. Resultado aplicacin filtro 7X7 LOW PASS

Imagen 25. Resultado aplicacin filtro 7X7 HIGH PASS

Imagen 26. Resultado aplicacin filtro 7X7 HORIZONTAL

Imagen 27. COMPARACION IMAGEN ORIGINAL (derecha) VS IMAGEN CON FILTRO

3X3 HIGH PASS (izquierda).

Imagen 28. COMPARACION IMAGEN ORIGINAL (derecha) VS IMAGEN CON FILTRO

5X5 HIGH PASS (izquierda).

Imagen 29. COMPARACION IMAGEN ORIGINAL (derecha) VS IMAGEN CON FILTRO

5X5 HIGH PASS (izquierda).

Como pudimos observar en toda la secuencia de imgenes mostradas

anteriormente, y en las comparaciones de la imagen original y a las cuales se les

aplicaron los, se observan los notables cambios, en los filtros tipo low pass se

presenta un efecto en la imagen que la vuelve como borrosa, causa debido a que

estos disminuyen la frecuencia espacial, en los tipo high pass sobre todo en los

3x3 y 5x5 se presenta en la imagen una claridad en los lmites de las coberturas.

MEJORAMIENTO ESPECTRAL

De este tipo de mejoramiento se generan nuevos tipos de imagen, en las cuales

se utilizan una serie de algoritmos para calcular distintos ndices como ndices de

vegetacin, de composicin de minerales, contenidos de humedad, minerales

arcillosos, minerales frricos, entre otros los cuales contiene el programa ERDAS

IMAGINE V2014, luego del clculo de estos ndices se generan imgenes las

cuales muestran un mapeo o cartografa, en la que se despliegan diversos colores

sobre la imagen agrupando as los rangos e estos ndices previamente calculados.

En esta prctica realizamos este ejercicio basndonos en ndices de vegetacin

tales como el NVDI y el TNVDI, a continuacin se muestran el resultado de la

aplicacin de este tipo de mejoramiento sobre una imagen satelital LANDSAT de

Bogot.

Imagen 30. Generacin de imagen con aplicacin del ndice NDVI.

Imagen 30. Resultado nueva imagen generada con el ndice NDVI.

Imagen 31. Aplicando color a los atributos de la imagen.

Imagen 32. Imagen resultado de aplicacin del NDVI

Imagen 33. Algoritmo aplicado para clculo ndice TNDVI

Imagen 34. Imagen resultado de la aplicacin del TNDVI

Del resultado de las imgenes a las cuales se les aplico el ndice NDVI y el

TNDVI, es notable como se genera un estilo de mapa de cobertura en la cual se

distinguen los diferentes tipos de vegetacin, ya sea por intensidad o vigor, en

estas imgenes se agrupan por colores los rangos de ND, en los cuales los

mayores valores van del amarillo al rojo y los menores el magenta.

CONCLUSIONES

Logramos familiarizarnos con los diferentes tipos de mejoramientos de

imgenes, mejoramientos espaciales, radiomtricos, espectrales sus

importancias y sus diferentes uso en el tratamiento digital de imgenes.

El anlisis estadstico de los pixeles y ND son de mucha importancia en la

hora de encontrar una combinacin de bandas optimas, para facilitar la

identificacin y clasificacin visual de coberturas.

La aplicacin de los diferentes mtodos de ajustes de contraste en las

imgenes de satlite son de mucha ayuda a la hora de una identificacin

visual de coberturas, al igual que la aplicacin del mejoramiento

radiomtrico mediante la adaptacin de los diferentes filtros estudiados de

tipo low pass y high pass los cuales ayudan a disminuir o a mejorar la

frecuencia espacial respectivamente, estos por otra parte aportan mucho a

la clasificacin de coberturas ya que pueden precisar los lmites de dichos

objetos, como en el caso de los high pass.

El mejoramiento espectral y la generacin de nuevas imgenes teniendo en

cuenta los ndices de vegetacin ya sea el NVDI y el TNVDI son una

herramienta muy til para lograr distinguir las distintas clases de

vegetacin, estos se basan en diferentes propiedades tales como la

reflectividad de la energa, vigor de vegetacin, contenido de clorofila,

contenidos de humedad entre otros.