6.1. AJUSTE DE CONTRASTE 43 Figura 6.2: Ejemplo de ajuste de

6.1. AJUSTE DE CONTRASTE
43
Figura 6.2: Ejemplo de ajuste de contraste (componente azul)
que a continuación se exponen. Con ellas se obtiene el nivel de gris (NG) que se representará en el monitor en
función del ND representado.
La figura 6.2 muestra un ejemplo de este tipo de ajuste con la imagen correspondiente a la banda azul de la
imagen de ejempo anterior.
1. Expansión lineal
N Gi = 255
N Di − N Dmin
N Dmax − N Dmin
(6.1)
El subíndice i hace referencia a cada una de las celdillas de la imagen
2. Expansión lineal restringida, los valores de N Dmax y N Dmin los decide el usuario en lugar de corresponder a los valores reales de la imagen. De esta forma:
• si N Dmax > N Di > N Dmin
i −N Dmin
N Gi = 255 NNDD
max −N Dmin
• si N Dmax < N Di
N Gi = 255
• si N Dmin > N Di
N Gi = 0
3. Ecualización del histograma. Tiene en cuenta, nó sólo los valores de ND, sino también su frecuencia de
manera que aquellos valores de ND más frecuentes resultarán más ajustados que los menos frecuentes.
Para ello debe calcularse para cada nivel de gris i el valor:
N Gi =
256
PN Di
j=0
N
nj
(6.2)
44
TEMA 6. VISUALIZACIÓN DE IMÁGENES
Donde nj es el número de celdillas con valor j y N el número total de pixeles
4. Ajuste gaussiano. Supone el ajuste del histograma observado al histograma que aparecería si la distribución fuera gaussiana, es decir si:
1
−(N Di − µN D )2
f (N Di ) = √ exp(
)
2
2σN
σ 2π
D
N Gi = 255
N
Di
X
f (j)
(6.3)
(6.4)
j=0
donde f (N Di ) es la frecuencia de un determinado nivel digital, µN D es la media de los niveles digitales
y σN D la desviación típica.
6.2
Uso del pseudocolor
Tradicionalmente las imágenes de satélite, al menos cuando se representa una sola banda, se visualizan con
niveles de gris. Diversos estudios evidencias que el ojo humana tiene menos capacidad para distinguir niveles
de gris que para distinguir diferentes colores. Por ello puede representarse una banda con colores en lugar de
con niveles de gris asignando a cada ND 3 valores (intensidad en el rojo, verde y azul) en una paleta e colores
(ver figuras 6.6 y 6.7).
6.3
Composición de color
Puesto que los monitores y tarjetas de video disponen de 3 canales de color (rojo, verde y azul) podemos
utilizarlos para pintar tres bandas diferentes de una imagen de satélite y obtener así una composición en color.
La más obvia seria simular el color real, asumiendo que estamos trabajando con Landsat:
b1 -> B
b2 -> G
b3 -> R
los resultados aparecen en las figuras 6.8 y 6.9. Puedes observar que los resultados son diferentes si las bandas
originales son lineales o ecualizadas. Esto es así por que los módulos que hacen la composición utilizan las
paletas de las tres bandas para crear una paleta conjunta.
La composición en color real ecualizada permite ya identificar en la imagen muchos más elementos que los que
podían distinguirse en las bandas sin tratar, pero como se dispone de más bandas, nada impide utilizarlas para
generar otras composiciones que suelen denominarse de falso color. Estas composiciones servirán para resaltar
los elementos que mayor reflectividad presentan en las bandas utilizadas, además de obtener visualizaciones
6.3. COMPOSICIÓN DE COLOR
Figura 6.3: Banda 1 con paleta de colores lineal
45
46
TEMA 6. VISUALIZACIÓN DE IMÁGENES
Figura 6.4: Banda 1 con paleta de colores ecualizada
6.3. COMPOSICIÓN DE COLOR
Figura 6.5: Banda 1 con paleta de colores gaussiana
47
48
TEMA 6. VISUALIZACIÓN DE IMÁGENES
Figura 6.6: Ejemplo de reglas para generar pseudocolor
más o menos estéticas. Por ejemplo, si se pasa la banda 4 de landsat (con alta reflectividad por parte de la
vegetación) por el canal verde, la vegetación se verá mucho más claramente que si se utiliza la banda 2 (figura
6.10). Otra composición habitual que utiliza el infrarrojo para resaltar la vegetación consiste en pasar la banda
4 por el rojo, la 2 por el verde y la 1 por el azul (figura 6.11).
En general, se trata de aprovechar que podemos visualizar tres canales a la vez para introducir las tres bandas
que más nos van a ayudar a discriminar visualmente los elementos que nos interesan. Puede obtenerse un índice
del grado de información que presenta una composición de color en comparación con otras:
P3
sk
I = P3k=1
j=1 |rj |
(6.5)
donde sk es la desviación típica de cada una de las 3 bandas que intervienen en la composición y rj el coeficiente de correlación de cada uno de los 3 pares de bandas. Cuanto más alto sea el índice mayor será el
contenido informativo de la composición. Cálculando este índice para diferentes combinaciones de color, podremos seleccionar cual es la combinación óptima, es decir la que más información aporta (tabla 6.1).
Como puede verse la mejor combinación es la de las bandas 3, 4 y 5; esta composición aparece en la figura
6.12.
6.3. COMPOSICIÓN DE COLOR
Figura 6.7: Aplicación de las reglas de la figura 6.6
49
50
TEMA 6. VISUALIZACIÓN DE IMÁGENES
Figura 6.8: Composición en color real con histogramas lineales
6.3. COMPOSICIÓN DE COLOR
Figura 6.9: Composición en color real con histogramas ecualizados
51
52
TEMA 6. VISUALIZACIÓN DE IMÁGENES
Figura 6.10: Composición en falso color R=>b3 G=>b4 B=>b1
6.3. COMPOSICIÓN DE COLOR
Figura 6.11: Composición en falso color R=>b4 G=>b2 B=>b1
53
54
TEMA 6. VISUALIZACIÓN DE IMÁGENES
Combinación
345
457
357
347
245
235
257
157
145
135
247
237
234
147
137
134
125
127
124
123
I
29.2674
28.5401
28.5401
27.5535
26.4488
26.4488
25.7638
25.0305
25.7081
25.7081
24.7855
24.7855
23.9907
23.925
23.925
23.1386
22.2178
20.5181
19.9118
19.9118
Tabla 6.1: Resultados del índice de grado de información para diferentes combinaciones
6.3. COMPOSICIÓN DE COLOR
Figura 6.12: Composición en falso color R=>b3 G=>b4 B=>51
55
56
6.4
TEMA 6. VISUALIZACIÓN DE IMÁGENES
Con GRASS
GRASS introduce diversos módulos para modificar la paleta de color y obtener composiciones de color.
6.4.1
Máscaras
Algunas de las operaciones que se han visto en este tema, implican el cálculo de estadísticos a partir de los
niveles digitales de toda la imagen. En estos casos hay que tener precaución ya que si la imagen tiene grandes
zonas sin información relevante (zonas en negro sin datos, zonas de alta nubosidad, superficies marinas) estas
pueden tener un peso excesivo y falsear los resultados en las zonas de interés.
Por ello es conveniente generar máscaras sencillas para realizar los cálculos. Basta con ejecutar r.digit para
obtener una capa raster con el polígono sobre el que se va a hacer el análisis y posteriormente ejecutar:
r.mapcalc ’MASK=mascara’
done mascara es la capa generada con r.digit.
6.4.2
Modificación de las paletas de color
En GRASS podemos modificar paletas de color con el módulo r.colors que permite asignar una paleta de color
preestablecida. En teledetección podemos utilizar las paletas grey que aplica directamente N Gi = N Di o
grey.eq que hace una ecualización del histograma.
Otras paletas como gyr, ryg, byr, etc. aplican transformaciones en pseudocolor.
La opción rules de r.colors permite definir la paleta de color mediante un fichero de texto. El formato de estos
ficheros es:
ND rojo verde azul
ND rojo verde azul
.. .. .. ..
.. .. .. ..
ND rojo verde azul
end
donde ND es cada uno de los niveles digitales de la imagen y rojo, verde y azul las intensidades correspondientes en estos tres colores.
Otra posibilidad es utilizar algún lenguaje de programación para generar automáticamente paletas de color con
las características que queramos. Por ejemplo las siguientes funciones de R crearán ficheros de paletas de color
a partir de algunos de los estadísticos de la imagen:
6.4. CON GRASS
57
paleta_lineal=function(min,max,fic){
nd=c();ng=c()
for (i in 1:256){
nd[i]=i-1
if ((nd[i]-min)<0){ng[i]=0}
else{ng[i]=as.integer(255*(nd[i]-min)/(max-min))}
}
write.table(data.frame(nd,ng,ng,ng),fic,row.names=F,col.names=F,sep=" ")
}
paleta_gaussiana=function(media,std,fic){
nd=c();ng=c()
for (i in 1:256){
nd[i]=i-1
ng[i]=as.integer(256*pnorm(nd[i],media,std))
}
write.table(data.frame(nd,ng,ng,ng),fic,row.names=F,col.names=F,sep=" ")
}
paleta_pseudocolor=function(d,r,g,b,fic){
write.table(data.frame(d,r,g,b),fic,row.names=F,col.names=F,sep=" ")
}
El parámetro fic de las funciones hace referencia al fichero de texto que contendrá la paleta de colores (por
tanto debes pasárselo a la función entrecomillado) y que posteriormente se cargará con r.colors en el parámetro
rules.
Estas funciones están disponibles en el fichero /disco2/datos/ficheros/funciones.R
que puedes cargar desde R con la orden:
source("/disco2/datos/ficheros/funciones.R"}
6.4.3
i.oif
El módulo i.oif permite calcular el índice de grado de información para las diversas bandas de landsat TM:
i.oif image1=b1 image2=b2 image3=b3 image4=b4 image5=b5 image7=b7
6.4.4
Composiciones de color: r.composite
El módulo r.composite genera composiciones de color a partir de tres bandas que se pasan por los canales rojo,
verde y azul. Por ejemplo:
58
TEMA 6. VISUALIZACIÓN DE IMÁGENES
r.composite red=banda_3 green=banda_2 blue=banda_1 output=composicion
Existe una alternativa que es utilizar d.rgb para visualizar la composición de color sin crear un mapa resultado:
d.rgb
6.5
red=banda_3 green=banda_2 blue=banda_1
Ejercicios
1. Modifica la asignación de niveles de gris a niveles digitales utilizando diferentes criterios (recuerda la
necesidad de hacer máscaras para evitar las zonas que puedan introducir ruido).
2. Determina cual es la composición de color que mayor información suministra.
3. Prueba dicha composición con diferentes reglas de paleta de color (ejercicio 1) y selecciona la que mejor
resultados da.
4. A partir de la figura 5.5 de la página 35, determina cual sería la composición de color más adecuada para
distinguir las siguientes clases:
• Suelo desnudo
• Vegetación en estado óptimo
• Vegetación con problemas
• Superficies de agua
• Areas urbanas1
5. Haz dicha composición y trata de establecer una relación entre los colores que aparecen y las clases.
6. Compara esta composición con la que realizasta en el ejercicio 3 y con una composición de color real.
Anota tus impresiones.
1
Aunque con una enorme variación, las áreas urbanas se caracterizan por una reflectividad algo mayor en el visible que el resto de
las superficies
Tema 7
Plataformas, sensores y canales
Se entiende por plataforma los satélites (LANDSAT, METEOSAT, NOAA, SPOT) o aviones que transportan
los aparatos necesarios para captar, almacenar y transmitir imágenes a distancia (sensores).
Un sensor es el aparato que reúne la tecnología necesaria para captar imágenes a distancia y que es transportado
en una plataforma. Puede captar información para diferentes regiones del espectro y cada una de estas regiones
se denomina canal o banda.
Por ejemplo, landsat es una plataforma que, a lo largo de sus diferentes misnioes, ha contenido dos sensores
landsat-TM y landsat-MSS, el primero de los cuales permite captar radiación en 7 bandas (azul, verde, rojo, 3
en el infrarrojo cercano y 1 en el infrarrojo térmico y el segundo en 4 bandas (verde, rojo y 2 en el infrarrojo
cercano).
7.1
Sensores
Una primera clasificación de los sensores sería entre sensores activos (generan su propia radiación y la reciben
rebotada) y sensores pasivos (reciben radiación emitida o reflejada por la Tierra). Dentro de los sensores
pasivos están los sensores fotográficos, óptico-electrónicos que combinan una óptica similar a la fotográfica
y un sistema de detección electrónica (detectores de barrido y empuje), espectrómetros de imagen, y de antena
(radiómetros de microondas). Por lo que se refiere a los sensores activos, actualmente se dispone del radar y el
lidar (basado en tecnología laser).
En un sistema óptico-electrónico la radiancia recibida por los componentes ópticos se descompone en varias
longitudes de onda, cada una de ellas se envía a un conjunto de detectores sensibles a esa región del espectro
que la amplifican y la convierten en señal eléctrica y finalmente en un valor numérico conocido como Nivel
Digital (ND). Estos valores numéricos pueden convertirse otra vez a valores de radiancia conociendo los coeficientes de calibrado. Existen dos grandes tipos de sistemas óptico-electrónicos: los radiómetross de barrido y
los radiómetros de empuje (figura 7.1).
Los radiómetros de barrido son los más habituales en teledetección. Disponen de un espejo móvil que oscila
perpendicularmente a la dirección de la trayectoria permitiendo explorar una franja de terreno a ambos lados
59
60
TEMA 7. PLATAFORMAS, SENSORES Y CANALES
Figura 7.1: Tipos de radiómetros
de esta. Cada movimiento del espejo supone que se envíe información de una franja distinta al conjunto de
sensores.
Los radiómetros de empuje eliminan el espejo oscilante al disponer de una cadena con un gran número de
detectores de manera que se cubre todo el campo visual del sensor. Ello permite aumentar la resolución espacial
y reducir los errores geométricos ya que se ha eliminado la parte móvil, y poco robusta, de los detectores de
barrido. Como contrapartida resulta bastante compleja la calibración de todos los sensores al mismo tiempo
para que se comporten de forma homogenea. Estos problemas son especialmente graves en el infrarrojo. En el
futuro se dispondrá de sensores capaces de captar toda la imagen, como una matriz bidimensional, al mismo
tiempo; de esta forma se reducirán los problemas de tipo geométrico.
Los espectrómetros de imagen constituyen una nueva generación de instrumentos cuya misión es obtener
imágenes en un gran número de bandas espectrales (entre 64 y 200 bandas a intervalos de 10-20 nm) obteniendo
un espectro casi continuo de radiación. Existen radiómetros de barrido y empuje. Para obtener imágenes de alta
resolución espacial se utilizan espectrómetros aerotransportados como el sensor AVIRIS (Airbone Visible/InfraRed Imaging Spectrometer) con 210 bandas entre 0.4 y 2.4 µ y 20 metros de resolución espacial.
Los radiómetros de microondas están compuestos por una antena que actúa como elemento receptor y amplificador de la señal de microondas (que es muy débil) y un detector. En este tipo de sistemas, la resolución
espacial es inversamente proporcional al diámetro de la antena y directamente proporcional a la longitud de
onda. Además se necesitan tamaños de pixel lo suficientemente grandes para recoger una señal de radiación
lo suficientemente amplia. Por tanto la resolución espacial es pequeña y sólo pueden aplicarse en estudios
globales.
El radar trabaja en una banda comprendida entre 1 mm y 1 m. Se basan en el principio de que las microondas
artificiales enviadas en una dirección determinada chocan con los objetos y son dispersadas. La energía dispersada se recibe, se amplifica y se analiza para determinar la localización y las propiedades de los objetos. Puesto
que puede medirse también el tiempo que tarda un pulso de radiación en ir y volver, puede conocerse la distancia recorrida y generar así modelos digitales de elevaciones (aunque con problemas ya que quedan zonas de