UNIVERSIDAD NACIONAL DE LA PLATA Facultad de Ciencias Agrarias y Forestales Curso: “Introducción a la Geoinformación” UNIDAD 5: TRATAMIENTO DIGITAL DE IMÁGENES: PRE-PROCESAMIENTO 7, 9, 14 y 16 de Octubre de 2014 Objetivo: Que el alumno aprenda a leer los datos satelitales, la teoría de formación del color para visualización en pantalla, a extraer las estadísticas fundamentales de la imagen y que comprenda cuales son las correcciones necesarias a realizar y por que..

Lectura de datos satelitales. Visualización de las imágenes. Obtención de estadísticos e histogramas de las imágenes. Preprocesamiento. Tratamiento de las imágenes para efectuar correcciones de carácter geométrico y radiométrico. Ajuste del brillo y del contraste. Composiciones en color. Estiramiento o expansión del contraste ('stretching'). Compresión de contraste. Estiramiento lineal. Estiramientos lineales modificados. Estiramiento por ecualización de histograma o 'uniforme'. Filtrados. Naturaleza de los filtros digitales y sus propósitos. Filtros de paso bajo, de paso alto, de gradiente, laplaciano y direccionales. Realce de las imágenes. Relaciones de bandas. Índices de Vegetación. La transformación 'tasseled cap', Análisis de Componentes Principales. Concepto de textura. Fusión de datos con distinta resolución. Sensores multiespectrales e hiperespectrales. Contenido: Modalidad: Clase teórica y practica

Histogramas Los sensores son calibrados para recibir un rango muy amplio de valores de radiación (a nivel global). Sin embargo, en una imagen satelital puede haber sólo agua, vegetación, etc por lo que el rango de valores de la imagen será mucho menor, habrá poca diferencia entre el ND (nivel digital) mínimo y el máximo. Con el realce radiométrico se busca un mayor contraste visual.

Histogramas Tendencia central Varianza (Heterogeneidad) Desplazamiento de los valores mínimos (dispersión atmosférica) Presencia de “picos”

Tipos de distribuciones

Histograma de la banda 4 Landsat TM

Realces (Enhancement) El realce de una imagen es el proceso que se realiza para mejorar el contraste VISUAL Realces radiométricos Basados en el valor de pixeles individuales (Estiramiento de histogramas) Realces Espaciales Basados en el valor de pixeles individuales y de sus vecinos (Filtros, Textura y Resolution Merge) Realces espectrales por transformación de los valores de cada pixel considerando todas las bandas (Componentes Principales)

Si se usan los valores originales de la imagen para controlar los valores de grises del monitor, normalmente resulta en una imagen con poco contraste porque sólo se usa un número de valores de grises limitado. Por ejemplo un histograma con valores: Min= 14 y Max= 173, solamente sería usados (173-14=)159 niveles de grises de los 256 disponibles. El rango de ND de la imagen no coincide con el número de valores disponibles, por lo que se puede expandir el contraste para hacer corresponder el rango de ND presentes en la imagen con el rango de ND total disponible. Para optimizar el rango de valores de grises, una función de transferencia convierte los valores de ND en niveles de grises del monitor. Esta función de transferencia puede ser de distintas formas. Fundamento del Realce radiométrico

Despliegue en Pantalla: Modificación del Contraste Realces Radiométricos

Realce Lineal

Ecualización de histogramas Es un estiramiento de contraste No lineal que redistribuye el valor de los pixeles de tal manera que haya aproximadamente el mismo numero de pixeles dentro de cada rango. no sólo se tiene en cuenta el valor de ND sino que se aplica una expansión roporcional a la frecuencia de aparición de cada uno de los ND. RGB-453 Sin contraste Con contraste

El filtrado es una operación LOCAL: el valor del pixel se modifica en función de los valores de los pixeles vecinos En cambio las operaciones globales cambian el valor del pixel independientemente de los vecinos (ajuste del contraste) Los distintos tipos de filtros se usan para: realzar las diferencias entre los pixeles o bien para suavizar las diferencias No conviene filtrar una imagen que luego será clasificada, ya que los valores de pixeles son modificados!!!! Realce espacial 1 Filtrado

El filtrado es un realce espacial, y por lo tanto tiene en cuenta la frecuencia espacial, que es la diferencia entre los valores mas altos y los mas bajos de pixeles contiguos. La frecuencia espacial es el numero de cambios en los valores de brillo por unidad de distancia Frecuencia espacial Sin Frecuencia espacialBaja Frecuencia espacialAlta Frecuencia espacial

Filtrado

Se realiza moviendo una ventana o Kernel a través de la imagen. la ventana se va moviendo de a un pixel, y calcula el nuevo valor del pixel central en función de los valores de los pixeles. Normalmente se usan ventanas de 3x3, 5x5 o 7x7. El efecto de los filtros depende: del tamaño de la matriz Y del peso relativo de los coeficientes El pixel resultante es el promedio de los 9 pixeles. La imagen resultante es una imagen suavizada

Se desplaza un pixel Filtro Pasa Bajo Ejemplo: Este filtro reduce la frecuencia espacial. Este kernel simplemente promedia el valor de los pixeles, difuminan la imagen, la suavizan, los contornos se hacen menos nítidos.

Filtro Pasa Alto Acentúa los bordes entre pixeles homogéneos. Se usa para evidenciar discontinuidades. La imagen se ve mas “aspera” Los valores relativamente bajos se convierten en mas bajos, y los valores altos se convierten en mas altos, incrementando la frecuencia espacial de la imagen.

[(-1 x 8) + (-1 x 6) + (-1 x 6) + (-1 x 2) + (16 x 8) + (-1 x 6) + (-1 x 2) + (-1 x 2) + (-1 x 8) : ( )] = [(128-40) / (16-8)] = (88 / 8) = 11 Como se calcula:

Valores relativamente bajos rodeados de valores altos: Antes Después El valor bajo se torna mas bajo Inversamente, cuando un valor alto es rodeado por valores bajos, El valor alto se torna mas alto. En ambos casos la frecuencia espacial aumenta Antes Después

Filtros detectores de bordes

Ejemplo, TM Banda 5

Resultado de un filtro Pasa Bajo, 3x3

Resultado de un filtrado Pasa Alto, 3x3

Realce Espacial 2 Textura El método mas comúnmente utilizado para medir matemáticamente la textura es la matriz de co- ocurrencia de niveles de grises o con sus siglas en ingles GLCM (Grey Level Co-occurrence Matrix), basadas en estadísticas de 2do orden. Es un histograma de los niveles de grises de dos dimensiones para un par de pixeles (píxel de referencia y vecino). Esta matriz aproxima la probabilidad de distribución conjunta de un par de pixeles. Segundo Orden: son las medidas que consideran la relación de co-ocurrencia entre grupos de dos pixeles de la imagen original y a una distancia dada.

Realce Espacial 2 Textura La matriz de co-ocurrencia describe la frecuencia de un nivel de gris que aparece en una relación espacial especifica con otro valor de gris, dentro del área de una ventana determinada. La matriz de co-ocurrencia es un resumen de la forma en que los valores de los pixeles ocurren al lado de otro valor en una pequeña ventana. Normalmente el procedimiento de generación de imágenes de textura requiere que el analista defina cinco variables: tamaño de la ventana banda espectral de entrada las texturas derivadas cuantización (numero de bits) del canal de salida la componente espacial (la distancia interpixel y el ángulo para el computo de la co-ocurrencia).

Los 8 vecinos del pixel X de acuerdo al ángulo utilizado en el calculo de la matriz de co-ocurrencia. RELACIÓN ESPACIAL ENTRE DOS PIXELES La Matriz de co-ocurrencia considera la relación espacial entre dos píxeles, llamados pixel de referencia y pixel vecino. Por ejemplo, si se escoge el pixel vecino que esta situado un pixel a la derecha de cada pixel de referencia, esto se expresa como (1,0): 1 pixel en la dirección x, 0 pixel en la dirección y.

Algunas medidas texturales: Homogeneidad Contraste Disimilaridad GLCM Media Desviación Standard Entropía Correlación ASM (Angular Second Moment)

a b cd En a) se muestra una porción de imagen Landsat ETM, en composición RGB: 4,5,3. Donde se observan campos agrícolas, un cuerpo de agua y cortinas forestales. En b) se muestra la Banda 4. En c) y d) las texturas de Homogeneidad derivadas con distintos tamaños de ventana 25x25 en c) y 5x5 en d), ambas para la relación espacial de (1,1). Los valores mas altos están representados en blanco.

Realce espacial 3 Resolution Merge Básicamente, consiste en mezclar una imagen de alta resolución Espacial, con otra de alta resolución espectral. Ejemplos: Pancromática Landsat (15x 15m) + Bandas TM o ETM (30x30m) Spot Pancromática (10x10m) + Spot (20x20) o TM (30x30) Fotos áreas digitalizadas + Datos Spot o TM o ETM

Imagen TM Villa Ventana

Fotografía Área Escala 1: Villa Ventana

Merge: TM + Foto Área

Elipse con 2 bandas Elipsoide con 3 bandas Hiperelisoide con 7 bandas Realce espectral Análisis de Componentes Principales PCA Si los datos de ambas bandas tienen una distribución normal el resultado es una elipse. La elipse que limita la nube de puntos indica el grado de correlación, de modo que la correlación será tanto mayor cuanto más se aproxime esta elipse a una recta. En teledetección la nube de puntos indica la localización de los ND en las dos bandas consideradas.

Primera Componente PCA es una transformación Lineal Se crea un nuevo sistema de coordenadas: 1)Trasladado 2)Rotado Banda A Banda B Segunda Componente N Bandas correlacionadas N bandas No correlacionadas Consiste en la creación de unos canales artificiales a partir de los originales, que contengan el máximo contenido en información, es decir, que tengan una correlación mínima y una varianza máxima.

1)Reducción de datos, la información contenida en la PC1 es mas que en la PC2, etc. 2) Interpretación Visual: Color compuesto de PC1, PC2 y PC3 provee la mayor parte de la información contenida en la imagen (mas del 95% de la variación) 3) Mejora la interpretación de la imagen: Separabilidad de clases Diferencias espaciales Propósitos de la PCA:

Bandas espectrales individuales Landsat-TM, Rivadavia B. As. 6 de Enero 2005 Banda 1Banda 2Banda 3 Banda 4 Banda 5Banda 7

Componentes Principales Landsat-TM, Rivadavia, Bs As 6 de Enero de 2005 PCA 1PCA 2PCA 3 PCA 4PCA 5PCA 6

RGB: PCA1,PCA2,PCA3 RGB: 4,5,3

Un problema inherente al ACP es la dificultad de establecer una interpretación a priori de los componentes, ya que la transformación es puramente estadística y, por tanto, muy dependiente de las características numéricas de la imagen. Algunos autores sugieren que el primer componente siempre indica el brillo general y el segundo el verdor. No obstante, esta afirmación es cierta cuando la imagen contiene una cantidad suficiente de cobertura vegetal. De otra forma, el componente de vegetación puede ser el tercero o cuarto. En definitiva, no pueden aplicarse reglas generales para la interpretación de las CP.

1) Corrección Geométrica 2) Corrección Radiométrica Correcciones de los datos satelitales

Corrección geométrica La rectificación, por definición, involucra la georeferenciación ya que todos los sistemas de proyección de mapas están asociados con coordenadas de mapas

Comparar pixeles entre dos escenas para detectar cambios Desarrollar bases de datos GIS para modelar Identificar áreas de entrenamiento previo a la clasificación Superponer imágenes con datos vector Comparar imágenes de diferentes sensores Extraer distancias y superficies precisas Realizar mosaicos con distintas imágenes Porqué rectificar una imagen:

Correcciones Geométricas Geometría de la Imagen Geometría del mapa Imagen MasterImagen Esclava Usando Puntos de Control

Pasos

Búsqueda de GCP

Remuestreo Después de una Corrección Geométrica, el valor del Pixel es remuestreado Vecino mas cercano Interpolación Bilineal Convolución cúbica Arreglo de pixeles 1 Distorsionados Arreglo de pixeles 2 Corregidos Métodos de Remuestreo

Vecino mas cercano

Convolución cúbica

Corrección Radiométrica: Calibración de datos La energía electromagnética es afectada por los distintos componentes de la atmósfera En que casos se DEBE efectuar la Corrección Atmosférica: 1)Cuando se combinan linealmente las diferentes bandas (pues la dispersión es función de la Longitud de onda) 2) Al usar modelos que relacionen los Niveles Digitales con Parámetros Físicos como Temperatura, Biomasa, Humedad del Suelo 3) En estudios multitemporales, la dispersión no es comparable en las distintas fechas

Se han desarrollados una serie de algoritmos para corregir atmosféricamente las imágenes. Existen al menos 4 categorías: Modelos atmosféricos Sustracción de pixel oscuro (dark pixel subtraction) Conversión radiancia a reflectancia Regresiones lineales Métodos de Corrección radiométrica

1) Corrección radiométrica: Utilizando Modelos Estos modelos requieren asumir determinadas condiciones de la atmósfera al momento de la adquisición de la imagen. Los modelos mas utilizados son Lowtran y Modtran, y requieren datos como: presión, temperatura, vapor de agua, ozono, tipos de aerosoles, elevación, ángulo cenital solar, ángulo de visión del sensor.

Esto se hace en todas las bandas! 2) Corrección radiométrica : “Dark Pixel Substraction” Esta técnica asume que el ND mas bajo en cada banda debería ser cero, y por lo tanto su valor radiométrico es el resultado de errores aditivos producidos por la atmósfera.

3) Conversión radiancia a reflectancia TM y ETM + a) Paso 1: Convertir valores de contaje (DN) a radiancias Donde: L: Radiancia que llega al instrumento a0: pendiente o gain Cantidad de contaje por unidad de cambio de radiancia a1: constante, offset o bias. Valor de contaje que corresponde a la respuesta del instrumento cuando la radiancia es cero DN: Contaje digital coeficientes a0 y a1 gain y offset respectivamente se obtienen del Header de la imagen y son fijos para el sensor Para cada banda separada mente

b) Paso 2: Convertir radiancias a reflectancias La radiancia medida por el sensor depende de la irradiancia solar al tope de la atmósfera, por lo cual debe normalizarse a reflectancias para poder comparar valores entre fechas diferentes. La ecuación usada para calcular las reflectancias es: Donde: ρ(λ) Reflectancias al tope de la atmósfera L Radiancias d Distancia tierra-sol Ei (λ) Irradiancia solar θ Angulo cenital solar BandaBiasesGainsIrradiancia [W/m 2 *μm] Valores utilizados para convertir los DN a Radiancia y Reflectancia para el Sensor ETM del satelite Landsat 7. Con esta metodología solo calibramos los datos! Falta la Corrección atmosférica

dT-S = *cos(2*PI(día juliano - 3)/365) Expresada en Unidades Astronómicas Distancia Tierra-Sol

Angulo Cenital Solar El dato el Header de las imágenes Landsat es el ángulo de elevación solar (sun elevation angle) por lo tanto para calcular el Angulo Cenital Solar: 90- ángulo elevación solar

Landsat 7 ETM Path/Row 226/87 15 Nov 2002 Nivel de Procesamiento 4XP

REQ ID = _00000 LOC =226/087F ACQUISITION DATE = SATELLITE =LANDSAT7 SENSOR =ETM+ SENSOR MODE =NORMAL LOOK ANGLE = 0.00 LOCATION = ACQUISITION DATE = SATELLITE = SENSOR = SENSOR MODE = LOOK ANGLE = LOCATION = ACQUISITION DATE = SATELLITE = SENSOR = SENSOR MODE = LOOK ANGLE = LOCATION = ACQUISITION DATE = SATELLITE = SENSOR = SENSOR MODE = LOOK ANGLE = PRODUCT TYPE =ORBIT ORIENTED PRODUCT SIZE =FULL SCENE TYPE OF PROCESSING =SYSTEMATIC RESAMPLING =NN VOLUME #/# IN SET =01/01 PIXELS PER LINE =6920 LINES PER BAND =5960 /5960 START LINE # = BLOCKING FACTOR = REC SIZE = PIXEL SIZE = OUTPUT BITS PER PIXEL =8 ACQUIRED BITS PER PIXEL =8 BANDS PRESENT = FILENAME =L _ _B10.FSTFILENAME =L _ _B20.FST FILENAME =L _ _B30.FSTFILENAME =L _ _B40.FST FILENAME =L _ _B50.FSTFILENAME =L _ _B70.FST REV L7A BIASES AND GAINS IN ASCENDING BAND NUMBER ORDER GEOMETRIC DATA MAP PROJECTION =TM ELLIPSOID =HAYFORD09 DATUM =HAY09 USGS PROJECTION PARAMETERS = D D D D D D D D D D D D+00 USGS MAP ZONE =4 UL = W S UR = W S LR = W S LL = W S CENTER = W S OFFSET =0 ORIENTATION ANGLE = SUN ELEVATION ANGLE =55.1 SUN AZIMUTH ANGLE = 63.7 Para la Corrección radiométrica Tamaño de la Imagen Pixel per line: Columnas Lines per band: Filas Header de las bandas Reflectivas (HRF)

REQ ID = _00000 LOC =226/087F ACQUISITION DATE = SATELLITE =LANDSAT7 SENSOR =ETM+ SENSOR MODE =NORMAL LOOK ANGLE = 0.00 LOCATION = ACQUISITION DATE = SATELLITE = SENSOR = SENSOR MODE = LOOK ANGLE = LOCATION = ACQUISITION DATE = SATELLITE = SENSOR = SENSOR MODE = LOOK ANGLE = LOCATION = ACQUISITION DATE = SATELLITE = SENSOR = SENSOR MODE = LOOK ANGLE = PRODUCT TYPE =ORBIT ORIENTED PRODUCT SIZE =FULL SCENE TYPE OF PROCESSING =SYSTEMATIC RESAMPLING =NN VOLUME #/# IN SET =01/01 PIXELS PER LINE =6920 LINES PER BAND =5960 /5960 START LINE # = BLOCKING FACTOR = REC SIZE = PIXEL SIZE = OUTPUT BITS PER PIXEL =8 ACQUIRED BITS PER PIXEL =8 BANDS PRESENT =LH FILENAME =L _ _B61.FSTFILENAME =L _ _B62.FST FILENAME = REV L7A BIASES AND GAINS IN ASCENDING BAND NUMBER ORDER Header de las bandas Térmicas (HTF)

REQ ID = _00000 LOC =226/087F ACQUISITION DATE = SATELLITE =LANDSAT7 SENSOR =ETM+ SENSOR MODE =NORMAL LOOK ANGLE = 0.00 LOCATION = ACQUISITION DATE = SATELLITE = SENSOR = SENSOR MODE = LOOK ANGLE = LOCATION = ACQUISITION DATE = SATELLITE = SENSOR = SENSOR MODE = LOOK ANGLE = LOCATION = ACQUISITION DATE = SATELLITE = SENSOR = SENSOR MODE = LOOK ANGLE = PRODUCT TYPE =ORBIT ORIENTED PRODUCT SIZE =FULL SCENE TYPE OF PROCESSING =SYSTEMATIC RESAMPLING =NN VOLUME #/# IN SET =01/01 PIXELS PER LINE =13840 LINES PER BAND =11920/11920 START LINE # = BLOCKING FACTOR = REC SIZE = PIXEL SIZE = OUTPUT BITS PER PIXEL =8 ACQUIRED BITS PER PIXEL =8 BANDS PRESENT =8 FILENAME =L _ _B80.FSTFILENAME = FILENAME = REV L7A BIASES AND GAINS IN ASCENDING BAND NUMBER ORDER Header de la banda Pancromática (HPF)

3.1) Conversión radiancia a reflectancia OLI (Landsat 8) Conversion to TOA Radiance Lλ = MLQcal + AL where: Lλ = TOA spectral radiance (Watts/( m2 * srad * μm)) ML = Band-specific multiplicative rescaling factor from the metadata (RADIANCE_MULT_BAND_x, where x is the band number) AL= Band-specific additive rescaling factor from the metadata (RADIANCE_ADD_BAND_x, where x is the band number) Qcal= Quantized and calibrated standard product pixel values (DN) Conversion to TOA Reflectance ρλ' = MρQcal + Aρ where: ρλ' = TOA planetary reflectance, without correction for solar angle. Mρ = Band-specific multiplicative rescaling factor from the metadata (REFLECTANCE_MULT_BAND_x, where x is the band number) Aρ = Band-specific additive rescaling factor from the metadata (REFLECTANCE_ADD_BAND_x, where x is the band number) Qcal = Quantized and calibrated standard product pixel values (DN)

Modelos de ERDAS para corregir

Transformaciones Se trata de generar nuevas bandas para mejorar la interpretación de la imagen Índices de vegetación Transformación Tasseled cap Análisis de Componentes Principales

Ventajas de los IV Realzan la contribución de la vegetación en la respuesta espectral de las superficies Atenúan otros factores: suelos, atmósfera, iluminación, topografía

Este índice es derivado de la combinación de bandas captadas en la zona del rojo y del infrarrojo cercano del espectro. Se basa en el hecho que las plantas sanas absorben la luz roja y reflejan la luz infrarroja, cuanto mayor es esta diferencia las plantas se encuentran verdes, sanas y en condiciones normales de humedad. En cambio, cuando la diferencia entre los valores detectados entre estas dos bandas es pequeña, podría significar que las plantas presentan algún tipo de stress, o que no cubren completamente el suelo (cultivo recién implantado) y hasta incluso la falta de vegetación. Este índice es por consiguiente un indicador de la biomasa verde presente en el área de estudio y toma valores entre –1 y 1; siendo los Valores entre 0 y 1 indicadores de la presencia de vegetación, cuanto mas cercanos a 1 indican vegetación saludable; y valores menores a 0 indican falta de vegetación o suelo desnudo. NDVI NDVI = (NIR – Red)/(NIR + Red)

RGB:453 NDVI

Tasseled cap

Planos de Variación

La Transformación Tasseled cap es una técnica útil para comprimir datos espectrales en unas pocas bandas asociadas con características físicas de la escena. Esta transformación puede realizarse utilizando los valores de contajes digital (DN) o bien valores de reflectancia obtenidas previamente a partir de los DN. La aplicación de esta técnica a DN requiere que las imágenes satelitales sean previamente corregidas atmosféricamente, lo cual requiere una serie de datos climáticos que normalmente sobrepasan los registros de datos disponibles; además cuando se utilizan múltiples escenas adquiridas en fechas diferentes los cambios en la geometría de iluminación del sol afectan notablemente los DN. Al convertir los DN a reflectancia se normalizan las condiciones de iluminación. La necesidad de transformar los DN a reflectancia para aplicar esta transformación cuando una corrección atmosférica no es posible ha sido demostrada por Huang et all. (Huang)

Con la transformación tasseled cap se obtienen tres bandas: Brillo, Verdor y Humedad, la primera expresa con valores altos los sectores de la imagen fundamentalmente con mas componente de suelo; el verdor muestra las zonas con vegetación y la tercera banda expresa las áreas donde la humedad es mayor. Estas tres bandas explican en conjunto mas del 97% de la variación espectral de cada escena individual.

ÍndiceBanda 1Banda 2Banda 3Banda 4Banda 5Banda 7 Brillo Verdor Humedad Coeficientes para el cálculo de Tasseled cap para Landsat 7 ETM a partir de Reflectancias TM

RGB:453 RGB:Brillo, Verdor, Humedad Imagen Original y Transformada