Tratamiento de imágenes

Presentación del tema: "Tratamiento de imágenes"— Transcripción de la presentación:

1 Tratamiento de imágenes

2 Etapas Exploración de imágenes Clasificación

3 Teledetección y agua Hidrología; Inundación, humedad de los suelos, red hidrográfica, estimación de las precipitaciones Agricultura: tipos de cultivo Forestales: especies, zonas de incendios Geología: forma del terreno Detección de la ocupación del suelo: cambios rural/urbano, biomasa Tecnologías : Visible, infrarrojo térmico, radar

4 Teoría Fuente de energía Incidencia de radiación natural o artificial
La teledetección es la técnica que por la adquisición de imágenes permite obtener información sobre la superficie de la tierra sin contacto directo con ella. La teledetección engloba todos los procesos que consisten en captar y registrar la energía de un rayo electromagnético emitido o reflejado y tratarla para analizar la información y aplicarla Fuente de energía Incidencia de radiación natural o artificial Interacción con la tierra Registro de la energía emitida por el captor Transmisión, recepción y tratamiento de la energía captada hacia medios electrónicos para transformara en imágenes Interpretación y análisis de la información captada Aplicación

5 Espectro electromagnético

6 Visible

7 Longitud de onda

8 Funciones Idrisi

9 Compuesto de color (bandas 452)
Imagen LANDSAT 7 ETM+ zona UTM 14, Pancromática, Multiespectral, Infrarroja del 24 de enero del 2000 Canal Resolución espectral (µm) espacial (m) 1 Azul 0.45 a 0.515 30 2 Verde 0.525 a 0.605 3 Rojo 0.63 a 0.69 4 Infrarrojo cercano 0.75 a 2.35 5 1.55 a 1.75 6 2.09 a 2.35 i1 Infrarrojo térmico 10.40 a 12.35 60 i2 p Pancromático 0.52 a 0.90 15

10 2746 2646 2747 2647

11 CLASIFICACIÓN NO SUPERVISADA
EJERCICIO 4-5 CLASIFICACIÓN NO SUPERVISADA

12 La clasificación no supervisada es otra técnica para la clasificación de imágenes. En la aproximación no clasificada, En Idrisi, la clasificación no supervisada es ofrecida por medio de los módulos CLUSTER e ISOCLUST. En este ejercicio se aplica CLUSTER la cuál es una técnica de selección de un pico de histograma. Esto es equivalente a buscar el pico de un histograma unidimensional, donde un pico es definido como un valor con la frecuencia más grande de entre todos los valores vecinos. CLUSTER evalúa un histograma multidimensional basándose en el número de bandas de entrada.

13 Para este ejercicio es necesario crear un grupo de archivos raster para seis de las siete bandas de H87TM (no incluir la banda seis, H87TM6). El nuevo grupo debe tener el nombre HOWEHILL.

14 correr CLUSTER del menú IMAGE PROCESSING/HARD CLASSIFIERS, insertar el grupo creado HOWEHILL y llamar a la imagen de salida como BROAD. escoger el nivel de generalización como general (broad) y dejar el grupo menos significante con 10%. Dejar la opción de niveles de gris en 6. Desplegar el resultado con la paleta cuantitativa

15 El resultado de CLUSTER es una imagen con un amplio número de clases espectrales.

16 Usar nuevamente CLUSTER, con las mismas seis imágenes y llamar a la imagen de salida FINE. Esta vez hay que usar el nivel de generalización fino, y nuevamente, elegir dejar el 10% de los grupos menos significantes. Se puede observar que la generalización fina produce muchos más grupos. 6 son las clases más representativas que llevan prácticamente todos los píxeles En la imagen resultado el grupo 1 es siempre aquel que lleva la frecuencia más alta de píxeles, posteriormente Correr HISTO (del menú DISPLAY) para crear un histograma de FINE.

17 Notar que muchos de los grupos más altos enumerados tienen relativamente pocos píxeles. Una aproximación que frecuentemente es empleada es echar un vistazo al rompimiento natural del histograma de grupos finos para estimar el número de tipos de cobertura en el área de estudio (en este caso es 6). Una vez determinado esto, se puede correr CLUSTER nuevamente y esta vez especificar el número de grupos a identificar en 6. Todos los píxeles sobrantes son asignados al grupo al que es más parecido. Corres cluster nuevamente, fijar el grupo máximo de cluster a 6 y llamar a la imagen de salida Fine10

18 En resumen, frecuentemente se encontrará que se necesita unir ciertos grupos para producir el mapa final. La clasificación no supervisada de grupos es una manera rápida de mejorar el conocimiento en el área de estudio. La clasificación es más frecuentemente un proceso iterativo donde cada paso arroja nueva información que el analista puede usar para llegar a la clasificación. Otras veces, las clasificaciones supervisada y no supervisada tienen que mezclarse para lograr una clasificación satisfactoria.