fundamentos teóricos del procesamiento de imágenes y clasificacion

FUNDAMENTOS TEÓRICOS DEL PROCESAMIENTO DE IMÁGENES
Y CLASIFICACION
1. Procesamiento de imágenes satelitales y el análisis espacial
Las imágenes multiespectrales como las de los satélites Alos, provienen
de sensores remotos que captan señales electromagnéticas en bandas o
rangos discretos de varias longitudes de onda. Los rangos de longitud de
onda conocidos en la naturaleza se ilustran en la Figura 1:
Figura 1: Espectro electromagnético
La vista humana capta solamente el rango de bandas visibles de energía
electromagnética. Los sensores satelitales tienen mayor flexibilidad al
incluir otros rangos de energía como los infrarrojos, térmicos, y
microondas (radar), permitiendo observar detalles que no se pueden
captar con la vista humana.
La Figura 2 muestra reflectancias características de ciertos materiales
típicos en función de la longitud de onda.
Figura 2. Reflectancia típica de distintos materiales
1.1. Correcciones de imágenes
Las operaciones básicas de teledetección pueden incluir procesos
de
visualización y realce de las imágenes. Operaciones más
avanzadas
involucran
procesos
de
correcciones
geométricas,
radiométricas y clasificación digital.
Las correcciones radiométricas y geométricas de la imagen se hacen
con el propósito de preparar los datos para realizar estudios precisos.
Los estudios de análisis multi-temporal por ejemplo, requieren alta
precisión en la corrección geométrica de la imagen.
Las fuentes de error más comunes en la calidad espectral de la imagen
son las originadas por el movimiento de la plataforma del satélite que
genera cambios en la escala y la descalibración del sensor. Estos son
corregidos generalmente en la estación receptora de las señales del
satélite.
1.2. Correcciones radiométricas
Las correcciones radiométricas modifican los ND originales con el
objetivo de
acercarlos
a una
recepción
ideal.
Generalmente
comprenden la restauración de líneas o píxeles perdidos, corrección del
bandeado de la imagen (“banding”) y las correcciones de distorsiones
causadas por la interacción entre las ondas electromagnéticas y los
gases y partículas atmosféricas en suspensión. Estas correcciones
atmosféricas no se aplican a imágenes de radar debido a que la
atmósfera es transparente a las microondas.
1.3. Correcciones geométricas
Las correcciones geométricas en la imagen se hacen con el propósito
de orientar la posición de los píxeles a un sistema de referencia. El
proceso comprende tres pasos:
1. La localización de puntos de control (GCP) que relacionan los
valores de coordenadas a un sistema de referencia.
2. La transformación de las coordenadas de la imagen a algún tipo
de coordenada cartográfica (UTM, Latitud-Longitud, etc.), para
lo cual se utiliza un modelo matemático de mapeo de las
coordenadas de la imagen al sistema de referencia.
3. El remuestreo o reubicación de los píxeles a una nueva posición y
asignación del nuevo valor de ND de acuerdo al método de
asignación seleccionado (vecino más cercano, bilineal, cúbico).
En el caso de que hagamos una corrección del desplazamiento
debido al relieve, además de las anteriores correcciones
geométricas, tendríamos que tomar en cuenta la elevación del
punto, denominada una ortorectificación de la imagen, cuyo
producto es una ortoimagen de nuestra zona de interés.
1.4. Mosaicos de imágenes de satélite
"Mosaic images", es el proceso de unir imágenes previamente
georeferenciadas con los mismos parámetros para formar una imagen
más grande (las imágenes tienen una zona en común que permite
asociarlas). Para ello deben cumplirse ciertos requisitos:
1. Cada imagen debe estar georeferenciada usando la misma
proyección del mapa.
2. Deben tener la misma resolución
2. Clasificación de imágenes
5.5.1. Análisis visual de las imágenes de satélite
Si definimos el tono como la percepción diferencial por parte del ojo de
los distintos rangos de energía del espectro visible, entonces cada uno
de los tonos ó colores básicos puede considerarse como una dimensión
de la imagen.
El tono es un elemento básico en la interpretación visual de las
imágenes ya que, aporta una gran cantidad de información. Los
programas actuales de visualización y procesamiento permiten generar
imágenes en color compuesto, es decir, la aplicación de un color
primario (rojo, verde, azul) a cada banda de la imagen.
Si la correspondencia es la natural, la impresión final será parecida a la
que percibiría el ojo humano actuando como un sensor. Esto supone
aplicar cada color a la banda del sensor que capta aproximadamente
el mismo rango de energía que el ojo.
El análisis visual se utiliza para la identificación y disposición de los
elementos presentes en la imagen y el reconocimiento de formas sobre
la base de la experiencia de campo previo.
2.2. Clasificación de imágenes de satélite con eCognition
La clasificación se realiza en base a objetos y no a píxeles. Al estar la
imagen formada por píxeles, el primer paso en el análisis orientado a
objetos es agrupar los píxeles adyacentes mediante técnicas de
regiones crecientes, para posteriormente clasificar los objetos extraídos.
Con ello el número de parámetros que se pueden valorar aumenta
notablemente, permitiendo considerar criterios como el tamaño, la
forma, medias de color, máximos y mínimos, proximidad a otros objetos,
textura, etc. Al mismo tiempo, la segmentación reduce el número de
objetos a clasificar, con lo que el tiempo de procesado también
disminuye.
En eCognition los píxeles son agrupados en polígonos cuando sus
valores en los diferentes productos empleados son semejantes. El grado
de similitud varia con la máxima heterogenidad permitida para un
objeto en la imagen, definida por el parámetro scale factor. Además se
incluye el criterio de homogeneidad que considera el parámetro
Compactness que es usado para optimizar el objeto en la imágen en
relación la compactación en conjunto, y el Shape que ayuda a evitar
la alta fragmantación del objeto imágen.
3. Índice de Vegetación Diferencial Normalizado - NDVI
El análisis de la vegetación y la detección de los cambios en los patrones
de vegetación son claves para la evaluación y el monitoreo de recursos
naturales. De aquí que la detección y la evaluación cuantitativa de la
vegetación es una de las aplicaciones principales de la percepción
remota para el manejo de recursos ambientales y la toma de decisiones,
usando imágenes multiespectrales.
Las diversas capas de la vegetación interactúan con la energía solar en
las regiones de la banda visible y del infrarrojo cercano del espectro
electromagnético. En las regiones visibles, los pigmentos de las plantas
(más notablemente la clorofila) causan una fuerte absorción de energía,
principalmente para la realización de la fotosíntesis.
Los picos de absorción en la mayoría de las hojas están en las áreas del
rojo y del azul del espectro visible. En el infrarrojo cercano, en cambio,
ocurre una interacción muy diferente. En esta región, la energía no es
utilizada para la fotosíntesis, sino que es en gran medida dispersada por
la estructura interna de la mayoría de las hojas, conduciendo a una
reflectancia alta en la zona del infrarrojo cercano.
Es este fuerte contraste entonces, más particularmente entre la cantidad
de energía reflejada en las regiones roja e infrarroja cercana del espectro
electromagnético, el tema que ha ocupado el foco de atención de una
gran variedad de intentos para desarrollar índices cuantitativos de la
condición de la vegetación usando imágenes de sensores remotos.
El índice de vegetación diferencia normalizada, (NDVI), es una variable
que permite estimar el desarrollo de una vegetación sobre la base de la
medición, con sensores remotos, de la intensidad de la radiación de
ciertas bandas del espectro electromagnético que la misma emite o
refleja.
El NDVI oscila en un rango de valores de –1 a +1 (para nuestro caso de
estudio lo hemos multiplicado por 10,000 para facilitar el análisis). Las
mayores
concentraciones de biomasa fotosintéticamente activa
presentan valores próximos a 1. Los valores negativos de –1 a 0 son
elementos de suelos, cuerpos de agua, y nubes.
Este es el índice más comúnmente usado porque retiene la habilidad
para minimizar los efectos topográficos y a su vez producir una escala de
medida lineal. Además, los errores de división por cero son reducidos en
gran medida.
Dentro del rango de 0 a 1 tendremos diferentes grados de vigorosidad
vegetal así como diferentes grados de cobertura de la superficie. El NDVI
se calcula:
.
NDVI = (Banda Infrarroja cercana – Banda roja visible)
(Banda Infrarroja cercana + Banda roja visible)