Manual Erdas imagine 2011

Introducción a la teledetección con ERDAS
Imagine.

Unidad SIG. Centro de Ciencias Humanas y Sociales (CCHS)
Consejo Superior de Investigaciones Científicas (CSIC)

Madrid, 6 al 10 de junio del 2011

Carlos Fernández Freire
Mº Victoria González Cascón
Alfredo Gómez Domínguez
Israel Gómez Nieto

OBJETIVO DEL CURSO

El objetivo de este curso es proporcionar un conocimiento básico de las técnicas de
teledetección, a través de las herramientas de ERDAS Imagine.
Para ello se han definido una serie de módulos que representan las principales fases del flujo
de trabajo habitual en teledetección: importación de datos, correcciones geométricas y
radiométricas, mosaicado, realces, índices, clasificación digital y visualización 3D.
El curso está dirigido a personal técnico e investigador del CSIC que requiera el uso de estas
herramientas en su labor profesional y que ya cuente con un cierto conocimiento de las
Técnicas de Información Geográfica (TIG).
Al finalizar el curso se espera que el alumno se haya familiarizado con estas técnicas y pueda
implementarlas en su trabajo.

13:30 – 15:00

12:00 – 13:30

11:30 – 12:00

10:15 – 11:30

9:00 – 10:15

LUNES 6
Teoría: fundamentos
físicos + práctica
Carlos Fernández
Teoría: tipos de
sensores + práctica
Carlos Fernández
CAFÉ
Teoría: tipos de
resolución + práctica
Carlos Fernández
Práctica: adquisición e
importación de datos
Carlos Fernández

MARTES 7
Teoría: correcciones
geométricas
Carlos Fernández
Práctica: correcciones
geométricas
Carlos Fernández
CAFÉ
Teoría: correcciones
radiométricas
Carlos Fernández
Práctica: correcciones
radiométricas
Carlos Fernández
Alfredo Gómez

Alfredo Gómez
Práctica: mosaicado

Carlos Fernández
Práctica: realces y
filtros
Carlos Fernández
CAFÉ
Teoría: mosaicado

MIÉRCOLES 8
Teoría: realces y filtros

Carlos Fernández
Práctica: clasificación
no supervisada
Mª Victoria González

CAFÉ
Teoría: clasificación

Práctica: índices

JUEVES 9
Teoría: índices

Introducción a la teledetección con ERDAS Imagine
VIERNES 10
Práctica: clasificación
supervisada
Práctica: matriz de
confusión
Mº Victoria González
CAFÉ
Teoría + práctica:
clasificación experta
Carlos Fernández
Presentación y análisis
resultados
Alfredo Gómez

ÍNDICE

Pag.
1. Teoría I: Fundamentos de teledetección y conceptos de resolución

3

Práctica 1: Resoluciones y firmas espectrales

19

Teoría II.a: Tipos de sensores

29

Teoría II.b: Adquisición e importación de imágenes

38

Práctica 2: Adquisición e importación de datos

43

Teoría III: Correcciones geométricas

48

Práctica 3.1: Georreferenciación

53

Práctica 3.2: Corregistro de imágenes

59

Teoría IV: Correcciones radiométricas

69

Práctica 4: Correcciones radiométricas

76

Teoría V: Realces y filtros

86

Práctica 5: Realces y filtros

94

Teoría VI: Elaboración de mosaicos

112

Práctica 6: Elaboración de mosaicos

118

Teoría VII: Obtención de información de la imagen

130

Práctica 7: Combinaciones lineales entre bandas

138

Teoría VIII: Clasificación de imágenes

145

Práctica 8.1: Clasificación no supervisada

155

Práctica 8.2: Clasificación supervisada

165

Práctica 8.3: Matriz de confusión

175

Práctica 8.4: Knowledge Engineer

180

Práctica 8.4 extra: Knowledge Engineer

185

Práctica 9: Visualización en 3D

192

Recursos de teledetección

197

Fundamentos de Teledetección
Conceptos de resolución

INTRODUCCIÓN
Funcionamiento de un sistema de Teledetección
Teledetección: Técnica que permite obtener información a distancia de un objeto
Emisor de
energía

Superficie
observada

Sensor

Flujo
incidente/reflejado

La teledetección es la técnica de observación remota de la superficie terrestre y de la atmósfera que
la envuelve utilizando sensores capaces de captar la radiación electromagnética, reflejada o emitida.
Incluye el proceso de análisis de los datos para su posterior transformación en magnitudes físicas.

3

INTRODUCCIÓN
Funcionamiento de un sistema de Teledetección
Obtenemos una imagen de la superficie terrestre:

INTRODUCCIÓN
Métodos de Teledetección

Métodos pasivos: se basan en el registro de la radiación electromagnética reflejada o
emitida por los objetos de forma natural. La fuente de energía es el sol o la tierra, y
la función del sensor es el registro de la señal que le llega. Los más comunes son la
fotografía y los sensores optico-electrónicos.

Métodos activos: el sensor tiene una doble función. Por una parte cuenta con una
fuente de energía propia que suministra una radiación de características conocidas
que envía al objeto, y que posteriormente recogerá una vez reflejada por aquel. La
información se obtiene de la comparación entre la señal emitida y la reflejada. El
radar es el método activo más común.

4

Fuente de Energía

SISTEMA DE TELEDETECCIÓN
Sistema sensor

Atmósfera

Interpretación visual
Tratamiento

Superficie terrestre
Sistema de Recepción

Análisis digital

Salidas gráficas y digitales

Usuario

INTRODUCCIÓN
Usos Teledetección
Estudios medioambientales:

Otros:

Monitorización de la vegetación

Fuente de datos para los SIG

Detección incendios

Patrimonio cultural

Estudios biodiversidad

Estudios arqueológicos

Gestión desastres naturales
Planificación territorial
Etc…

5

Ventajas de la Teledetección
Cobertura global de la superficie terrestre.
Observación a distintas escalas.

Frecuencia de adquisición.
Homogeneidad en la adquisición.
Información en regiones del espectro no visible.
Formato digital.

VENTAJAS
Visión global

Número de incendios del
27/12/10 al 31/12/10
http://rapidfire.sci.gsfc.nasa.gov/

La frecuencia con la que las imágenes son tomadas hace que sea
posible contar con información a escala global en períodos razonables
(de un día a varios días, dependiendo de la resolución espacial del
sensor).

6

VENTAJAS
Escalas de medida

MSG-1 (1x1 Km.)

Terra-MODIS (0,5x0,5 Km.)

Landsat TM (30x30 m.)

Ikonos-2 (1x1 m.)

VENTAJAS
Frecuencia de adquisición
1972

1989

1993

1997-98
Landsat/MSS-TM

La existencia de capturas con iguales características de observación, y de diferentes
años, permite realizar análisis multitemporales.

7

VENTAJAS
Homogeneidad en la adquisición

Terra-MODIS

29 de julio de
2001
29 de julio de
2002
29 de julio de
2003

VENTAJAS
Regiones no visibles del espectro

Composición en color verdadero
La disposición de información en
regiones no visibles del espectro
hace de las imágenes de satélite una
herramienta muy útil en la
discriminación de cubiertas o en los
estudios atmosféricos, por ejemplo.

Composición en falso color

8

VENTAJAS
Formato digital
La radiación captada por un
sensor espacial se transforma en
un pulso eléctrico que es
codificado, dentro de un rango
determinado, en un valor
numérico. Los datos
posteriormente son
transmitidos a las estaciones en
tierra para poder ser procesados
mediante software específicos
de tratamiento digital de
imágenes.

FUNDAMENTOS
Espectro electromagnético

9

FUNDAMENTOS
Interacción entre la energía y un cuerpo

FUNDAMENTOS
Magnitudes físicas en teledetección
•
•
•
•
•
•
•
•
•
•

Energía radiante: Indica el total de energía radiada en todas las direcciones (J).
Flujo radiante: Total de energía radiada en todas las direcciones por unidad de
tiempo (W).
Emitancia: Total de energía radiada en todas las direcciones desde una unidad de
superficie y por unidad de tiempo (W/m2).
Irradiancia: Total de energía radiada sobre una unidad de área y por unidad de
tiempo (W/m2).
Intensidad radiante: Total de energía radiada por unidad de tiempo y por ángulo
sólido de medida (W/sr).
Radiancia: Total de energía radiada en una determinada dirección por unidad de
área y por ángulo sólido de medida (W/m2sr). ES LO QUE MIDE EL SENSOR.
Emisividad: Relación entre la emitancia de una superficie y la que ofrecería un
emisor perfecto a la misma temperatura.
Reflectividad: Relación entre el flujo incidente y el reflejado por una superficie.
Absortividad: Relación entre el flujo incidente y el que absorbe una superficie.
Trasmisividad: Relación entre el flujo incidente el transmitido por una superficie.

10

FUNDAMENTOS
Leyes de la radiación electromagnética
Ley de Planck

M n,
5

c1
c
exp 2
T

Cualquier cuerpo físico con una
temperatura superior a 0º Kelvin,
radia energía, y ésta aumenta con
la temperatura

1

Ley del desplazamiento de Wien

max

La longitud de onda a la que se
produce la máxima emitancia varía
en función de la temperatura

2898 mK
T

PRINCIPALES CUBIERTAS
Principales rangos de observación
Dominio óptico (0,4 a 2,5 mm). Comprende el intervalo de longitudes de onda directamente
dependientes de la energía solar.
Región del infrarrojo térmico (8 a 14 mm). Es donde se manifiesta con mayor claridad la emitancia
espectral de la superficie terrestre, de acuerdo con su temperatura. La radiancia que recibe el
sensor no es el resultado de la reflexión de la energía solar, sino de la radiación emitida por la
superficie.
Región de las microondas (mm a m). Los sensores que trabajan con esta parte del espectro
electromagnético
habitualmente emiten su propio haz energético para recoger,
posteriormente, su retrodispersión. Proporcionan una información más compleja de tratar.
Visible
0.4

0.5

0.6

0.7

UV

IR
Longitud de Onda (micras)

10

-5

10

-4

10

-3

10

-2

10

-1

1

10

10

2

10

3

10

4

Rayos
gamma

10 5
Radio
TV

Rayos X

Infrarrojo
Térmico
Infrarrojo Próximo y Medio

Ultravioleta

Microondas

11

Factores que influyen en la reflectividad de la cubierta
Elementos que absorben (agua, pigmentos, minerales).
Rugosidad superficial (reflectividad lambertiana o especular).
Ángulos de observación e iluminación.
Variaciones
medio
ambientales
en
la
cubierta:
homogeneidad/heterogeneidad que presenta la superficie,
estado fenológico de la vegetación, etc.
Influencia del relieve en el ángulo de iluminación: orientación de
las laderas, pendiente.

Efectos de la atmósfera
• Absorción (O2, O3, vapor de agua, aerosoles): La atmósfera se comporta
como un filtro selectivo en algunas longitudes de onda.
• Dispersión: Se produce por la interacción entre los gases y partículas
atmosféricas y la radiación electromagnética.
– Rayleight: Afecta a l < que el tamaño de la partícula.
– Mie: Afecta a l de similar tamaño al de las partículas.
– No selectiva: Afecta a diversas l.
• Emisión. Se da en función de la temperatura de los cuerpos.
100
Absorción 50
Atmosférica
(%)
0

0,4 0,7

1

2

3

5

10

(...)

10.000

µm

12

Tipos de reflectores
Áu
n l
g
o
Áu
n l
g
o
n n
I ie c R xn
c
d i
a e i
e
l
f ó

RL T E E L
E E O P UR
F CR
S CA

RL T L B T N
E E O M I O
F CR
AE A
R

Firma espectral
Forma en que un objeto refleja y emite energía a diferentes longitudes de onda (λ)
VISIBLE

IR PRÓXIMO

IR MEDIO

VEGETACIÓN

SUELO

NIEVE

13

Factores en la reflectividad de la vegetación
Factores de reflectividad de la hoja.

Factores del dosel vegetal.

Pigmentos.
Estructura de la hoja.
Humedad.

C
l
o
r
o
fi
l
a

C
l
o
r
o
fi
l
a

Estructura

Cobertura.
Geometría de las hojas.
Ángulos de observación.

Agua

Agua

Factores en la reflectividad del suelo
Composición química

Color dominante

Materia orgánica

Baja reflectividad

Humedad

Bandas de absorción

Textura y estructura

Aumento o disminución reflectividad

Agua

Agua

14

Factores de reflectividad del agua
Profundidad de las aguas

Menor aporte materiales fondo

Materiales en suspensión

Más reflectividad en visible

Rugosidad de la superficie (oleaje)

Aumento reflectividad (ref. lambertiano)

Presencia de vegetación

Descenso azul, aumento verde

Ángulos de observación e iluminación

Por ser reflector especular
Agua oceánica
costera

Agua oceánica
profunda

Mezcla de cubiertas
60
50

reflectividad %

40
30
20
10
0

µm

0.4

0

0.4

8

0.5

Suelo

7

0.6

6

0.7

5

0.8

4

Pino 25%

0.9

2

1.0

0

1.2

5

Pino 50%

1.5

1

1.7

6

2.0

1

2.2

6

2.5

1

Pino 100%

15

Colores resultantes
Vegetación
menos vigorosa

Suelo
descubierto

Agua

Vegetación
vigorosa

Nieve

Composición en
Infrarrojo Falso Color

RESOLUCIÓN
Tipos de resolución

Espacial

Espectral
60.00

Reflectance

50.00
40.00
30.00

59.09
33.27

20.00

0.00

10.00
0.00
0.36

Temporal

0.45

0.54

0.63

0.72

0.80

0.89

0.98

1.16

1.42

1.67

1.91

2.15

2.40 Wavelength

Radiométrica

16

RESOLUCIÓN
Resolución espacial
Capacidad de distinguir objetos en la imagen de acuerdo a su
tamaño. Señala el límite de esta capacidad.
Factores de que depende:
1.Tamaño del IFOV (Instantaneous Field of View).
2. Altura de la órbita del satélite.
3.Tipo de detectores.

Influencia de la
resolución espacial
Delimitación objetos,
por ejemplo campos
de cultivo.

RESOLUCIÓN
Resolución espectral
Número y anchura de las bandas en las que el
sensor toma medidas.
La elección del número, anchura y localización de
las bandas depende de la finalidad de su diseño.

Landsat
1 TM 3
2
4
Meteosat B1

Un sensor diseñado para el estudio de las
cubiertas del suelo intentará evitar las ventanas
de fuerte absorción atmosférica. Sin embargo, un
satélite meteorológico buscará información en
esas mismas ventanas.
Del mismo modo un sensor meteorológico no
precisará de múltiples canales en el visible puesto
que las diferencias cromáticas en las nubes no son
destacables. Sin embargo, un sensor dedicado al
estudio de la superficie terrestre sí que precisará
de este tipo de información.

Vegetación sana
Vegetación seca

17

RESOLUCIÓN
Resolución temporal

Tiempo que transcurre desde una toma del sensor y la siguiente de la
misma zona de la cubierta terrestre.
Factores de que depende:
1.

Características de la órbita del satélite (altura, velocidad, inclinación).

2.

Ángulo total de apertura del sensor.

Existen sensores que pueden enfocarse desde órbitas próximas lo que
reduce el tiempo entre tomas (SPOT-HRV, Ikonos).

RESOLUCIÓN
Resolución radiométrica
Sensibilidad del sensor a la hora de detectar variaciones en la radiancia
espectral que capta.
Se identifica con el rango de valores que utiliza para codificar esta radiancia.
En última instancia en las imágenes digitales se traduce en el número de bits
que se utilizan en dicha codificación.
Una imagen de 8 bits es capaz de ofrecer 256 niveles de codificación (niveles
de gris o de color).
Con el paso del tiempo la resolución radiométrica de los sensores se ha ido
incrementando notablemente debido a la mejora de la óptica y de los
sistemas electrónicos de almacenamiento y transmisión de los datos.
Hoy no es extraño contar con imágenes que utilizan 10, 11, 16 y hasta 32
bits.

18

Práctica 1: Resoluciones y firmas espectrales
Antes de comenzar con las prácticas vamos a visualizar varias imágenes para
habituarnos al manejo de la interfaz de ERDAS. Para ello seleccionamos la opción de
abrir archivo y navegamos hasta la carpeta “Práctica1” para ir examinando las
diferentes imágenes.

Práctica 1.1
En primer lugar vamos a analizar distintos tipos de imágenes desde el punto de vista
de su resolución.
1. Seleccionamos abrir archivo.
2. En el menú File encontramos la opción Open Raster Layer. Navegamos hasta la
carpeta “Práctica1/resolucion”. En el tipo de archivo indicamos que es de tipo
TIFF. Abrimos la imagen SPOT y aceptamos la generación de pirámides para que
su visualización sea más ágil.

UNIDAD SIG-CCHS: Introducción al tratamiento digital de imágenes con ERDAS Imagine

19

3. Con la utilidad Show Information for Top Raster Layer

accedemos a la

información de la imagen. Consultando dicha información comprueba y anota
la siguiente información:
SPOT
Tamaño de la imagen:
Tipo de proyección:
Resolución espectral (nº de bandas):
Resolución espacial:
Resolución radiométrica:
4. Repite el proceso con las imágenes Landsat, MODIS y la ortofotografía aérea
del PNOA2005. Ten en cuenta que el tipo de archivo raster es diferente en cada
una (Landsat=img; MODIS=pix; PNOA=ecw). Anota la misma información que
para la imagen SPOT. Para conservar la imagen que estas visualizando al abrir
una nueva es necesario desactivar la opción “Clear view” de la pestaña “Raster
Options” en el caso de esté activada.

Si optas por tener varias imágenes abiertas simultáneamente su posición se
controla desde el panel Contents – situado arriba a la izquerda – (manteniendo
pulsado el botón izquierdo del ratón y arrastrado la capa hasta una nueva
posición).
Landsat


20

MODIS
PNOA
5. También puedes observar las diferencias de resolución espacial entre las
distintas imágenes a través de la función Swipe . Puedes practicar con la opción
Auto Mode y Multilayer Mode. Ten en cuenta la posibilidad de configuraciones
distintas con los parámetros L, I, W y S.


21

6. Puedes utilizar también la función Blend y observar las diferencias con la
anterior. Haz lo mismo con la función Flicker.

Práctica 1.2
1. Abrimos ERDAS 2010 y desplegamos el Signature Editor que se encuentra en el
módulo Raster - Supervised .

3.

Desde el visor abrimos la imagen “landsattm_firma_espectral.img” que se

encuentra en la carpeta “Práctica_1_2”. Se trata de una escena Landsat5 TM, que


22

contiene información en seis bandas espectrales, con información en los rangos del
Visible (1, 2 y 3), IRC (4) y SWIR (5 y 6).
4. En la pestaña Multispectral controlamos en tipo de composición RGB que queremos
obtener. Existen composiciones RGB convencionales predefinidas para las imágenes
Landsat5-TM. Probaremos las diferentes composiciones y elegiremos las más
adecuadas para identificar los distintos tipos de cubiertas presentes en la imagen.

5. El objetivo es seleccionar algunos tipos de cubiertas (agua, vegetación de ribera,
cultivos, nubes) y obtener el perfil espectral de los mismos a través de las
herramientas que ERDAS 2010 ofrece.
6. Desde el menú principal de ERDAS 2010 creamos una nueva capa de AOI (Area Of
Interest); Menu – New – 2D View – AOI Layer:


23

7. Buscamos un píxel que corresponda con la cubierta “agua” y creamos una AOI
de tipo punto.

Podemos ayudarnos del Inquire Cursor para comprobar los valores que tiene el
pixel elegido. Desde la pestaña Home seleccionamos Display Selected AOI
Properties y damos un nombre y una descripción a nuestro elemento.

8. Volvemos al Signature Editor y creamos una nueva signatura espectral utilizando la
herramienta Create a New Signature from AOI

. Una vez que se ha incorpora el

nuevo registro podemos etiquetarlo con el nombre de la categoría correspondiente, en
este caso la llamamos “agua”.

9. Repetimos los pasos 7 y 8 para incorporar nuevas categorías a nuestra tabla de
firmas espectrales (por ejemplo: vegetación de ribera, cultivos, nubes, asfalto, sombra
de nube). Te puede servir de referencia la captura de imagen que se acompaña
(realizada con una composición en falso color infrarrojo), aunque puedes intentar
localizar otras zonas tu mismo.


24

10. Podemos modificar el color que por defecto nos ofrece la aplicación para que las
clases sean más fácilmente contrastables en nuestro gráfico.

11. Una vez recolectados nuestros puntos de muestra para cada categoría podemos
visualizar las signaturas espectrales a través del Display Mean Plot Window

.

Diseñamos un gráfico que permita visualizar los cuatro perfiles espectrales. Para ello es
posible que tengamos que modificar los parámetros de representación a través de la
opción Charge Options, que se encuentra dentro del menú Edit. El resultado debe ser
parecido al que se muestra en la captura de pantalla.


25

12. Para finalizar guardamos nuestra capa AOI para lo que utilizamos la opción
Save AOI Layer as. La almacenamos en nuestra carpeta de trabajo con un
nombre reconocible. Si queremos guardar todo nuestro proyecto guardamos la
GLT Session desde la opción Save del menú File.


26

Práctica 1.3
Otra forma diferente para poder realizar un gráfico con los perfiles espectrales de
distintas categorías es la que se desarrolla en el siguiente ejercicio. En este caso se
busca tener un archivo con los puntos de extracción y los valores en todos los canales
de la imagen para poder ser incorporado a una hoja de cálculo y manejarlo con mayor
flexibilidad a la hora de representar gráficamente los perfiles espectrales.
1. Desde la pestaña Manage Data seleccionamos la opción Convert Pixels to
ASCII. Se despliega una ventana en la que tendremos que cargar nuestra
imagen Landsat como Input File. También tendremos que indicar la capa AOI
que queremos utilizar para proceder a la extracción de los valores espectrales
en cada uno de sus puntos. En nuestro caso la capa AOI que hemos creado
antes. Por último, habrá que indicar el nombre y ubicación del fichero de salida
generado.

2. El fichero ASCII creado lo podemos abrir en EXCEL como un archivo delimitado,
separado por espacios. Una vez abierto procedemos a su representación gráfica
(recuerda que tienes que cambiar los puntos por comas para que EXCEL
entienda que son valores decimales). Como podemos observar, además de la
información contenida en la seis bandas, también incluye las coordenadas X e Y
del pixel sobre el que caía cada punto. El orden de extracción corresponde al
orden de creación de los elementos de la capa AOI. Podemos agregar una
columna con su nombre.


27

3. Tan sólo quedaría elaborar el gráfico. También podríamos guardar los datos en
otro formato.

Signaturas espectrales

1
0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
B1
sombra de nube

B2

B3
nube

asfalto

B4
vegetacion ribera


B5

B6
cultivo

agua

28

Tipos de sensores
Un repaso a los sensores más utilizados en teledetección

Clasificación de sensores
SENSORES PASIVOS

SENSORES ACTIVOS

Recogen la radiación
reflejada y emitida por el
objeto estudiado

Emiten su propio haz
de energía

29

Sensores pasivos
FOTOGRÁFICOS
Sistema óptico
+
Emulsión fotosensible
(película fotográfica)

RADIÓMETRO
MICROONDAS
Sensor microondas

ÓPTICO-ELECTRÓNICOS
Sistema óptico
+
Sensor electrónico

CLASES
Matriz

Empuje

Barrido

Sensores pasivos

30

Sensores pasivos

Sensores activos
Radar (Radio Detection and Ranging)
Emisor – receptor de microondas.
Aplicaciones:
• Radar de imágenes: vegetación, humedad, etc.
• MDEs (interferometría).
• Altimetría de la superficie marina. Detección vertidos.
• Dispersómetro de vientos: dirección y velocidad.

31

Sensores activos

Imagen multitemporal ERS del
naufragio del Mar
Egeo cerca de la
Coruña (diciembre de
1992)

Sensores activos
Lidar (Light Detection and Ranging)
Pulsos de luz polarizada (del ultravioleta al infrarrojo cercano).
Aplicaciones:
• Atmósfera: partículas, humedad, presión, temperatura,
etc.
• Cubiertas terrestres: manchas de aceite, algas, humedad
en la vegetación, pigmentos, etc.
• MDEs.

32

Órbitas de las plataformas espaciales
Órbita geosíncrona
Como su nombre indica
permanecen estables
respecto de la Tierra
observando siempre la
misma parte de la
superficie. Es el caso de
los satélites
meteorológicos.

Imagen completas del Meteosat y GOES

33

Órbita heliosíncrona
Describen órbitas
alrededor de la Tierra
que cubren cada
cierto tiempo toda la
superficie. El diseño
obedece al interés de
hacer que los
sensores midan la
radiancia de un punto
de la superficie
terrestre bajo las
mismas condiciones
de iluminación.

Escena Landsat5 completa

34

Órbitas geoestacionarias
Ventajas

Desventajas

Visibilidad continua

No se observan los polos

Visualización simultánea de un gran área
(cerca de un tercio de la superficie
terrestre)

Baja resolución espacial

Órbitas heliosíncronas
Ventajas
Cobertura global
Alta resolución espacial

Desventajas
No es posible una observación continua
con un solo satélite

Buenas condiciones de iluminación de la
zona observada

Satélites de teledetección más comunes
Satélites de recursos naturales:

Meteorológicos:

– Landsat (1-7)

–
–
–
–
–

• RBV, MSS, TM, ETM+

– SPOT
• HRV-P y XS
• Vegetation

– IRS-C
• Liss, Wifs.

– Terra, Aqua
• ASTER, CERES, MISR, MODIS,
MOPITT

Meteosat-MSG2-Goes
Nimbus
NOAA-AVHRR
DMSP
Seawifs

Satélites comerciales:
- Orbview
- Ikonos
- QuickBird

35

Características
LANDSAT

SPOT

Landsat 7
Altura orbital: 705 km.
Ciclo de recubrimiento: 16 días
Área observada: 183 km

Sensor ETM+
Resolución espacial: 30 m.
espectral: 7 bandas.
radiométrica: 8 bits.
Banda pancromática 15m.
Banda térmica a 60 m

SPOT 5
Sensor HRG
Sensor VEGETATION
Altura orbital: 822km.
Resolución espacial: 10 m.
Resolución espacial: 1km
Ciclo de recubrimiento: 26 días
espectral: 4 bandas.
espectral: 4
Área observada: 3600 km2
radiométrica: 8 bits. bandas:
Banda pancromática 2’5m.
azul, rojo, IRP, IRM

Características
ASTER

AVHRR

Bandas:
4 en el espectro óptico (15 m)
6 en IRM (30 m)
5 en IRT (30 m)
Aplicaciones: coberturas terrestres, minerales,
nubes, humedad, temperatura.

Bandas:
6 del verde al IRT (1 km)
Aplicaciones: cambios en las coberturas
terrestres a escala global.
Resolución temporal: 6 horas

36

Características
MODIS

36 bandas:
Óptico – Infrarrojo Medio – Térmico
Resolución espacial: 250 – 500 – 1000 metros
Aplicaciones: nubes, aerosoles, vapor
atmosférico, observación masas de agua,
temperatura atmosférica y superficial

IKONOS

Bandas: Azul – Verde – Rojo – Infrarrojo Cercano
Resolución espacial: 0’82 m (Pan) – 3’2 m (Multi)
Aplicaciones: Urbanismo, seguridad nacional,
transportes

37

Adquisición e importación de imágenes
Servidores de imágenes e importación de los archivos más habituales

Búsqueda y descarga de datos

38

Plan Nacional de Ortofotografía Aérea (PNOA)
• Descarga de imágenes:
http://centrodedescargas.cnig.es/CentroDescargas/
• Visualización vía web (servicio WMS):
Dentro de la IDEE (Infraestructura de Datos Espaciales de España)
Cliente ligero (navegador web): http://www.idee.es
Cliente pesado (Desktop SIG):
http://www.idee.es/wms/PNOA/PNOA?

UNITED STATES GEOLOGICAL SURVEY (USGS):
Earth Resources Observation and Science (EROS) Center: http://eros.usgs.gov/
Productos:
• Landsat
• ASTER
• MODIS
• NOAA-AVHRR
• EO-1:
• Hyperion
• Advanced Land Imager (ALI)
• Imágenes de satélite desclasificadas
• SIR-C (Radar)

39

SERVIDORES DE IMÁGENES:
• USGS Global Visualization Viewer (GloVis): http://glovis.usgs.gov/
Imágenes: Landsat, ASTER, MODIS, EO-1 (Hyperion, ALI)
• EarthExplorer: http://edcsns17.cr.usgs.gov/EarthExplorer/
http://edcsns17.cr.usgs.gov/NewEarthExplorer/
Imágenes: Landsat, NOAA-AVHRR, EO-1 (Hyperion, ALI), imágenes
desclasificadas, SIR-C
• Land Processes Distributed Active Archive Center (NASA LP DAAC):
https://lpdaac.usgs.gov/
Imágenes: ASTER, MODIS
• Warehouse Inventory Search Tool (WIST):
https://wist.echo.nasa.gov/~wist/api/imswelcome/

Quickbird: http://www.digitalglobe.com/
WorldView: http://www.digitalglobe.com/

IKONOS: http://www.geoeye.com/
OrbView-3: http://www.geoeye.com/
GeoEye: http://www.geoeye.com/

SPOT: http://www.spotimage.com/

40

Hoy en día hay muchos datos disponibles de forma gratuita en red.

http://edcsns17.cr.usgs.gov/EarthExplorer/


http://glovis.usgs.gov/

41


http://www.nsof.class.noaa.gov/saa/products/search?sub_id=0&datatype_family=AVHRR

42

Práctica 2: Adquisición e importación de datos

Adquisición
Hoy día existe una gran cantidad de servidores desde los que descargar imágenes de
diferentes sensores. Muchos de los programas espaciales más veteranos permiten
obtener datos de forma gratuita y, en muchos casos, con un alto nivel de
procesamiento. Esto ocurre con muchos de los programas nacionales, no es el caso de
la mayoría de los programas comerciales, centrados básicamente en imágenes de alta
resolución espacial.
A continuación tenéis un listado de algunos servidores gratuitos de datos a los que se
puede acceder generalmente a través de visores:
•

USGS Global Visualization Viewer (GloVis):
Landsat, ASTER, MODIS, EO-1 (Hyperion, ALI)

•

EarthExplorer: http://edcsns17.cr.usgs.gov/EarthExplorer/

http://glovis.usgs.gov/ Imágenes:

http://edcsns17.cr.usgs.gov/NewEarthExplorer/ Imágenes:
AVHRR, EO-1 (Hyperion, ALI), imágenes desclasificadas, SIR-C

Landsat, NOAA-

•

Land Processes Distributed Active Archive Center (NASA LP DAAC):
https://lpdaac.usgs.gov/
Imágenes: ASTER, MODIS

•

Warehouse Inventory Search Tool (WIST):
https://wist.echo.nasa.gov/~wist/api/imswelcome/

Desde otros puntos podéis encontrar imágenes de programas comerciales:
http://www.digitalglobe.com/ Imágenes Quickbird
http://www.geoeye.com/ Imágenes IKONOS, Orbview-3 y GeoEye
http://www.spotimage.com/ Imágenes SPOT

UNIDAD SIG-CCHS: Curso Introducción al tratamiento digital de imagen con ERDAS IMAGINE
43

El proceso de importación en ERDAS
El formato nativo de ERDAS es .img, como ya hemos visto. Vamos a ver cómo sería la
importación de los formatos en los que podemos conseguir imágenes de forma más
habitual.
En la carpeta de datos encontraréis una imagen ASTER en formato HDF, un formato
habitual para grandes cantidades de datos. Podemos comprobar el formato en el que
se encuentra la imagen abriendo el archivo README desde el WordPad:

Desde la pestaña Manage Data seleccionamos la opción Import Data y desplegamos el
listado de tipos de archivo hasta encontrar ASTER EOS HDF Format:

Una vez seleccionado el tipo de datos podemos guardarlos de forma que al abrir el
cuadro de diálogo de importación nos aparezca esta opción por defecto. En el
44

desplegable de Media debemos elegir File y conviene hacer clic sobre el asterisco, ya
que será seguramente lo más habitual.
Navegamos hasta la carpeta de datos y seleccionamos el archivo PRDAT011.DAT. El
archivo de salida lo vamos a llamar aster_b1.img, en la carpeta de resultados.
Aceptamos y se abre una nueva ventana:

El programa ya ha recolectado la información de la imagen y nos pregunta qué banda
queremos importar. Recordamos que las imágenes ASTER tienen 3 sensores, VNIR,
SWIR y TIR, cada uno con una resolución espacial distinta. Vamos a importar las bandas
1, 2 y 3N del sensor VNIR, que se corresponden con el verde, rojo e infrarrojo cercano.
Pulsando en el botón de Next Image podemos elegir la banda a importar, y desde el
botón de Correction tenemos varias opciones más:

En la pestaña de Rectification seleccionamos la opción Write Transform to Image para
realizar una georreferenciación en función de los parámetros orbitales almacenados en
la cabecera de la imagen. Como la cabecera también cuenta con los datos de sesgo y
ganancia, podemos seleccionar la conversión a radiancia desde la pestaña de
Radiometric Options o corregir el bandeado típico de un sensor de empuje
seleccionando la opción Destriping (no es necesario seleccionar estas opciones).

45

Importamos la banda 1 georreferenciada y a continuación hacemos lo mismo con la 2 y
la 3N: aster_b2.img y aster_b3n.img. Abrimos un visor para examinar el resultado y
vemos cómo las imágenes ya cuentan con su sistema de coordenadas. Visualizamos los
metadatos de la imagen: hay una serie de pestañas nuevas con la información de
cabecera contenida en el archivo original HDF:

Por último nos queda componer una sola imagen que cuente con las tres bandas que
acabamos de importar. Esto se hace desde la pestaña Raster – Spectral – Layer Stack:

46

Como imagen de entrada seleccionamos la primera banda que hemos importando
aster_b1.img, y pulsamos el botón de Add:

La imagen ya se ha añadido a la composición que estamos creando. Realizamos la
misma operación con las otras dos imágenes, tecleamos un nombre para la imagen de
salida en la carpeta de resultados, aster_vnir.img, seleccionamos la salida como
Unsigned 8 bits, ya que hemos importado los Niveles Digitales, sin convertir a
radiancia, y aceptamos.
Ahora ya tenemos la imagen con todas las bandas del sensor VNIR:

47

Correcciones geométricas

Esencia de la corrección geométrica

48

Esencia de la corrección geométrica
• Generar funciones que permitan convertir coordenadas
de imagen a coordenadas de mapa:
– F(c’) = f1 (c,l).
– F(l’) = f2 (c,l).
• Referencia puede ser un mapa o una imagen de otra
fecha.
• Problemas: esfericidad terrestre, distorsión panorámica,
movimiento rotación.

Georreferenciación

49

Fuentes de error
Distorsiones geométricas:
• provocadas por la plataforma:
aleteo, cabeceo, giro lateral
• provocadas por el sensor: distorsión
al alejarse del nadir
• provocadas por la rotación terrestre:
inclinación de la imagen
• Cambio de escala por la altitud

Georreferenciación
Según parámetros orbitales:
• Generalmente incluidos en la cabecera de la imagen:
• Posición exacta del satélite
• Altitud
• Velocidad de barrido
• Velocidad plataforma
• Meridiano de cruce con el Ecuador
• Muy adecuada cuando no hay puntos de control: superficie marina,
imágenes de baja resolución espacial

50

Georreferenciación
Mediante puntos de control. Fases:
• Establecimiento puntos de control
• Cálculo de la función de transformación
•Transferencia ND:
• Vecino más próximo
• Interpolación bilinear (4 vecinos)
• Convolución cúbica (16 vecinos)
• Evaluación ajuste. RMSE

Georreferenciación: transferencia ND
Vecino más próximo

Interpolación bilinear

51

Georreferenciación: evaluación error
Raíz del error medio cuadrático

Lo ideal es que no supere el tamaño del píxel

52

Práctica 3.1: Georreferenciación
Abrir la imagen landsat5_no_georref.img dentro de la carpeta “practicas3_1”. Desde la
pestaña Multispectral seleccionar la opción Control Points.

A continuación un cuadro de diálogo nos pide que seleccionemos el modelo
geométrico del sensor. En este caso seleccionamos Landsat.

A continuación se abre una ventana con varias divisiones y un cuadro de diálogo para
especificar el método para introducir las coordenadas de referencia para los puntos de
control. En este caso vamos a introducir las coordenadas desde el MTN25, que
tenemos en formato digital y georreferenciado, por lo que seleccionamos la opción
Image Layer, que nos abrirá un nuevo visor con la imagen de referencia:


53

Al pulsar OK se abre un nuevo cuadro para seleccionar la imagen; navegamos hasta la
carpeta de prácticas para seleccionar la imagen mtn25.img.
Nos pide que seleccionemos el sistema de referencia en el que se encuentra la imagen
de referencia. De momento especificamos que las coordenadas son en metros y
aceptamos, a continuación definimos la proyección (ED50 / UTM zona 30):

En la pestaña de Parameters hay que especificar el sensor Landsat de que se trata (5
en nuestro caso) y si se trata de una escena completa o de un cuarto de escena (en


54

nuestro caso es el cuarto NW). En el caso de que dispongamos de un modelo digital de
elevaciones de la zona podemos incorporarlo en el modelo, como no es así, nos
limitamos a especificar una altitud constante representativa de nuestra zona de
estudio (600 metros).

Nota: Podemos salvar nuestro modelo como un archivo de extensión .gms para abrirlo más
adelante desde la ventana de Model Properties.

Las propiedades del modelo que acabamos de definir se pueden modificar a lo largo
del proceso desde la opción del menú Display Model Properties

.


55

A partir de este momento ya podemos comenzar a introducir los puntos de control.
La ventana aparece dividida en cuatro visores, los de la izquierda muestran la imagen
que vamos a corregir y los de la derecha la imagen de referencia. Los grandes
muestran la imagen ampliada y los pequeños el detalle de la zona sobre la que vamos
a introducir los puntos de control.
En la parte inferior tenemos la herramienta iremos visualizando los puntos
introducidos y, una vez hallamos calculado el modelo, su error.
Haciendo click en la herramienta de creación de GCPs (Ground Control Point)
podemos empezar a introducir los puntos de control, pinchando primero en la imagen
a corregir y luego en la de referencia.
Para ello hay que seleccionar puntos homólogos en las dos imágenes, digitalizar
primero sobre la imagen de origen y a continuación sobre la imagen de referencia.
Vemos cómo en la ventana de los GCP aparece un nuevo punto con coordenadas
imagen de origen y coordenadas UTM de referencia:

Coordenadas de
origen en píxeles

Coordenadas
UTM de destino

Cuando hayamos introducido un número suficiente de puntos de control como para
completar el modelo podemos calcular los residuos haciendo clic en el botón del
sumatorio

:


56

Así obtenemos el error de cada punto y el error medio cuadrático general, que es
mostrado en la zona inferior izquierda. Por defecto el programa muestra los errores en
píxeles, por lo que tenemos que intentar obtener un error inferior a 1 para
asegurarnos una buena georreferenciación.

Nota: Podemos salvar los puntos que hemos ido introduciendo desde file – save input y file – save
reference.

Cuando consideremos que el ajuste es
suficiente pasamos a rectificar la imagen.
haciendo click sobre el botón de remuestreo
pasamos a determinar el método de
remuestreo y el nombre de la imagen de
salida.
Elegimos Nearest Neighbor y le damos un
nombre
a
la
imagen
de
salida,
landsat5_georref.img y aceptamos. Se
comienza a realizar el proceso de rectificación.
Una vez terminado podemos visualizar el
resultado desde un visor de ERDAS o de
ArcGIS y, si queremos, superponer el MTN25
para comprobar que el resultado es correcto,


57

mediante la utilidad swipe:

El proceso finaliza con la calibración de la imagen desde la opción Calibrate Image

.

Este proceso calibra la imagen original, asignándole el sistema de referencia que
hemos elegido. No es necesario realizarlo si ya hemos generado otra imagen de salida.
Un mensaje nos advierte de que con este proceso finalizamos la georreferenciación y
por lo tanto el módulo de georreferenciación se cerrará. Aceptamos. Cuando termina
el proceso de calibración se cierran las ventanas del modelo y sólo conservamos los
visores con la imagen original calibrada.


58

Práctica 3.2: Corregistro de imágenes

Cuando nuestra intención no es tanto georreferenciar una imagen como superponer
una serie de imágenes (una serie temporal de imágenes de una misma zona, por
ejemplo), tenemos la posibilidad de utilizar la herramienta Autosync, a la que se
accede desde el menú principal desde la pestaña Toolbox, seleccionando Autosync
Workstation:


59

La interfaz de este módulo consta más o menos de los mismos elementos que el
módulo de georreferenciación: tres visores para cada imagen, la de referencia y la
imagen a corregir, la herramienta para controlar la introducción de puntos de control
abajo y, a la izquierda el árbol en el que visualizamos las imágenes con las que estamos
trabajando: una de referencia, una o varias a corregir y los resultados. De esta forma
podemos controlar el flujo de trabajo para varias imágenes a la vez.
Al abrir el módulo de Autosync se nos ofrece la posibilidad de abrir un proyecto
existente o crear uno nuevo. Elegimos la opción de crear nuevo proyecto y a
continuación establecemos los parámetros del mismo:
Hay que especificar que se trata de un proyecto de georreferenciación, no de unión de
bordes, y que el objetivo es remuestrear una imagen. Elegimos por lo tanto
Georeference y Resample. Al elegir la opción de remuestrear debemos especificar
también los parámetros del remuestreo haciendo clic en el botón de Resample
Settings: Vecino más próximo, tamaño de celda (30 metros) y la opción de recortar el
resultado a la misma extensión de la imagen de referencia.
Por último establecemos un directorio de salida, un nombre para el proyecto, un sufijo
para las imágenes corregidas y un archivo en el que se almacenarán un informe del
proceso:

Nota: la configuración de remuestreo establecida ahora se puede cambiar en cualquier momento del
proceso editando las propiedades del proyecto


60

Como imágenes a corregir abrimos dos imágenes más antiguas desde el botón de
Open input images

:

Nuestro objetivo es corregistrar estas imágenes de años anteriores de la misma zona
que nuestra imagen de referencia, pero sin ningún sistema de referencia, para
superponerlas y poder realizar un estudio temporal.
A continuación abrimos la imagen de referencia, landsat_ref desde el botón Open
reference images

.

Una vez cargadas las imágenes en el proyecto comprobamos que aparecen en los
visores, las imágenes a corregir a la izquierda y la de referencia a la derecha:

Nota: haciendo clic con el botón derecho sobre las imágenes podemos establecer la combinación
de colores que prefiramos para visualizarlas.

61

A continuación terminamos de configurar el resto de parámetros desde la ventana del
proyecto, haciendo clic en el botón Edit Project Properties

:

En la pestaña de APM (Automatic Point Measurement) se configura el modo en que el
programa busca automáticamente puntos homólogos (para realizar esta operación
será necesario haber introducido manualmente los puntos necesarios para completar
el modelo). Esto se realiza en función de la similitud espectral de la banda que
especifiquemos en esta pestaña, mediante una patrón de búsqueda. Los parámetros
de búsqueda de puntos se pueden configurar haciendo clic en el botón de Advanced
Settings. Nosotros vamos a dejar los valores por defecto, sólo vamos a añadir la opción
de utilizar los puntos introducidos de forma manual para establecer la conexión inicial
entre las imágenes:

Aceptamos y volvemos a la ventana anterior. Seleccionamos la banda 2 en ambas
imágenes para la búsqueda de similitudes espectrales y, en lugar de definir un patrón
de búsqueda de puntos, elegimos la distribución por defecto de un número de puntos
para cada imagen. Dejamos el valor de 400 puntos por defecto y hacemos clic en la
casilla de Keep all points para asegurarnos de que aunque realicemos varias veces el
proceso de APM no nos va a borrar los puntos de la vez anterior:


62

En la pestaña del Geometric Model se establece el tipo de modelo mediante el que
queremos corregir las imágenes. Elegimos una transformación afín. En la siguiente
pestaña, definimos la proyección para las imágenes de salida, que será la misma que la
imagen de referencia:

Por último, en la pestaña de Output tenemos de nuevo alguna de las configuraciones
que establecimos al comienzo: método de remuestreo, sufijo de las imágenes
corregidas, archivo en el que se genera el informe:


63

A partir de este punto el proceso es similar al descrito para la anterior práctica:
identificar puntos homólogos en ambas imágenes y digitalizarlos utilizando la
herramienta Create GCP
. Haciendo doble clic sobre las imágenes a corregir
elegimos sobre cuál queremos trabajar. Vamos a comenzar con la imagen de 2003,
más similar a la de referencia.
Una vez hayamos establecido un mínimo de 2 puntos de control (es recomendable
digitalizar 4 puntos manuales para obtener mejores resultados) vemos cómo el icono
de la imagen a corregir ha cambiado a color verde, indicando que podemos ejecutar el
APM, que seguirá los parámetros introducidos desde la ventana de propiedades del
proyecto. Para ejecutar el APM hay dos opciones, una es pinchar con el botón derecho
sobre la imagen en la que queramos ejecutarlo y elegir Run APM, de forma que se
ejecuta sólo en esa imagen, y la otra es hacer clic sobre el botón Run APM
realizando el proceso sobre todas las imágenes que estén preparadas.

,

Una vez ejecutado sobre la imagen en la que hemos dado los puntos de control
obtenemos una serie de puntos y los residuos del ajuste en la parte inferior de la
ventana:

Los puntos generados automáticamente por el programa aparecen señalados con la
etiqueta “APM” en la primera columna. Vemos cómo hemos conseguido un total de 34
puntos de control, dos de los cuales son los introducidos de forma manual y el resto
generados por el programa. Podemos volver a ejecutar el APM cambiando los
parámetros para ver si el resultado mejora.


64

Para trabajar con los puntos de control de cara a obtener una corrección óptima
contamos con las herramientas del editor:

Éstas nos permiten deshacer o rehacer acciones, eliminar puntos, mostrar sólo los
seleccionados, navegar por los puntos seleccionados, calcular el modelo, ver el informe
y establecer un filtro para seleccionar puntos en función de un umbral de error
establecido por nosotros.
Por ejemplo, vamos a seleccionar los puntos con un error superior a 0’3 píxeles. Para
ello tecleamos el umbral y hacemos clic sobre el icono de seleccionar los puntos

:

Nueve son los puntos que exceden el umbral de 0’3 píxeles (estos resultados pueden
diferir, según el ajuste de los puntos introducidos manualmente). Procedemos a
eliminarlos para ver si mejora el ajuste general. En efecto, si los eliminamos y
recalculamos el modelo vemos cómo el RMSE pasa a ser de solamente 0’13 píxeles:

A continuación vamos a realizar el mismo proceso con la imagen de 1987,
introduciendo algún cambio. Comenzamos por digitalizar un mínimo de 2 puntos de
control de forma manual (de nuevo es recomendable localizar 4 puntos).


65

Una vez hayamos hecho esto vamos a proceder a la generación automática de más
puntos, pero estableciendo esta vez un patrón de búsqueda. Para ello sólo tenemos
que abrir la ventana de Project Properties pulsando en el botón
, y seleccionar la
opción Defined Pattern en lugar de Default Distribution. Dejamos las opciones del
patrón por defecto, aumentando el número de puntos por patrón a 2:

Al ejecutar el APM obtendremos un resultado mejor que en el caso anterior:

No sólo hemos obtenido muchos más puntos (235), también están mucho mejor
distribuidos por la imagen, lo que nos asegura una mejor corrección.
El RMSE obtenido es de 0’34, aunque es bastante bueno intentaremos mejorarlo
mediante el uso de las herramientas de edición de GCPs. Seleccionando los puntos con
un error superior a 0’5 píxeles y eliminándolos obtendremos un RMSE de 0’22.


66

Una vez hemos obtenido un ajuste satisfactorio vamos a corregir las imágenes.
Podemos hacerlo haciendo clic con el botón derecho del ratón sobre la imagen que
queremos corregir y eligiendo la opción Calibrate/Resample o mediante el botón con
el icono de un rayo
si queremos corregir todas las imágenes a la vez.
Seleccionamos la imagen de 1987 y la corregimos.
Una vez terminado el proceso aceptamos y aparece directamente una pantalla con las
dos imágenes superpuestas para evaluar visualmente los resultados. En este sentido
disponemos de tres herramientas muy prácticas: Blend, Swipe y Flicker

:

Realizamos la corrección de la imagen de 2003 y comprobamos que los resultados
sean igualmente satisfactorios.


67

En el directorio en el que hemos estado trabajando se ha almacenado un archivo .html
con el mismo nombre del proyecto en el que se encuentra el informe de todo el
trabajo realizado, con los parámetros utilizados:


68

Correcciones radiométricas

69

Correcciones necesarias
• Radiométricas:
– Eliminar ruidos en los ND.
– Corregir los problemas de toma de datos.
– Conversión a parámetros físicos.

Correcciones radiométricas
 Bandeado: producido por desajustes en el calibrado
de los detectores.
 Líneas o píxeles perdidos (fallos del sensor o la
transmisión).
 Cálculo de reflectividades.
 Correcciones atmosféricas.
 Correcciones del sombreado topográfico.
 Modelización del efecto bidireccional.

70

Bandeado

Se puede producir por un mal funcionamiento de alguno de los detectores
del sensor o por una mala calibración de los mismos. Se producirán en el
sentido del barrido de la tableta de detectores.
Posible solución: realizar una correlación lineal entre el histograma de los
detectores afectados y el histograma general de toda la imagen.

Ruido

También puede deberse a un mal funcionamiento de los sensores o de la
antena receptora de los datos.
Posible solución: Sustituir el valor de los píxeles defectuosos por el del
píxel anterior o posterior, o utilizar algún valor promedio de los píxeles
cercanos. También se puede utilizar algún filtro de paso bajo.

71

Fuente de energía
CÁLCULO DE
REFLECTIVIDADES

Sensor

SOL

ATMOSFERA

Nubes

Superficie terrestre

Sistema de
recepción

Reflectividad aparente*
Conversión de los ND a parámetros físicos:
• Cálculo radiancia
• Cálculo reflectividad

E0,k= irradiancia solar en el techo de la atmósfera
ρ*k= la reflectividad aparente de la cubierta en esa banda
Θi = ángulo cenital del flujo incidente formado por la vertical y los rayos solares
K = factor corrector de la distancia Tierra - Sol

* La reflectividad aparente asume una atmósfera transparente,
observación vertical, terreno llano y superficie lambertiana.

72

Temperatura aparente del suelo
• Estimación de la radiancia: L=a0+ a1*ND.
• Temperatura de brillo:

T * ( L) =

c2 n
ln (1 + c1 n 3 / L sen,n )

c1=1,1910659*10-5 W m-1 sr-1 cm-4
c2=1,438833 cm K

• Temperatura aparente del suelo (corrección atmosférica,
split-window*):
T*s = T*4 + [1,34 + 0,39 (T*4 - T*5)] (T*4 - T*5).
* Algoritmo desarrollado sobre las bandas del sensor NOAAAVHRR, pero aplicado también en otros casos.

Correcciones atmosféricas
El cálculo de la reflectividad real de una cubierta captada por un sensor aéreo o
espacial está condicionado por el comportamiento de la atmósfera:
La irradiancia solar en el techo de la atmósfera no es igual a la que llega a la superficie
terrestre.
La radiancia que llega al sensor no es la misma que la que sale de la superficie terrestre.

Tendremos que tener en
cuenta:
1º La transmisividad de la
atmósfera (dependerá el espesor
óptico de ozono, del contenido
de aerosoles, del espesor óptico
molecular y del ángulo de
observación).
2º La radiancia extra aportada
por el efecto de dispersión.

73

Correcciones atmosféricas
La estimación de la influencia atmosférica y su corrección para
el cálculo de reflectividades se realiza mediante distintos
procedimientos:
1. A partir de medidas sobre el terreno.
2. Utilizando datos de otros sensores.
3. Por medio de modelos físicos de transferencia radiativa
(MODTRAN, ATCOR).
4. A partir de datos de la propia imagen (Método de Chavez).

Modelo ATCOR

Coeficientes de
calibración

Distancia de
visibilidad
Tipo de sensor
Elevación media del terreno

Ángulo de
elevación solar

Fecha de la imagen

74

Correcciones del sombreado topográfico
 El relieve tiene un efecto distorsionador sobre las medidas de
reflectividades.
 La reflectividad es muy dependiente del ángulo de incidencia y del de
observación.
 En terrenos con escasa pendiente esta distorsión no es muy
importante, pero en otro tipo de superficies su influencia es clave.
 La existencia de un MDE permite modelizar este fenómeno y
corregirlo.

Imagen sin corregir

Imagen corregida

75

Práctica 4: Correcciones radiométricas.
Práctica 4.1
Vamos a realizar un ejercicio de corrección radiométrica de una imagen Landsat TM
con el objetivo de transformar los niveles digitales originales de la imagen en valores
de reflectividad aparente.
1. Abrimos la imagen “Landsat_nw_6bandas” que se encuentra en la carpeta
“Práctica 4”.
2. Con la herramienta Inquire Cursor

nos desplazamos sobre la imagen y

comprobamos el rango de valores en los que se mueven los distintos píxeles.
Estos valores se corresponden con los niveles digitales de la imagen. Nuestro
objetivo es cambiar su escala a valores de reflectividad aparente.
3. Desde la pestaña Raster abrimos el menú Radiometric y seleccionamos Landsat7
Reflectance:

4. En la ventana que se abre introducimos “Landsat_nw_6bandas” como imagen de
entrada y damos un nombre y ubicación al fichero de salida.


76

5. Cambiando a la pestaña Conversion accedemos a la ventana en la que
tendremos que introducir todos los parámetros necesarios para transformar los
ND en valores de reflectividad aparente (es necesario seleccionar la opción
LMAX/LMIN). La mayor parte de estos datos se encuentran en el archivo de
cabecera de la imagen y el resto se deducen a partir de ellos.
Valores máximos y
mínimos de
radiancia. Vienen
dados en el archivo
de cabecera.
Irradiancia solar en el techo de la
atmósfera.

Ángulo de elevación solar,
dado en el archivo de
cabecera.

Factor corrector de la distancia
al Sol. Se deduce a partir de la
información disponible.

6. Abrimos el archivo de cabecera (formato .txt) con un editor de texto tipo Bloc de
Notas o WordPad y analizamos la información contenida. Los datos que
debemos localizar y consignar son los relativos al ángulo de elevación solar, la
radiancia (máxima y mínima) en cada banda y el factor corrector de la distancia
al sol. Los dos primeros datos aparecen explicitados en el archivo de cabecera.


77

Tienes que tener en cuenta que la banda 6 en Landsat corresponde al canal en
el térmico. El tercer dato podemos calcularlo a partir de la siguiente fórmula:
D=(1+0.01674*(sen(2

J-93.5)/365)))2, siendo J el día juliano correspondiente a la

fecha de la imagen (en nuestra imagen, 164).
NOTA:
El día juliano se refiere a una forma de consignar una fecha dentro de un año. Va del 1 al 365, o 366
si el año es bisiesto. Por tanto, todas las fechas se consignan consecutivamente en este
intervalo. De este modo, el 31 de enero tendría un J=31 y el 1 de febrero J=32, es decir, el día
juliano es igual a la suma de los días del año que preceden a una fecha más uno.

7. Abre una hoja de cálculo electrónica e implementa la fórmula del factor
corrector de la distancia al Sol. La expresión que debes utilizar para traducir la
fórmula de cálculo de D en EXCEL es la siguiente:
=(1+0.01674*(SENO(2*PI()*(164-93.5)/365)))^2
8. Una vez que tengas todos los datos pulsa OK.
9. Volvemos al Viewer si lo hemos mantenido abierto o lo abrimos de nuevo desde
el módulo principal de ERDAS IMAGINE cargamos las dos imágenes,
“Landsat_nw_6bandas” y “Landsat_nw_6bandas_reflectance”. Para observar
los cambios en los valores de cada pixel utilizamos la herramienta Inquire
Cursor y nos vamos situando sobre tipos de cubierta ya conocidas. Desde el
panel de Contents podemos cambiar el orden de las imágenes para observar
cómo los valores de los píxeles cambian.
10. Otro modo de consultar los valores simultáneos de dos imágenes consiste en
crear dos vistas y cargar una imagen en cada una haciendo un link entre ellas.
Para ello elegimos la opción Add Views – Display Two Views desde la pestaña
Home.
11. Situándonos en la nueva vista cargamos la imagen landsat_nw_6bandas.img.
Para enlazarlas elegimos la opción Link All Views desde la pestaña Home, y a
continuación Equalize Scales.


78

12.

A continuación utilizamos el Inquire Cursor y observamos los valores que
ofrece, para visualizar los valores para un píxel determinado sólo tendremos
que pulsar el botón situado en la esquina superior derecha (Goto Next Linked
View).

13. Para finalizar desactiva la función link y comprueba que se ha realizado
correctamente.


79

Práctica 4.2
Vamos a solucionar el problema de un corte en una imagen a través de la aplicación de
un filtro. Previamente vamos a exportar una de las bandas con problemas que
componen una imagen en formato .img.
1. Desde la pestaña Manage Data elige la opción Export Data. Queremos exportar
a TIFF una imagen que se haya en la carpeta “Practica4” y que se llama
“escena_landsat_se.img”. Daremos un nombre al archivo de salida y lo
guardaremos en la misma carpeta.

2. Pulsamos Ok.
3. En la siguiente ventana indicamos que sólo queremos exportar una banda. En
Export Band Selection optamos por Grayscale y en Grayscale Band to Export
indicamos la banda 4. Pulsa Ok.


80

4. Abre la imagen tif generada en el Viewer y localiza un corte que existe en la
misma (la captura de pantalla te puede servir de referencia). Haz un zoom
sobre la zona.

5. Un problema de este tipo se puede solucionar mediante la aplicación de un
filtro que pondere los valores de un pixel con los que se encuentran a su
alrededor. Para no alterar los valores digitales de toda la imagen vamos a
seleccionar sólo la zona del corte, creando una AOI desde el Menú principal –
New – 2D view – AOI Layer.
6. Hacemos zoom a la zona y con la herramienta Polygon de la pestaña AOI /
Drawing dibujamos un polígono en torno a la zona de la imagen afectada:


81

7. Desde la pestaña Panchromatic seleccionamos Convolution filtering –
Statistical Filtering, manteniendo seleccionada la AOI que acabamos de crear.
8. Una posibilidad es aplicar un filtro estadístico de tipo Median sobre una
ventana móvil 5x5.

NOTA:
El filtro Median fija como valor del píxel la mediana de los valores de los pixeles incluidos en la
ventana móvil.

9. Al realizar la operación nos aparecerá un aviso indicando que los valores de los
píxeles de la imagen se verán alterados. Aceptamos.
10. Una vez corregida la imagen eliminamos la AOI de la tabla de contenidos (no
hace falta que la guardemos) y salvamos la imagen en formato .img añadiendo
el sufijo _corregida al nombre. Esto se hace desde el Menú principal – Save as
– Top Layer As.

82

Práctica 4.3
ERDAS IMAGINE contiene una función para reducir el efecto de presencia de neblinas
mediante la aplicación del método Tasseled Cap. Este método requiere de una
adaptación específica a las características técnicas de cada sensor. En el caso de ERDAS
sólo está diseñado para aplicarse sobre imágenes Landsat 4, 5 y 7.
1. Si abrimos la imagen “landsat_escena_se” en el Viewer y la visualizamos
(prueba con una composicón RGB en color natural) podremos observar la
presencia de vapor de agua (este efecto se observará más fácilmente en
contraste con las cubiertas vegetales, es decir, las que muestras un color verde
en una composición en color natural; aunque también sería apreciable con otro
tipo de composiciones).
2. Podremos reducir este efecto a través de la transformación Tasseled Cap
mencionada. Esto implicará la transformación de los valores digitales de la
imagen e entrada.

3. Para acceder a esta transformación deberemos dirigirnos a la pestaña Raster y
seleccionar Radiometric – Haze Reduction.


83

4. La aplicación es sencilla. Tan sólo tendremos que indicar un archivo de entrada
(en nuestro caso la imagen “landsat_nw_6bandas”) y un nombre al fichero de
salida (elige uno que sea representativo del proceso que vas a realizar). El tipo
de Point Spread Type se refiere al tipo de matriz kernel que queremos aplicar
en la corrección (High=5x5; Low=3x3). No obstante, ya están predefinidos para
el caso de imágenes Landsat5, por lo que seleccionamos este valor. Una vez
completados todos los datos necesarios pulsamos Ok.


84

5. Ahora debemos comprobar el efecto provocado en la imagen visualizándola en
el Viewer junto con la imagen sin transformar (la combinación de bandas más
adecuada para ver los cambios es color verdadero). Aplica algunas de las
herramientas de visualización que ya conoces (Swipe) También comprueba el
cambio en los valores digitales a través del Inquire Cursor.


85

Realces y filtros
Operaciones más habituales

86

La imagen digital

Una imagen es una matriz de datos

12

y

4

65

11

32

96

89

99

65

31

13

64

31

78

9

65

2
13

45
78

26

87
45

48
18

3
32
46

65

84
65

23
1
2

13

65
3

15
68
73

12

65
8

32

9

6

74

46

24
48
23
57
61
14
87 13 89 54
20
80
24
65
12
69
31
19
48
32
18
65
74
68
65
31
13
64 89 31 42
68
16
86
21
68
16
32
18
45
35
68
15
4
5
3
6
9
15
26
16
84
26
3
9
8
7
19
8
6
2
3
8
9
6

13

40

57

61

32

15

89

42

65

84

62

48

15
99
13

75

42

3
4

11

68

69

32
19

46

86

84

62

15

…

21

85

La unidad básica de información es el píxel,
en el que se almacena un valor o ND para
cada banda

x

La imagen digital
Análisis de la imagen

IRC

Histograma, parámetros básicos
banda a banda: media, desviación
típica

Correlación entre bandas
Rojo

87

La imagen digital
Perfiles espectrales

La imagen digital

Superficies

88

Realces
Ajuste del contraste
Problema: Diferencia entre niveles digitales y niveles de visualización
Objetivo: Adaptar la resolución radiométrica para una mejor visualización

C

NDmax
NDmin

C

NDmax

C

Definiciones de contraste

ND

NDmin

Tablas de referencia de color: Nivel Visual para cada Nivel Digital

Realces
Compresión del contraste
Para sensores que codifican la radiancia en más de 8 bits, es decir, en más de
256 Niveles Digitales
Establecimiento de intervalos
Expansión del contraste
Cuando el rango de ND es menor que los Niveles Visuales disponibles
Métodos:
• Expansión lineal: entre el mínimo y el máximo
• Ecualización del histograma: a cada ND un número igual de NV
• Desviaciones típicas: ajuste lineal entre los umbrales definidos por n
desviaciones típicas
• Personalizada: para una zona concreta, o definiendo manualmente los
puntos de ruptura

89

Realces
Expansión lineal
Imagen original

Imagen realzada

La relación entre Niveles Digitales y Visuales queda definida por una
función, que vemos expresada en la pendiente de la recta

Realces
Cambio de una
imagen sin realzar a
una realzada

90

Filtrajes
Operación de vecindad inmediata
Obtención de nuevos valores a partir de los valores de píxeles vecinos
Se busca suavizar o reforzar el contraste espacial para mejorar la
visualización eliminando valores anómalos o resaltando las diferencias

TIPOS
Paso bajo: suavizado contraste
Paso alto: realce diferencias
Filtros modales: para variables temáticas

Filtrajes
Transformación mediante operadores locales: ventanas de diferentes tamaño
(3x3 5x5 7x7)

Cada píxel de la nueva imagen
será función de los valores de los
de su alrededor

Paso bajo

Paso alto

1

1

1

-1

-1

-1

1

2

1

-1

9

-1

1

1

1

-1

-1

-1

91

Filtrajes
Filtro de paso bajo
Imagen filtrada

Imagen original

Filtrajes
Filtro de paso alto
Imagen filtrada

Imagen original

92

Filtrajes
Filtros de paso alto direccionales
Filtro diagonal izquierda

Filtro diagonal derecha

0

1

2

-2

-1

0

-1

0

1

-1

0

1

-2

-1

0

0

1

2

Filtrajes
Textura
Interpretación de la imagen: contraste espacial entre los elementos de la
imagen. Varía en función del tamaño de los objetos y de la resolución espacial
Medición mediante operaciones de
vecindad.
Varianza: resalta los límites de los
objetos

93

Práctica 5: Realces y filtrajes

La imagen digital
Vamos a visualizar la información digital que contiene la imagen, los Niveles Digitales
que, como sabemos, codifican valores de radiancia recogidos por el sensor.
Primero vamos a abrir un visor de ERDAS y la imagen landsat5_curso.img:

Para ver la información hacemos clic en el botón de
View/Edit Image metadata . Moviéndonos por las
diferentes pestañas podemos ver los datos básicos, la
proyección, el histograma, o la matriz de datos para cada
banda:

94

Podemos calcular las estadísticas que se muestran en la primera pestaña desde el
menú Edit – Compute Pyramyd Layer/Statistics:

Conviene asegurarse de que ignore los valores de 0 para no falsear los resultados con
los valores de 0 del fondo. También podemos establecer el número de píxeles que se
salta al muestrear la imagen desde la opción Skip Factor o calcular los estadísticos
básicos para una zona concreta si hemos definido un AOI (Area Of Interest).
Como parte del análisis de la imagen conviene hacerse una idea de la correlación
existente entre las bandas que la componen. Puede ser conveniente eliminar alguna
banda altamente correlacionada con otra de cara a la posterior clasificación digital.
Vamos a evaluar la correlación entre bandas de forma visual, generando gráficos de
dispersión. Para ello crearemos gráficos de dispersión entre dos bandas.
Desde la pestaña raster – supervised accedemos a la opción Feature Space Image:

95

Elegimos la imagen landsat5_curso.img como entrada y un nombre para las imágenes
de salida (como parte del mismo proceso vamos a crear varias imágenes, que
comenzarán con el nombre que introduzcamos y terminarán con la especificación de
las bandas representadas): dispersion. Al cargar la imagen el programa nos propone
automáticamente tantas imágenes de salida como combinaciones entre bandas sea
posible. Sin embargo, sólo se crearán las que seleccionemos, o todas, en el caso de no
seleccionar ninguna. Con la tecla de mayúsculas pulsada seleccionamos las siguientes
combinaciones: 1-2, 2-3, 3-4, 4-5 y 5-7, y aceptamos para comenzar el proceso:

El resultado será una imagen por cada combinación seleccionada, que se puede
mostrar en el visor para su análisis, como cualquier otra imagen:

Nota: se pueden mostrar varios visores dentro del mismo marco mediante la opción Add Views
96

A continuación vamos a examinar la imagen de forma visual. Para ello abrimos la
imagen landsat5_curso.img desde un visor de ERDAS:

Vamos a obtener un perfil sobre la imagen landsat. Para ello abriremos el archivo
profile.ixs desde el menú principal Open –Session. Este archivo ixs contiene una vista
determinada sobre una zona determinada de la imagen y un archivo vectorial con una
línea:

Nota: puedes usar los archivos ixs para almacenar vistas con capas raster y vectoriales, una
determinada combinación de bandas, una escala de visualización, etcétera.

97

Seleccionamos la línea haciendo clic sobre ella y a continuación seleccionamos la
herramienta Spatial Profile desde la pestaña Multiespectral (ten en cuenta que las
opciones raster sólo aparecen cuando tenemos seleccionada la imagen desde la tabla
de contenidos):

Existen tres tipos de perfiles, espectrales, espaciales o superficiales. Los espectrales
recogen el valor que tiene un punto en las diferentes bandas de la imagen, los
espaciales permiten ver la respuesta de una banda a lo largo de una línea y las
superficies son lo mismo en dos dimensiones, sobre un rectángulo.
Al aceptar vemos la ventana desde la que podemos crear una línea para ver su perfil
o hacer el perfil desde la capa vectorial seleccionada
opción y seleccionamos la banda 4, de Infrarrojo próximo:

. Elegimos esta segunda

98

Podemos identificar la respuesta espectral de las diferentes cubiertas atravesadas por
nuestra línea: el suelo desnudo, las parcelas cultivadas y los picos de baja radiancia que
señalan el cruce del río.
Sin cerrar la ventana de perfiles espectrales podemos movernos por la imagen y crear
nuevos perfiles. Haz la prueba en distintas zonas de la imagen para intentar interpretar
la respuesta espectral en las diferentes bandas que ya conocemos.
A continuación vamos a realizar la misma operación sobre una superficie, en lugar de
una simple línea.
Cerramos la herramienta de crear perfiles y navegamos hasta una zona de nuestra
elección. Seleccionamos esta vez la opción Surface Profile. Mediante la herramienta
Create box in viewer
elegimos el área cuyos valores queremos representar (no
conviene seleccionar un área demasiado amplia):

Para mejorar la visualización podemos cambiar la medida de los ejes desde el menú
Edit – Chart Options y superponer una imagen temática o continua. Haciendo clic en
Edit – Overlay Truecolor vamos a superponer la imagen landsat5_curso.img, eligiendo
la combinación de bandas que prefiramos.
Cambiando la banda mostrada, podemos estudiar la respuesta de las diferentes
cubiertas.

99

Realces
ERDAS aplica un realce al abrir las imágenes de forma automática, para mejorar su
visualización. Vamos a probar a visualizar la misma imagen con la que hemos estado
trabajando sin realce para ver las diferencias.
Abrimos el programa y seleccionamos la imagen landsat5_curso.img desde la carpeta
de la práctica 5, pero antes de abrirla nos aseguramos de que lo le aplique ningún
realce desde la pestaña Raster Options, seleccionando la opción No Stretch:

Vemos cómo el contraste de la imagen abierta es mucho menor de lo habitual:

Esto se debe a que el sensor TM está preparado para recoger en 8 bits los valores de
radiancia de cualquier cubierta terrestre, pero en la imagen sólo tenemos una
pequeña muestra, por lo que no estamos aprovechando la capacidad de visualización
de nuestra pantalla.

100

Ahora vamos a acceder a las opciones de realce desde la pestaña Multiespectral General Contrast:

Antes de comenzar a trabajar nos aseguramos de hacerlo sólo sobre los valores de la
imagen, sin tener en cuenta el fondo, y que los cambios se apliquen a la tabla de
referencia, seleccionando la opción Whole Image y Lookup Table, como vemos en la
imagen.
Desde este cuadro de diálogo podemos definir el método de realce, visualizar los
resultados y almacenar los cambios en la tabla de referencia o Lookup Table.
Vamos a realizar una prueba definiendo una expansión del histograma basada en dos
desviaciones típicas y luego en una sola para observar las diferencias.
Desplegamos para elegir el método Standard Deviations y dejamos el número en 2, en
primer lugar, para ver el resultado. A continuación seleccionamos una sola desviación y
aplicamos los cambios:

2 desviaciones típicas

1 desviación típica

101

Al elegir una sola desviación típica el contraste es mucho mayor pero la imagen
aparece mucho más saturada. Esto es porque el rango de ND considerados es menor y
la pendiente de la función que define la relación entre ND y NV mayor, por lo tanto.
Para una edición personalizada podemos situar los puntos de ruptura de la tabla de
referencia de forma manual, visualizando el histograma. A esta opción se accede desde
el botón Breakpts… En la ventana que aparece al pulsar tenemos los tres canales de
visualización, Rojo, Verde y Azul con la línea definida por método de realce
seleccionado y una serie de herramientas de edición:

Nota: aunque esta herramienta tiene muchas posibilidades vamos a limitarnos a ver sólo las
cuestiones más básicas.

Al igual que en el caso anterior nos aseguramos de no tener en cuenta el fondo negro
seleccionado como fuente de datos para el histograma la imagen en la opción Whole
Image. Con el mismo cursor vamos a manejar los puntos de ruptura que marcan el
comienzo y el final de la pendiente en la línea de cada canal, estirándola un poco para
que abarque una mayor parte del histograma. Los Niveles de Visualización se
distribuyen de forma más homogénea por el histograma, de forma que tendremos una
imagen menos saturada:

102

Cuando hayamos conseguido una distribución adecuada pulsamos en el botón de
Apply All para aplicar todos los cambios, o podemos ir aplicando los cambios de cada
canal haciendo clic en sus respectivos botones

:

103

Desde esta herramienta podemos acceder a la propia tabla de referencia para ver qué
Nivel Visual hemos adjudicado a cada Nivel Digital. Esto se hace para cada canal
mediante su respectivo botón
. Desde esta herramienta podemos establecer las
coordenadas (en el gráfico de la tabla de referencia) de los puntos de ruptura o
directamente cambiar los niveles asignados a mano:

Una vez terminado podemos guardar los cambios desde el cuadro de diálogo del
Breakpoints Editor, creando un archivo de breakpoints que podremos cargar desde
este mismo editor. Para guardar los cambios de forma que la tabla de referencia que
hemos creado se asocie a la imagen y siempre que la abramos la visualicemos de la
misma forma hay que hacerlo desde el propio visor con la opción de Save Top Layer. Si
no lo hacemos se nos ofrece la oportunidad de guardar cualquier cambio realizado en
la tabla de referencia al cerrar la imagen:

Si no salvamos los cambios tenemos que tener en cuenta que cuando la imagen no
tiene una tabla de referencia asociada, el visor de ERDAS siempre la muestra con un
realce de dos desviaciones típicas, por defecto.

104

Filtrajes
En ERDAS hay una gran cantidad de filtros predefinidos pero también se puede crear
un filtro nuevo con los parámetros que deseemos. A todas estas opciones se accede
desde la pestaña Raster menú Spatial, opción Convolution:

Desde esta ventana podemos elegir diferentes tipos de filtros y aplicarlos a nuestra
imagen para crear una nueva imagen filtrada de salida. Vamos a realizar una primera
prueba con un filtro de paso bajo para suavizar la imagen.
Desde Input File abrimos la imagen landsat5_curso.img y guardamos la imagen
resultante en la carpeta de resultados, con el nombre de paso_bajo3.img. Como
puedes adivinar, en el desplegable de Kernel vamos a seleccionar 3x3 Low Pass. Antes
de aceptar podemos examinar y, eventualmente, cambiar los pesos del filtro que
vamos a aplicar desde el botón de Edit:

105

Al multiplicar todos los valores por 1, este filtro va a generar una media de los valores
del entorno, suavizando los cambios:

Nota: para examinar las diferencias entre la imagen original y la filtrada una utilidad muy
adecuada es la herramienta Swipe, como puedes ver en la imagen.

106

Abrimos de nuevo la herramienta Convolution para aplicar un nuevo filtraje, esta vez
de paso alto (3x3 High Pass), por lo que a la imagen resultante la vamos a llamar
paso_alto3.img. Si examinamos esta vez la kernel que va a aplicar vemos cómo cambia
con respecto a la anterior, ponderando el valor central muy por encima de los
adyacentes:

Esta vez la imagen filtrada refuerza mucho las diferencias, resaltando límites de
parcelas, manzanas del casco urbano o rasgos lineales como carreteras:

Vamos a realizar otros filtrajes de paso alto y bajo aumentando el tamaño de la
ventana móvil para ver cómo se acentúa el efecto de suavizado o refuerzo.

107

Antes de aplicar los filtros direccionales piensa cuál conviene para resaltar los rasgos
lineales más significativos de la imagen, por ejemplo las carreteras más significativas,
como son las nacionales II y III:

N-II

N-III

Al visualizar los resultados de los filtros de dirección puede ser conveniente hacerlo
banda a banda en escala de grises, porque las composiciones en color crean cierta
confusión.
Para terminar con las opciones más básicas de filtrajes vamos a aplicar un filtro modal
sobre una imagen temática. La imagen que vamos a utilizar es el resultado de una
clasificación digital realizada en Kargaly, una zona de Rusia.
Primero abrimos kargaly.img para visualizarla:

108

Se trata de una zona no muy amplia, de dedicación mayoritariamente agrícola, con
parcelas de gran tamaño que no aparecen clasificadas de forma homogénea. Aunque
resolver este problema requeriría otros procedimientos, de momento vamos a intentar
presentar un resultado más razonable mediante la aplicación del filtro modal.
Podemos trabajar de forma sencilla desde la pestaña Raster – Thematic – Statistical
Filtering :

O elegir la herramienta Neighborhood desde el menú Thematic de la pestaña Raster:

Esta última opción ofrece más posibilidades, por lo que vamos a elegirla (la otra opción
realiza los cambios directamente sobre la imagen cargada).
Seleccionamos como entrada kargaly.img y como archivo de salida tecleamos
kargaly_filtrada.img.

109

Para realizar un filtrado de las islas mal clasificadas que han quedado dentro de las
parcelas vamos a aumentar el tamaño de lo que consideramos vecindad a 5x5, para
incluir áreas de cierto tamaño, y a elegir como función a aplicar Majority que
seleccionará como valor de cada píxel el que presente la mayoría de sus vecinos, es
decir, la moda.
Aceptamos y visualizamos el resultado de nuevo sobre la imagen original para ver las
diferencias (aunque son obvias a simple vista) y cómo ha trabajado el filtro. Aunque el
resultado está transformando los datos de la clasificación que habíamos realizado,
ofrece en realidad un resultado mucho más coherente en el que las zonas son más
homogéneas:

Textura
La textura se calcula a través de una ventana móvil que se desplaza por toda la imagen,
al igual que ocurre con los filtros, pero lo que vamos a hacer en este caso no es
modificar los valores de los ND sino obtener una nueva variable que refleja la variación
espacial de la imagen.
Accedemos a la herramienta desde la pestaña
Raster – Spatial – Texture:

110

Vamos a medir la varianza sobre una ventana de 3x3. Sólo hay que cargar la imagen
lansat5_curso.img, adjudicarle como nombre de salida textura.img, dentro de la
carpeta de resultados y seleccionar el tamaño de la ventana, que vamos a dejar en 3x3.
Observamos que aunque la imagen de entrada es de 8 bits nos va a generar una
imagen de salida de coma flotante, ya que los valores del resultado son el de el
estadístico de la varianza para cada píxel.
Aceptamos y una vez terminado el proceso abrimos la imagen resultante en un visor,
preferiblemente en escala de grises para visualizar banda a banda la imagen, de forma
que resulte más sencilla su interpretación:

Navegando por la imagen podemos observar cómo aparecen especialmente resaltados
los contornos de los objetos visibles como son campos de cultivo, bloques de casas o
carreteras, ya que el valor de varianza es más alto que en las zonas más homogéneas.
Lo más significativo es el contorno de las nubes presentes en la zona este, en las
bandas del visible, ya que son muy homogéneas internamente, pero muy distintas de
su entorno.

111

OPCIONES DE MOSAICADO EN ERDAS IMAGINE

MosaicPro
Las imágenes de entrada deben estar
georreferenciadas y contener el mismo
número de capas. Las imágenes no tienen
porqué estar en la misma proyección o
tener el mismo tamaño de celda. También
trabaja con imágenes calibradas. La
extensión de un proyecto en MosaicPro es
.mop.
Permite utilizar el límite de un polígono
definido para realizar la unión.

113

MosaicExpress
Se trata de una herramienta
guiada con nueve diferentes
pasos.
Estos

se

pueden

seguir

fácilmente de modo sucesivo.
Cuenta con apoyo textual y
gráfico para guiar la ejecución
de cada etapa.

ASPECTOS A TENER EN CUENTA
ENTRADA DE DATOS

ZONA DE SOLAPE

CORRECCIONES DEL COLOR

SALIDA DE DATOS

114

ENTRADA DE DATOS
Entire image
Crop Area

AOI Area

Active area

ENTRADA DE DATOS
TIPOS DE ARCHIVOS

115

ZONA DE SOLAPE
Weighted Seam Line Generation.
Basada en la función de coste más baja.

Most Nadir Seamline.
Basada en la distancia de los píxeles de la zona de solape al pixel central de
cada imagen.

Geometry-based Seamline
Tiene en cuenta la forma de la zona de solape. En un mosaico con dos
imágenes la zona de solape se dividiría en dos polígonos iguales.

Overlay-based Seamline
Trabaja sólo sobre la zona activa de cada imagen La imagen que está por
imagen.
encima provee los píxeles en la zona de solape.
Además podremos aplicar el efecto Smoothing y/o Feathering.

CORRECCIONES DEL COLOR
Exclude Areas.
Permite señalar áreas dentro de una imagen cuyos valores representativos se
quieren excluir del proceso de corrección del color.

Ilumination Equalizing.
Homogeniza las grandes variaciones de iluminación o color.

Image Dodging.
Realiza un tratamiento estadístico para la corrección de los desequilibrios en
la intensidad de luz de la imagen mosaicada.

Color Balancing.
Reduce las diferencias de color existentes entre las imágenes que integran el
mosaico.
i

Histogram Matching.
Lleva a cabo una homogeneización de los histogramas de las imágenes para
que sean similares. Presupone que todas las diferencias de color y brillo en las
imágenes se debe a los efectos atmosféricos y de iluminación.

116

SALIDA DE DATOS

Remuestreo de datos

Configuración adicional
de la imagen de salida

117

Práctica 6: Elaboración de mosaicos.
Práctica 6.1
1. Desde el panel principal de ERDAS IMAGINE 2010 en la tabla Manage Data y en
dentro del grupo Catalog selecciona la herramienta  Image Catalog.





2. Al no tener un archivo de catálogo ya creado deberemos generar uno nuevo. Lo
guardaremos en la carpeta “Practica6” y le daremos un nombre identificativo
(por ejemplo “Landsat”).
3. Utiliza la herramienta Add image to the Catalog

para abrir la ventana del

catálogo de imágenes.




4. Navega hasta la carpeta “Práctica6” y selecciona una de las imágenes TIFF,
pulsa OK.



UNIDAD SIG‐CCHS: Introducción al tratamiento digital de imágenes con ERDAS Imagine

118

5. En la ventana del catálogo de imágenes pulsa Add All y cierra el cuadro de
diálogo.



6. Desde el menú despliega Edit y consulta el Catalog Layout. Busca la columna
Path. Cuando esta columna esté marcada utiliza el botón UP para situarlo justo
encima de la columna Projection.





7. Salva el cambio efectuado, pero asegúrate que en el menú correspondiente
consta la opción “User”. Entonces pulsa OK. Puedes alargar la columna para ver
el contenido del Path completo.
NOTA:
Para acceder a una información más detallada sólo tienes que seleccionar el registro de una imagen
determinada y usar el icono Image Info



.


119

8. Para localizar nuestras imágenes en un contexto geográfico global podemos
utilizar la función Visual Query Graphical Viewer

.

Pincha  ViewQuery within current extents para incorporar al visualizador todas
las imágens de nuestro catálogo podemos utilizar.

Query All Images within Current Boundaries

.

Con las herramientas de zoom aproxímate al área de trabajo.
9. Situándonos sobre la tabla con el listado de imágenes que integran nuestro
catálogo podríamos definir criterios de búsqueda. Para ello bastaría con
situarnos sobre uno de los registros y con el botón derecho del ratón
seleccionaríamos Criteria.

Por ejemplo, podríamos seleccionar la imagen que contiene en su nombre el
carácter “1”. La expresión que deberíamos construir sería de la forma:   º
10. Cierra el Image Catalog Tool.


120

Práctica 6.2
1. En el módulo principal de ERDAS IMAGINE 2010 despliega la tabla Home, en el
grupo Information y selecciona Layer Info.

Se abrirá una ventana de diálogo.
2. En el menú principal de esa imagen seleccionamos File/Open, elegimos abrir
imágenes tipo TIFF y abrimos la imagen llamada “cuarto_1”.

3. En la misma ventana ImageInfo generamos las capas de pirámides
(Edit/Compute Pyramid Layers). Señalar Compute Pyramid Layers y el resto de
parámetros los vamos a dejar tal y como los consigna ERDAS.


121

4. Repite los pasos 2 y 3 para la imagen “cuarto_2”.

5. Abre un Viewer y carga las dos imágenes: “cuarto_1” y “cuarto_2”.
6. Utiliza la función Swipe para analizar la zona de solape entre ambas imágenes.
7. Cierra el Viewer y desde el módulo principal de ERDAS IMAGINE 2010
selecciona la tabla Raster/grupo Mosaic/ Mosaic Pro.

8. Accedemos a la interfaz gráfica para la generación de mosaicos en ERDAS.

9. Desde el menú Edit accedemos a la herramienta para cargar las imágenes que
queremos “mosaicar” (Add Images). Seleccionamos la imagen “cuarto_1” y
pasamos a la pestaña Images Options.


122

10. Elegimos la opción Compute Active Area y pulsamos el botón Set modificando
el Crop Area hasta el 5%. Esto es útil cuando los bordes de nuestras imágenes
pueden incluir información defectuosa. No es el caso, pero aún así, vamos a
seleccionarlo.
11. Repite la última parte para cargar la segunda imagen cuarto_2”
12. Despliega el Color Corrections Options

, elige Use Histogram Matching y

pulsa Ok.

13. A continuación definiremos el tipo de líneas de corte por medio de
Automatically Generate Cutlines for Intersection

.

14. Marcamos Weighted Seamline y pulsamos Ok.
15. Observa las opciones que ofrecen las herramientas Image Resample Options
y Set Overlap Function

, pero de momento deja las opciones que te da

por defecto.
16. Para finalizar el proceso pulsa Run the Mosaic Proccess to Disk

o accede a la misma opción desde el menú Procces.
17. Da un nombre al archivo de salida y guárdalo en la carpeta “Práctica6”. En la
pestaña Output Options marca la opción Stats Ignore Value y deja el valor 0.
Pulsa Ok.
18. Abre una ventana Viewer y visualiza el resultado prestando atención a la zona
de solape. Puedes compararlo, si quieres, con las dos imágenes de partida.
19. Cierra el Viewer.

123

Práctica 6.3
1. Abre el editor de preferencias seleccionando Session/Preference.

2. En el User Interface & Session localiza las preferencias relativas a 6‐or‐greater
Band Image. Elige una combinación de bandas 3, 2 y 1 para los canales del rojo,
verde y azul, respectivamente. Después, pulsa User Save y Close.
3. Despliega el Viewer y abre los archivos “cuarto_1.tif”, “cuarto_2.tif”,
“cuarto_3.tif” y “cuarto_4.tif”.

4. Cierra el Viewer y desde el módulo principal de ERDAS IMAGINE 2010
selecciona la tabla Raster/grupo Mosaic/ Mosaic Pro.


124

5. Añade los cuatro cuartos Landsat a tu espacio de trabajo con Add Images, en la
pestaña Image Area Options selecciona Use Entire Image.

6. Ahora vamos a aplicar las correcciones de color para conseguir una mayor
homogeneidad en el archivo de salida. Selecciona el icono Color Correction
Options

.

7. Activa la opción Exclude Areas.

8. Pulsa el botón Set.
NOTA: Cuando se decide mosaicar una imagen puede resultar conveniente eliminar del proceso
aquellos pixeles que pueden presentar valores extremos (como cuerpos de agua o nubes). Esta
opción te permite marcar este tipo de cubiertas para que no se tengan en cuenta durante el
Color Balancing, Image Dodging o el Histogram Matching.

9. En la ventana que se abre tenemos dos espacios de visualización, uno de la
imagen general y otro de detalle, y una serie de iconos para la selección de las
áreas a excluir. Localizaremos áreas correspondientes a los cuerpos de agua
que presentan color negro (visibles, por ejemplo en la imagen “cuarto_3”).


125

10. Con la herramienta Create Polygon AOI

trazaremos un polígono en el área

de interés y con él seleccionado utilizaremos la opción Exclude Areas that are
spectrally similar

. Marcamos un valor máximo de pixel de 80 y nos

aseguramos de que esté activa la opción de búsqueda aplicada a todas la
imágenes. Podemos repertir este proceso para incluir más píxeles de agua o de
otras cubiertas que aparezcan con color blanco.

11. Después de seleccionar las áreas sólo queda pulsar Apply to All y cerramos la
ventana Exclude Areas.
12. A continuación marcamos la opción Use Image Dodging y pulsamos sobre el
botón Set.


126

13. En la ventana del Image Dodging deja los parámetros por defecto y pulsa
Preview aceptando el procesado de los parámetros para todas las imágenes.

14. Pulsa Ok sobre el panel de correcciones del color.
15. A continuación definiremos el tipo de líneas de corte por medio de
Automatically Generate Cutlines for Intersection

.

16. Marcamos Weighted Seamline y pulsamos Ok.

127

17. Guarda la configuración del mosaico en la carpeta “Practica6” con el nombre
“corrección_dodging.mop”.
18. Ejecuta el mosaico a través de Process/Run Mosaic.
19. Da un nombre de salida y almacénalo en la carpeta “Practica6”. En la pestaña
Output Options activa la opción Stats Ignore Value 0.
20. Abre el Viewer y observa el resultado. Compara el resultado con el obtenido en
la práctica anterior, presta atención a la zona de solape entre imágenes.


128

Práctica 6.4
1. Vuelve al módulo Mosaic Pro y abre si es necesario el archivo .mop que
generaste antes.
2. Abre la paleta de opciones de correcciones del color, activa el Use Histogram
Matching.

3. Pulsa el botón Set.

4. Asegúrate que la opción en el Matching Method es For all Images. Pulsa Ok.
5. Acepta las correcciones de color definidas y ejecuta el mosaico. Puedes llamar
al archivo de salida “mosaico_dodging_matching.img” y selecciona Stats Ignore
Value 0.
6. Compara el mosaico generado con el anterior.


129

Obtención de información de la imagen
Combinaciones lineales entre bandas, índices

Carlos Fernández Freire
Victoria González Cascón
Alfredo Gómez Domínguez
Centro de Ciencias Humanas y Sociales (CCHS)
Consejo Superior de Investigaciones Científicas (CSIC)

Índices

130

Obtención de información de la imagen
TRANSFORMACIONES:
Se trata de generar nuevas bandas que mejoren la interpretación de la
imagen.
Combinaciones entre bandas que intentan enfatizar alguna variable de
interés: vegetación, agua, mineral...
Su diseño se apoya en el comportamiento radiativo de esa variable:
maximizar su separación del resto.
Obtención de información a través del trabajo con las bandas de la imagen
• Combinaciones entre bandas
• Índices de vegetación: NDVI
•T
Tasseled Cap
l dC
• Componentes Principales
Ventajas de los Índices de Vegetación:
-Realzan la contribución de la vegetación en la respuesta espectral de las
superficies.
-Atenúan otros factores: suelo, atmósfera, iluminación, topografía.

Índices de vegetación

La vegetación aparece muy diferente
en el visible y en el infrarrojo cercano.
Comparando ambos se puede medir
la masa vegetal y su vigor.
La vegetación saludable absorbe la mayor parte del
espectro visible y refleja una gran parte del infrarrojo
cercano.

131

Índices
Índices de vegetación
Se basan en la respuesta de la vegetación en el rojo y el infrarrojo próximo: a
mayor contraste, mayor vigor de la vegetación
USOS
Discriminación masas
vegetales
Hierba verde
Hierba seca

Seguimiento cambio global
Previsión riesgo incendios

R

Índices

IRC

NDVI: Índice Normalizado de Vegetación

El índice NDVI es un indicativo sensitivo de la presencia y condición de la vegetación. Permite
realizar la identificación y el seguimiento de las áreas afectadas por la sequía
sequía.

[ 1, 1]
[‐1,+1]
Oscila entre

0 = sin vegetación
> 0’1 = vegetación
0’1
t ió
> 0’5 = vegetación muy densa

132

Usos del NDVI
-Contenido de clorofila en la hoja
-Índice de área foliar: LAI
g
j
-Contenido de agua de la hoja
-Flujo neto de CO2
-Radiación fotosintéticamente activa absorbida por la
planta
-Productividad neta de la vegetación
-Cantidad de lluvia recibida por la vegetación
-Dinámica f
Di á i fenológica
ló i
-Evapotranspiración potencial

Tasseled Cap
Creación de componentes de significado físico preciso.
Creación de nuevas bandas por combinación lineal de las originales.
Ponderación de las bandas de los sensores Landsat MSS y TM.
También se ha definido para otros sensores como el AVHRR o IKONOS.

Brillo: cambios en la reflectividad total de las bandas, excluyendo la
térmica.
térmica
Verdor: contraste entre las visibles y el infrarrojo próximo.
Humedad: contenido de agua en la vegetación y el suelo, contraste
entre el infrarrojo medio y el resto de bandas.

133

Tasseled Cap
Plano de variación de la vegetación

Máximo
verdor

Suelo claro

Marchitez

Vegetación
emergente

Línea de suelo

Suelo
oscuro

Tasseled Cap

H
u
m
e
d
a
d

V
e
r
d
o
r

V
e
r
d
o
r
Brillo

Brillo
Humedad

134

Tasseled Cap
Brillo

Verdor

Humedad

Componentes Principales
Técnica de síntesis estadística
Objetivo: transformar un conjunto de variables en otro conjunto menor
(Componentes Principales) que retiene la máxima información del
conjunto original
original.

Cuándo utilizarlos:

• Para estudiar muchas variables
• Cuando las variables presenten una alta correlación
•Permite comprimir información multibanda (sensores hiperespectrales, más de 100 bandas)

Agustín Lanero Pardo

135


Es una técnica de reducción de
datos.
Sirve para analizar un conjunto
de variables correlacionadas
entre sí – las variables son las
bandas de la imagen.

Correlación entre las bandas
de la imagen de Talavera
B1

B2

B3

A partir de las variables
originales, se obtienen unas
nuevas
(denominadas
componentes principales) que
recogen la variabilidad de
forma más estructurada.

B4

B5

B6

CP1

CP3

CP2

CP4

136

CP5

CP6

La varianza explicada por cada componente va en orden decreciente desde el
primero hasta el último: el CP1 es el que más porcentaje de varianza explica,
seguido del CP2 y así hasta el último.
Muy correlacionados con las variables originales y muy poco correlacionados entre
sí (no tienen información compartida)

Utilidades:
• Visualizar en un número reducido de bandas las características de una imagen con
muchas bandas
• Detección de anomalías en los últimos componentes
• Estudios multitemporales: identificar cambios

137

Práctica 7: Combinaciones lineales entre bandas
Para comenzar la práctica abrimos la imagen de la carpeta practica_7 en Erdas la
imagen se llama lansat_nw_6bandas_reflectance.img.

Índice Normalizado de Vegetación
La generación de los índices más habituales está predefinida desde la pestaña Raster –
grupo Classification ‐ Unsupervised – NDVI:

Fórmula que se va a aplicar

Desde este cuadro de diálogo podemos aplicar los índices más habituales a nuestra
imagen, ya predefinidos para los sensores más comúnmente utilizados.
Los únicos parámetros que debemos establecer son la imagen de entrada,
lansat_nw_6bandas_reflectance.img, la de salida, que crearemos en la carpeta de
resultados con el nombre de ndvi.img y el índice a generar.
Aunque los índices se pueden crear directamente sobre las imágenes con los Niveles
Digitales, vamos a generar el NDVI sobre la imagen de reflectividad aparente, porque
de esta forma podemos atribuir un significado preciso al resultado. Los valores de
NDVI generados sobre los ND originales tienen a subestimar la presencia de
vegetación.
Cuando elegimos la imagen de entrada el programa detecta automáticamente que se
trata de un sensor Landsat TM y nos propone por lo tanto la fórmula con las bandas
correspondientes. Seleccionamos Landsat TM y NDVI en función.

UNIDAD SIG‐CCHS: Curso Introducción al tratamiento digital de imagen con ERDAS IMAGINE

138

Aceptamos y visualizamos el resultado en un visor sobre la imagen original con la
combinación de bandas que prefiramos:

Con la ayuda de la herramienta Inquire Cursor , o cualquiera de las herramientas
que ya conocemos para obtener información de la imagen, podemos examinar la
imagen para ver qué valores de NDVI se corresponden con las diferentes cubiertas.
¿Qué valores tienen las zonas de agua?. ¿Hay diferencias entre las zonas de vegetación
natural y los cultivos de regadío?. ¿Qué valores tienen las zonas urbanas?.


139

Tasseled Cap
Esta transformación también está predefinida, al menos para los sensores más
habituales, desde la pestaña Raster grupo Classification – Spectral – Tasseled Cap:

Introducimos la imagen de reflectividad y seleccionamos como sensor Landsat 5TM – 6
bands, ya que esta imagen no cuenta con la banda térmica. La salida la vamos a crear
en la carpeta resultados con el nombre tc.img. Si hacemos clic en la pestaña de la
izquierda podemos ver los coeficientes que se van a aplicar y modificarlos:


140

Sobre la imagen original vamos a visualizar el resultado de la transformación, banda a
banda, revisando qué zonas tienen un valor más alto de verdor (banda 2) y humedad
(banda 3):

Desde la herramienta que ya conocemos para crear gráficos de dispersión de bandas
vamos a crear los planos de variación de la imagen de vegetación y suelos.
Accedemos desde Raster – Supervised ‐ Feature Space Image:


141

Como imagen de entrada seleccionamos la que acabamos de crear, tc.img y en Output
Root Name navegamos hasta la carpeta de resultados y tecleamos el sufijo que
queremos para las imágenes de dispersión de bandas: plano_tc.
Las únicas combinaciones que nos interesan son las que sitúan en el eje de la X la
banda 1 de brillo y en la Y las bandas 2 y 3, verdor y humedad, respectivamente:

Una vez seleccionadas aceptamos y visualizamos los resultados en un visor normal:

Verdor

Brillo

Humedad

Brillo

En ambos gráficos queda marcada la importancia de la presencia de agua en la imagen,
debido a los numerosos embalses presentes, las zonas de edificación no son tan
importantes en el conjunto del cuarto NW de la escena.


142

Análisis de Componentes Principales
Accedemos desde la pestaña Raster grupo Resolution botón Spectral – Principal
Components:

De nuevo introducimos la imagen con la que estamos trabajando en este módulo
lansat_nw_6bandas_reflectance.img, aunque en este caso no es necesario trabajar
con los valores de reflectividad, ya que el resultado no va a representar una variable
física.

Como imagen de salida vamos a crear, de nuevo en la carpeta de resultados, acp.img.
Abajo a la derecha del cuadro de diálogo tenemos la opción de elegir el número de
componentes deseado, que pueden ser tantos como variables de entrada, es decir,
como bandas tenga la imagen. En principio vamos a seleccionar el máximo número de
componentes posible, para observar cómo van conservando parte de la variabilidad
recogida en la imagen inicial, es decir 6.

143

Recordamos que las nuevas variables se ordenan según su correlación con todas las
variables originales, es decir, el primer componente es el que retiene mayor varianza
de las variables originales, el segundo, algo menos, y así hasta el último, en que sólo
quedan los residuos, pero que pueden ser importantes, por contener aquello que es
menos frecuente en la imagen.
Para una mayor claridad examinaremos la imagen resultante en escala de grises,
visualizando los componentes uno a uno para identificar qué es lo que retienen:

CP1

CP2

CP5

CP6
.
      .
          .

El primer componente es casi el equivalente a una imagen pancromática, ya que, al
estar altamente correlacionado con todas las bandas, refleja la reflectividad general de
la imagen; a partir de ahí el resto van individualizando elementos, cierto tipo de
cultivos están presentes en el segundo, cuando llegamos al quinto nos encontramos
con elementos como las carreteras y el último sólo conserva lo que es en realidad
ruido en la imagen, un ligero efecto de bandeado.


144

Clasificación de imágenes

145

CLASIFICACIÓN DIGITAL (TELEDETECCIÓN CUALITATIVA)
El objetivo es obtener una imagen temática a partir de las bandas de
información contenidas en una imagen de satélite
Establecer una correspondencia biunívoca entre clases informacionales (cubiertas) y
clases espectrales (grupos de píxeles con características espectrales homogéneas).

Criterios en la clasificación
Espectral
• Basada en los ND de la imagen.
Espacial:
• Basada en la estructura y contexto espacial.
Temporal:
• Evolución
estacional
de
espectrales y espaciales.

las

características

Información auxiliar:
• MDE, cartografía temática,…

146

FASES DE LA CLASIFICACIÓN DIGITAL

FASES
1. Entrenamiento: obtener el rango de ND en cada banda que caracteriza
cada clase informacional. Métodos:
a. Supervisado
b. No supervisado
2. Asignación: adscripción de cada píxel de la imagen a una clase. Métodos:
a. Mínima distancia
b. Paralelepípedos
c. Máxima probabilidad
d. Clasificadores en árbol
e. Redes neuronales
3. Verificación de resultados: comprobación frente a la realidad terreno

Diferencias entre el método Supervisado y el No supervisado

 El método supervisado necesita de un conocimiento previo del espacio sobre
el que se realiza la clasificación. El analista selecciona la muestra en función de
este conocimiento.
 El método no supervisado realiza una definición automática de grupos de
valores dentro de la imagen.
Agua

1

Urbano

2

Vegetación

3

Roquedo

 El método supervisado se basa en la
definición primero de las clases
informacionales.
 El método no supervisado se basa
en la definición primero de las clases
espectrales.

4

Clases informacionales

Clases espectrales

La clasificación perfecta lograría la
correspondencia biunívoca entre unas y otras

147

Método Supervisado
Conocimiento del terreno.
 Áreas de entrenamiento:
• Varias áreas por categoría (recoger variabilidad de la clase).
• Es necesario seleccionar m+1 píxeles por categoría (m = nº de
bandas).
• Resulta conveniente llegar a 10m o 100m (dependiendo de la
complejidad del paisaje).
 Análisis áreas de entremiento:
• Cálculo de estadísticos descriptivos de la muestra (de
centralidad y dispersión).
• Gráficos de medias y de dispersión espectral

Método No Supervisado
 Busca definir clases espectrales dentro de la imagen.
 Asume que los ND de la imagen forman conglomerados o clusters
más o menos nítidos y que estos equivalen a categorías temáticas.
 No requiere conocimiento previo del terreno. La acción del
analista se centra más en la interpretación que en la consecución de
resultados.
 Parámetros en la definición de los clusters:
1.

Variables que intervienen en el análisis (bandas).

2.

Criterio de similitud o distancia entre casos
(concepto de distancia).

3.

Criterio para
(ISODATA).

agrupar

los

casos

similares

 Puede requerir recodificaciones o eliminaciones de las clases.

148

Método No Supervisado
ENTRENAMIENTO NO
SUPERVISADO
1. Medición similitud píxeles en
función de la distancia euclidiana

2. Agrupación mediante
criterios: algoritmo ISODATA
Definición de los centros de clases
• Asignación de cada píxel a una clase
• Recalculado de los centros de clases
• Reasignación de cada píxel
• Repetición o finalización del proceso
(proceso iterativo)

FASE DE ASIGNACIÓN

 Adscripción de todos los píxeles de la imagen a cada
clase en función de sus ND.
 Nueva imagen cuyo ND recoge un valor identificativo
de la clase a la que pertenece.

149

Clasificador de paralelepípedos

 Se trata de definir un dominio para cada clase en función de
sus valores de centralidad y dispersión.
 En torno a cada centroide de clase se definirá un
paralelepípedo n-dimensional que integrará todos los píxeles que
se hayan dentro.
 Es un método muy rápido de aplicar.
 El principal inconveniente es la
falta de exactitud, siendo muy
frecuente:
o La
superposición
de
paralelepípedos.
o Píxeles fuera y, por tanto, sin
asignar a ninguna clase.

Clasificador de mínima distancia
 Los píxeles son clasificados en función de la distancia euclidiana al
centroide de la clase.
 Se refiere a distancia espectral no espacial.
 El centroide de cada clase quedará definido por las medias aritméticas de
los valores de la muestra de esa clase en cada banda

dai es la distancia del pixel “a” a la clase “i”.
xak es la componente en la banda “k” del pixel
“a”
xki es la componente en la banda “k” de la media
de los píxeles en la clase “i”.

150

Distancia de Mahalanobis
 Asume la normalidad: que los histogramas de las clases reflejan una
distribución normal.
 Los límites entre clases vendrían definidos por elipsoides.
 Es un tipo de distancia que se adapta mejor a la variabilidad entre
categorías.

X es el vector de medias de los píxeles
de la muestra.
m es el vector de medias de los píxeles
de una clase.
S es la matriz de varianza-covarianza de
los píxeles de una clase.

Clasificador de máxima probabilidad
 Asume la normalidad de la distribución de los ND dentro de cada clase.
 Está basado en el cálculo de probabilidades de que un píxel pertenezca a
una clase.
 Cada pixel se asigna a la clase que maximiza la función de probabilidad.
 Tiene en cuenta la variabilidad de los ND entre clases al estar basado un
vector de medias y en la matriz de varianza-covarianza.
 Es un método que requiere mayor tiempo de proceso, pero ofrece buenos
resultados.
 Muy utilizado

151

Árbol de decisiones
 Método sencillo pero muy eficiente.
 No requiere de la asunción de
normalidad.
 Consiste
en
discriminar
secuencialmente las categorías a través
de la definición de reglas dicotómicas.
 Permite la utilización de información
auxiliar,
no
sólo
espectral
(es
recomendable su uso ).
 Las reglas se concretas en operadores
lógicos
condicionales
(del
tipo
IF…THEN…).
> 30%

Redes neuronales

 Emulan el sistema neuronal humano.
 Son capaces de aprender la relación entre los datos de entrada y de salida.
 Se estructuran en tres niveles o capas:
 Nivel de entrada: información espectral y auxiliar.
 Nivel de salida: categorías.
 Nivel oculto: procesan los datos entrada-salida.

 Se requieren tres fases: definición de la
arquitectura, entrenamiento y clasificación.
 Una vez entrenada una red neuronal es
factible utilizarla para clasificar datos
distintos (capacidad de generalización).

152

Lógica borrosa
Clasificador máxima probabilidad
Probabilidad de pertenencia a cada clase de un píxel

SALIDAS
Mapa temático + mapa de
distancias
Imagen en escala de grises
para cada clase

Problemas de la clasificación digital de imágenes
 Fuentes de error:
1.

Problemas con la radiometría de las imágenes.

2.

Alta variabilidad de los ND (dificultad de asignarse a una
clase).

3.

Insuficiente resolución espectral/espacial/temporal.

4.

Mezcla de señales en el pixel.

5.

Falta de información auxiliar.

Validación de datos

153

VERIFICACIÓN DE RESULTADOS

 Comparación con una fuente externa de datos considerados la
“verdad terreno”.
 Las fuentes de estos datos de referencia podrá obtenerse en
trabajos de campo o de información auxiliar.
 La información de referencia deberá ser de fecha lo más cercana
posible.

Matriz de confusión.

La matriz de confusión
REFERENCIA (ha)
Exactitud del
Clase B

Error de

usuario

Clase A

comisión

Total

Clase A

428,160

175,556

603,716

70.92

29.08

Clase B

74,895

40,908,912

40,983,808

99.82

0.18

Total

503,055

41,084,469

41,587,524

85.11

99.57

14.89

ESTIMACIÓN

0.43

Exactitud del
productor
Error de

Mide el porcentaje
de superficie
estimada de cada
clase que ha sido
correctamente
clasificada.

Mide el porcentaje
de superficie
estimada de cada
clase que ha sido
confundida con
superficie de la
otra clase. Por
tanto,
incorrectamente
clasificada.

Omisión

Mide el porcentaje de la superficie
de referencia que no ha sido
clasificada como tal, y por tanto
omitida.

Mide el porcentaje de superficie
de referencia de cada clase que
ha sido correctamente
clasificada.

Adicionalmente será conveniente obtener el estadístico kappa. Nos da una idea de hasta que punto el acierto de
nuestra clasificación se debe al simple azar.

154

Práctica 8.1: Clasificación no supervisada.
Práctica 8.1.1
El objetivo de esta práctica es realizar una clasificación no supervisada.
Abrimos la imagen Landsat_nw_6bandas_reflectance de la carpeta Practica8_1.
(hazlo en modo Pseudo Color; defínelo en al panel Spectral).
1.
Desde la barra principal de ERDAS IMAGINE abrimos la pestaña Raster grupo
Clasiffication botón Unsupervised opción Unsupervised Classification.

2. Como archivo de entrada vamos a introducir la imagen Landsat corregida a
valores de reflectividad aparente realizada en la práctica 4. En la parte del
archivo de salida tendremos que dar un nombre y una ubicación al mismo.
Podemos llamarlo “landsat_clas_no_sup.img” u otro que te parezca apropiado.
3. El apartado de las opciones de definición de clusters debemos indicar el número
de clases que queremos obtener. Vamos a indicar que sean 10.


155

4. Pulsa el botón Initializing Options para configurar el criterio de definición del
valor de las medias de la que partirá el método ISODATA. Marca la opción
Principal Axis y consigna un valor de 1 para la Desviación Estándar.

5. Pulsa el botón Color Scheme Options y elige la opción Grayscale.

6. En el apartado Processing Options indicaremos el número máximo de
iteraciones que se podrán realizar y un umbral de convergencia (Convergence
Thresholding). Este umbral de convergencia fija el porcentaje máximo de
píxeles que pueden cambiar de clase de una iteración a otra para detener el
proceso. Fijaremos un máximo de 25 iteraciones y un umbral de convergencia

156

de 0.95 (esto significará que si sólo cambia un 5 % de píxeles de categoría,
entre iteraciones, el proceso de clasificación se da por finalizado).

NOTA:
El objetivo de fijar el número máximo de iteraciones y el umbral de convergencia es evitar que el
proceso iterativo que supone la aplicación de ISODATA entre en un bucle sin final.

7. Dejamos los valores Skip Factors en 1 (si se elevan estos valores se reduce el
tiempo de procesado, pero se provoca que el resultado final sea menos
preciso).

8. Una vez que hayas completado todos los parámetros requeridos pulsa Ok.
9. Cuando el proceso acabe (bien porque se alcanzan el número máximo de
iteraciones o porque se supera el umbral de convergencia) lo indicará mediante
una ventana de estado.

10. Visualiza el resultado de la clasificación abriendo el archivo que lo recoge en el
Viewer, en un segundo espacio de visualización. En Home‐Add Views‐Create
New 2D View.




157

11. Utiliza la función Link que se encuentra en el panel Home‐Window‐Link All
Viewa para unir las dos vistas.

12. Una vez linkadas utiliza las herramientas de zoom o el Inquire Cursor para
observar la equivalencia entre clases y tipos de cubiertas.


158

13. Desde la tabla de contenidos pulsando el botón derecho del ratón sobre el
nombre de la imagen resultado de la clasificación, despliega la tabla de
atributos raster “Display Attribute Table”.

14. Cambia los colores de la leyenda para que las clases sean más fácilmente
identificables. Para ello sólo tienes que hacer click sobre el registro
correspondiente del campo color. Te saldrá una paleta de color
preseleccionada, pero podrás elegir otros colores si eliges Other.

15. Puedes situarte sobre la imagen original y localizar con el Inquire Cursor en
Home‐Information algunas clases fácilmente distinguibles y comprobar a qué


159

categoría pertenecen en la imagen clasificada (por ejemplo, el agua, cultivos,
zonas artificiales, distintos tipos de vegetación).
16. Ahora vamos a probar un modo de visualización del resultado diferente. Para
ello tienes que cargar la imagen clasificada (en Pseudo Color) y la original en un
mismo visor. Sitúa el resultado de la clasificación por encima de la imagen sin
clasificar, haciendo click sobre el nombre de la imagen en Contents y
arrastrándola hacia arriba.
17. Despliega la tabla de atributos en el botón derecho del ratón sobre el nombre
de la imagen en la tabla de contenidos Display Attribute Table. Una vez
abiertos los atributos en el menú Table seleccionar Column Properties. A través
de esta opción puedes configurar la tabla de atributos, entre otras cosas
puedes modificar el orden en que se muestran los campos. Localiza el campo
“Class_Name” y sitúalo al principio de la lista con los botones Up o Top. Sitúa el
campo “Color” justo debajo del anterior y después el campo “Opacity”. Cambia
también la anchura de visualización del campo “Class_Name” a 20 (Display
With). Pulsa Ok y observa los cambios producidos en la tabla.


160

18. Ahora sitúate con el cursor en el campo “Opacity” en la tabla de atributos y
pincha sobre él para seleccionar todos los registros. Pincha sobre la flecha en la
derecha de la cabecera del campo y sitúate sobre el espacio Formula y escribe
el valor 0, marca la opción Apply. Todos los valores de Opacidad se ponen a 0,
es decir, dejan de ser visibles.

19. Cambia el color de la “Class_3” por azul, en el botón derecho del ratón pincha
Select None y sitúa el valor 1 en el campo “Opacity” (comprueba que la clase se
corresponde con cubiertas de agua).
20. Activa la función Flicker desde el menú Home‐ View pinchando en la segunda
entrada horizontal y selecciona el Flicker con la opción Automode. La clase que
estabas visualizando debe empezar a parpadear dejando fija la imagen Landsat
de fondo. Manteniendo activa esta función utiliza las herramientas de zoom y
desplazamiento sobre la imagen para comprobar si la clasificación de esta
cubierta ha sido más o menos precisa (nos sirve para comprobar si los
parámetros definidos durante la clasificación se pueden quedar así o es mejor
cambiarlos).

161

21. Repite el proceso de visualización de cada una de las nueve categorías
restantes mediante la herramienta Flicker y el control del nivel de opacidad.
Los nombres que tienes que dar a las distintas clases son las consignadas en la
tabla. Modifica el color de cada categoría. El resultado debe ser algo parecido al
mostrado en la imagen capturada.
Clase

Nombre

Class_1

No clasificado

Class_2

Agua profunda

Class_3

Agua poco profunda

Class_4

Vegetacion1

Class_5

Vegetacion2

Class_6

Vegetacion3

Class_7

Vegetacion4

Class_8

Vegetacion5

Class_9

Cultivos1

Class_10

Cultivos2


162

22. Nuestr o siguiente paso será modificar el resultado de la clasificación
recodificando las clases de modo que la leyenda final quede reducida a cuatro
categorías: agua, vegetación, cultivo y suelo‐vegetación. 28. Abrimos la pestaña
Raster y desplegamos el menú Raster‐Gis, seleccionando la opción Recode.

23. Se despliega una tabla con distintas campos. Uno de ellos se llama New Value.
En el primer campo Value  consta el código resultado de la clasificación y en el
segundo consignaremos el nuevo valor. En este campo New Value escribiremos
el mismo valor para las categorías que queremos agrupar (será un valor
consecutivo, del 1 hasta el 4). Puedes modificar los valores de la tabla clickando
directamente sobre el registro a modificar y escribiendo seguidamente el valor
o, también, seleccionando uno o varios registros e introduciendo el nuevo valor
de codificación en el combo etiquetado como New Value (hay que pulsar el
botón Change Selected Rows).


163

24. Pulsa Apply cuando estés seguro de haber completado como quieres la
recodificación de las categorías. El resultado debe ser algo parecido al que se
muestra en la imagen.

25. Para gu ardar el resultado de la recodificación rellena output file en la carpeta
de
resultados
con
un
nombre
alusivo,
por
ejemplo
(“class_no_supervi_recodif.img”).
26. Si quieres modificar los colores de la leyenda puedes hacerlo desde el menú
Table/Colors, tal y como has hecho antes en esta práctica.


164

Práctica 8.2: Clasificación supervisada

Fase de entrenamiento
En el proceso de clasificación supervisada es necesario comenzar por asignar las áreas
de entrenamiento. Antes de nada es necesario tener claro cuáles son las clases que
queremos obtener. Para ello hemos preparado una leyenda basada en las clases del
Corine Land Cover 2000 presentes en la zona de estudio:
1.
2.
3.
4.
5.
6.
7.

Zonas artificiales: tejido urbano, zonas industriales
Cultivos de secano, mosaico de cultivos, viñedos
Cultivos de regadío
Vegetación 1: bosques de frondosas
Vegetación 2: bosques de coníferas, mixtos, vegetación dispersa
Vegetación 3: zonas de matorral, vegetación esclerófila o praderas
Agua: láminas y cursos de agua

Desde el visor, con la ayuda de las herramientas para la creación de AOI y el Signature
Editor, vamos a digitalizar áreas de entrenamiento para cada una de estas clases. Para
ello abrimos la imagen landsat_nw_6bandas.img en el visor con una combinación de
bandas 4, 3, 2.
Abrimos la herramienta para crear AOI desde el menú Application–New del visor

y el editor de firmas desde Raster‐Supervised– Signature Editor:


165

Con la herramienta Polygon
del menú Drawing iremos digitalizando las áreas de
entrenamiento para luego añadirlas al editor de firmas con la herramienta de Create
New Signature from AOI

:


166

Podemos digitalizar tantas áreas para cada clase como queramos y luego agruparlas en
una sola clase utilizando la herramienta Merge Selected Signatures
permite unir las firmas que tengamos seleccionadas en una sola:

, que nos

De esta forma iremos recolectando firmas que recojan la variabilidad de cada una de
las clases que queremos obtener. Una vez creada la firma general de cada clase
conviene borrar las anteriores antes de pasar a la siguiente clase, para no crear
confusión.

Como apoyo para la identificación de las diferentes cubiertas puedes utilizar la tabla
que tienes a continuación:
Área de entrenamiento

Clase

1 – Zonas artificiales


167


Clase

2 – Cultivos de secano

3 – Cultivos de regadío

4 – Vegetación 1

5 – Vegetación 2


168


Clase

6 – Vegetación 3

7 – Agua

Mientras vamos recogiendo las áreas de entrenamiento conviene ir guardando el
archivo de firmas espectrales, que tendrá la extensión .sig. Desde el menú Signature
Editor File – Save guardamos en la carpeta de resultados con el nombre clases.sig.
También conviene asociar nuestro archivo de firmas espectrales a la imagen en la que
estamos trabajando desde el menú Signature Editor Edit – Image association.


169

Una vez hemos recolectado suficientes áreas de entrenamiento vamos a evaluar su
adecuación, analizando el comportamiento espectral de las cubiertas que forman cada
clase.
Antes de comenzar y antes de pasar a la fase de asignación conviene adjudicar a clase
un color que nos permita identificarla con facilidad evitando, eso sí, colores demasiado
chillones, porque la imagen clasificada que vamos a generar a continuación tendrá
esos colores. Seleccionando la fila correspondiente y haciendo clic sobre el color
podemos cambiarlo:

Una vez elegidos los colores podemos evaluar de varias maneras la adecuación de
nuestras áreas de entrenamiento. Para hacerlo de forma visual contamos con dos
herramientas básicas; la edición de gráficos de medias

y de histogramas para cada

banda . Seleccionamos las clases que queramos revisar y mostramos los gráficos de
medias para ver si responden a las firmas espectrales que podemos esperar de cada
cubierta y los histogramas para ver cuánto se solapan. Hacemos la prueba con las dos
clases de cultivos y las tres de vegetación:


170

Las firmas espectrales parecen corresponderse con lo que podíamos esperar de cada
cubierta, aunque a priori parece que podríamos tener problemas en la discriminación
de algunas clases como son el regadío de la vegetación 1, de frondosas o los tipos 2 y 3
de vegetación.

En los histogramas vemos cómo cada clase se podrá discriminar mejor en las bandas
en las que no se solape con otras. Así la clase de “vegetación 1”, que hemos
representado en verde clarito, sólo se identifica claramente en el infrarrojo cercano,
confundiéndose con las otras clases de vegetación en el resto de bandas. El
comportamiento claramente bimodal de la clase de “vegetación 3” puede resultar
indicativo de la inclusión de cubiertas con diferente comportamiento espectral en una
misma clase.
Las conclusiones de este análisis gráfico de las áreas de entrenamiento nos pueden
llevar a volver a tomar algunas clases especialmente o a descartar por completo la
leyenda propuesta por no ajustarse a las condiciones de la imagen y a las clases
espectrales presentes en ella. Los problemas identificados también nos permiten
proponer soluciones como pueda ser aplicar un descriptor textural a la hora de
diferenciar las zonas de regadío de las de vegetación frondosa.

171

La separabilidad entre clases puede ser evaluada de forma numérica. Accedemos a
esta opción desde el menú Evaluate – Separability, dentro de la herramienta del
Signature Editor.
El cuadro de diálogo que se abre a continuación nos ofrece una serie de posibilidades.
Básicamente podemos analizar la separabilidad en función de la distancia euclidiana
entre clases o de su divergencia estadística, que mide el solape entre categorías. El
posible problema del método de divergencia estadística es que asume una distribución
normal de las clases, lo que no siempre ocurre, como acabamos de ver en los
histogramas. Elegimos por lo tanto la opción de distancia euclidiana y le pedimos que
nos muestre en forma de Cellarray la media, seleccionando la opción Best Average:

Esto nos permite identificar qué clases están más próximas espectralmente y pueden
crear confusión a la hora de realizar la clasificación.
Una vez aceptadas las áreas de entrenamiento vamos a clasificar la imagen. Antes de
este último paso conviene restablecer el orden de las clases, que se ha visto alterado al
ir creando áreas de entrenamiento y juntándolas, para evitar confusiones con el valor
de las celdas en la imagen clasificada. Desde el menú Edit del Signature Editor


172

elegimos Values – reset y Order – reset. Vemos cómo las columnas de Order y Values,
que antes se encontraban desordenadas, se han organizado de forma correlativa:
Cerramos el Signature Editor.
Desde el menú Classifier – Supervised Classification accedemos al cuadro de diálogo
para la fase de asignación. Tenemos que especificar la imagen de entrada,
landsat_nw_6bandas.img y el archivo de firmas espectrales que acabamos de crear:
clases.img. La imagen de salida la guardamos en la carpeta de resultados con el
nombre clas_sup.img:

Este es el momento en el que debemos elegir el método a utilizar en la fase de
asignación. Las reglas no paramétricas son en las que no se tiene en cuenta la
distribución de los valores de las áreas de entrenamiento, sólo su posición en el
espacio n‐dimensional que forman las n bandas de una imagen. Si seleccionamos la
opción de paralelepípedos, por ejemplo, como regla no paramétrica se nos activarán
las dos casillas inferiores para especificar qué hacer con los píxeles que no entren
dentro de los límites de los paralelepípedos (Unclassified Rule) y con aquéllos que
caigan dentro de los límites de varios paralelepípedos (Overlap Rule).
Para nuestra imagen no vamos a seleccionar ninguna regla no paramétrica, sino la
regla paramétrica de máxima probabilidad, dejando la opción Maximum Likelihood en
la casilla Parametric Rule.
Seleccionando la casilla Fuzzy classification obtendremos varias clases de asignación
para cada píxel, en función de la probabilidad de pertenencia a cada una. Verificamos
esta opción y elegimos que nos obtenga las 2 mejores clases.

173

Y po último, te
or
enemos la opción de generar un imagen de distanci es decir una
na
ia,
r,
imag en la qu el valor de cada pí
gen
ue
íxel indica la distancia euclidiana al centro de su
l
d
clase
e de pertene
encia.
Una vez seleccionadas las opciones a
aceptamos y comienza el proceso de asigna
a
o
ación.
Cuan
ndo finalice vamos a visualizar el r
resultado en un visor junto con la
a imagen or
riginal
para controlar e
el resultado
o. Al abrir la
a imagen, q
que tendrá dos bandas
s, seleccionamos
pción Displa
ay as Pseud
do Color des
sde la pesta
aña de Rast
ter options, y elegimos que
la op
nos r
represente la banda 1:

zando la h
herramienta Inquire c
a
cursor
podemos examinar las zonas que
s
s
Utiliz
cono
ocemos de la imagen para evaluar
r de forma v
visual el resultado de la
a clasificació
ón.

UNIDA
AD SIG‐CCHS: Curso Introducci
ión al tratamien
nto digital de im
magen con ERD
DAS IMAGINE

174

Práctica 8.3: Matriz de confusión.
Práctica 8.3.1
El objetivo de esta práctica es aplicar la matriz de confusión sobre la clasificación
supervisada para comprobar su grado de fiabilidad.
1. Abre un Viewer y carga la imagen clasificada mediante el método supervisado.
2. Desde el panel Raster abre la pestaña Supervised y selecciona la herramienta
Accuracy Assessment.

3. En la ventana del Accuracy Assessment selecciona la opción Open desde el
menú File, navega hasta la carpeta donde tienes la imagen clasificada y pulsa
Ok.


175

4. Desde el menú View selecciona Select Viewer. Te aparecerá una ventana
indicándote que tienes que pulsar dentro del visor en el que tienes cargada la
imagen. Hazlo y regresa a la ventana del Accuracy Assessment.

5. A través del menú Edit/Import Used‐defined Points navegamos hasta nuestra
carpeta de prácticas y localizamos el archivo “puntos_muestreo.txt” que
contiene una muestra de 40 puntos escogidos aleatoriamente sobre la imagen
clasificada. En las opciones de importación tenemos que indicar el campo para
las coordenadas X e Y, que será el 2 y 3, respectivamente. Si tienes dudas
puedes consultar la pestaña Input Preview y cerciorarte del orden.

6. Para obtener el valor de clase para cada punto hay que ir al menú Edit/Show
Class Values. Muestra el valor sobre la imagen clasificada.
7. Debemos completar la tabla con el valor de referencia para cada punto, es decir,
el valor que tiene sobre nuestra “realidad terreno” (en este caso sobre el
CORINE). Este valor hay que introducirlo. En la carpeta de prácticas existe un

176

archivo de Excel llamado “puntos_valor_corine” en el que se recoge el valor de
referencia (aparece en la última columna). Copia y pega los datos en el campo
correspondiente del Accuracy Assessment.
8. Los datos correctamente insertados son los que aparecen en la siguiente captura
de pantalla:

9. Para visualizar los puntos de muestreo sobre la imagen sobre el Viewer vamos al
menú View/Show All. Aparecen en color amarillo para indicar que se ha
completado la tabla. Las opciones de visualización de la tabla se controlar
desde el menú View/Change Colors.

10. En la opción Report/Options vamos a comprobar que están seleccionadas el
Error Matrix, Accuracy Totals y Kappa Statistics.


177

11. Finalmente tenemos que calcular la matriz de confusión a través de
Report/Accuracy Report. Desplegándose un editor de texto con el resultado
del análisis. En el archivo generado aparece en primer lugar la matriz de
confusión, a continuación las estadísticas de fiabilidad (usuario y productor) y,
finalmente, el estadístico Kappa. Puedes guardar este informe en tu carpeta de
prácticas.


178

12. Desde el menú Save/Table guardamos los datos de la matriz. Quedarán
almacenados en el archivo img de la imagen clasificadas.
13. Cerramos el Accuracy Assessment.


179

Práctica 8.4: Knowledge Engineer
Esta herramienta se puede utilizar para realizar clasificaciones de “árbol de
decisiones”. Vamos a ver un ejemplo sencillo para comenzar.
Desde la carpeta practica8_4nubes abre la imagen landsat5_nubes.img:

Como ves es un recorte de la escena landsat completa, de una zona en la que hay
nubes. La práctica va a consistir en crear una máscara de esas nubes. Para ello
contamos con el NDVI, que encontrarás en la misma carpeta. Los píxeles con valores
cercanos a 0 en el NDVI se corresponden con las nubes. En este caso, si identificas los
valores de las nubes sobre el NDVI verás que oscilan más o menos entre -0,07 y 0,01.
Vamos a trabajar desde el Knowledge Engineer, al que accedemos desde la pestaña
Raster – Knowledge Engineer:

Esta herramienta nos permite realizar una clasificación mediante la toma de decisiones
en árbol. Se basa en el manejo de tres elementos: hipótesis (hypothesis), reglas (rules)
y variables (variables).
Las variables son la información de entrada al modelo, en nuestro sólo el NDVI, ya que
en función de sus valores vamos a decidir cuáles son nubes y cuáles no.
180

Lo primero que vamos a hacer es salvar el proyecto en la carpeta de resultados de esta
práctica con el nombre mascara.ckb (.ckb es la extensión propia de este módulo). Por
ser la primera vez que guardamos el proyecto hay que hacerlo desde el menú File –
Save as, el resto de ocasiones podremos ir guardando los cambios desde

.

Las hipótesis serán el resultado final de las decisiones que vayamos especificando a lo
largo del proceso, es decir, las clases del nuevo documento temático que vamos a
crear, y también los pasos intermedios. En nuestro caso sólo necesitamos dos clases de
salida para crear una máscara: “nubes” y “resto”.
Por último, las reglas son el conjunto de condiciones que unen, en una secuencia
lógica, las variables de entrada con las hipótesis de salida.
Comenzaremos por introducir todas las variables. Desde la zona inferior izquierda
hacemos clic en la pestaña Variables y a continuación en la opción Add new item to
list
. En la ventana que se abre tenemos que especificar el nombre que tendrá la
variable (ndvi), el tipo de datos (raster), la imagen de origen (landsat_nubes_ndvi.img)
y la banda a usar, que será la 1. Al pulsar el botón de Apply vemos cómo ya se ha
añadido una variable nueva:

Una vez introducidas las variables creamos las hipótesis haciendo clic en
y clic de
nuevo en el lienzo que ocupa la zona derecha de la ventana. Aparecerá un rectángulo
con la nueva hipótesis, pinchando en el lienzo que ocupa la zona derecha de la

181

ventana. Haciendo doble clic en el rectángulo podemos darle un nombre a la hipótesis,
especificar si queremos que se convierta en clase de salida y proporcionarle un color:

De esta forma introducimos las dos hipótesis de salida: nubes y resto.
El siguiente paso consiste en ligar la variable de entrada con las hipótesis de salida en
función de unas reglas. Seleccionando la herramienta Create rule
desplazamos el
cursor hasta la hipótesis que hemos denominado nubes y hacemos clic. Aparecerá un
nuevo recuadro enlazado con el anterior; pulsando dos veces en él podremos empezar
a especificar las condiciones que compondrán la regla:

Las condiciones para asignar un píxel a la clase nubes será que su valor de NDVI se
encuentre entre -0,07 y 0,01, como puedes ver en la imagen. Las condiciones que
establecemos dentro de una misma regla se unen mediante el operador lógico AND. Ya
que queremos que nuestra regla se cumpla en cualquier caso, le otorgamos el mayor
valor de confianza, 100.
Para la clase resto tendremos que especificar dos reglas distintas: una para los píxeles
con valor inferior a -0,07 y otra para los píxeles con valor superior a 0,01, puesto que si
estableciéramos las dos condiciones sobre una misma regla quedarían unidas por el
operador AND y ningún píxel cumpliría la regla:

182

Antes de pasar a realizar la clasificación definitiva podemos revisar el funcionamiento
de nuestras reglas en conjunto o según las vayamos creando mediante el botón Run
Test Classification
, que nos permite comprobar todas las hipótesis o seleccionar
las que queramos, sólo para visualizar el resultado en una ventana, sin generar aún el
documento definitivo:

Cuando estemos conformes con la clasificación, salvamos los cambios en el archivo
mascara.ckb y cerramos la ventana del Knowledge Engineer. Haremos la clasificación
desde el menú Raster – Knowledge Classifier:

183

Seleccionamos el archivo que acabamos de salvar y pulsamos Next para definir qué
clases queremos crear y otra vez Next para especificar el archivo de salida, que vamos
guardar en la carpeta de resultados con el nombre de mascara.img:

Una vez terminado abre en ERDAS la imagen landsat original y la máscara para evaluar
el resultado. Ayúdate con la opción Blend.

184

Práctica 8.4 extra: Knowledge Engineer
Hemos visto anteriormente cómo a través del proceso de clasificación supervisada
obteníamos un resultado problemático, especialmente en el caso de la categoría 1 –
zonas artificiales. Vamos a intentar solventarlo mediante el uso de otra herramienta de
ERDAS, a la que accedemos desde la pestaña Raster – Knowledge Engineer:

El objetivo es reclasificar las zonas clasificadas originalmente como zonas artificiales
que se encuentren fuera de la delimitación de zonas artificiales del CORINE a la
segunda clase más probable de la clasificación supervisada borrosa que realizamos en
la anterior práctica.
Esta herramienta nos permite realizar una clasificación (reclasificación en nuestro
caso) mediante la toma de decisiones en árbol. Se basa en el manejo de tres
elementos: hipótesis (hypothesis), reglas (rules) y variables (variables).
Las variables son las entradas del modelo, la información con la que contamos, en
nuestro caso:
Variable

Explicación
La clase más probable para cada píxel asignada en el proceso de clasificación
Clasificacion1
supervisada.
La segunda clase más probable para cada píxel asignada en el proceso de
Clasificacion2
clasificación supervisada.
El Corine2000 reclasificado según las clases que hemos utilizado en la
Corine
clasificación supervisada.

Lo primero que vamos a hacer es salvar el proyecto en la carpeta de resultados de esta
práctica con el nombre reclas.ckb (.ckb es la extensión propia de este módulo). Por ser
la primera vez que guardamos el proyecto hay que hacerlo desde el menú File – Save
as, el resto de ocasiones podremos ir guardando los cambios desde

.

Las hipótesis serán el resultado final de las decisiones que vayamos especificando a lo
largo del proceso, es decir, las clases del nuevo documento temático que vamos a
crear, y también los pasos intermedios. En nuestro caso vamos a seguir las 7 clases del
185

documento original, añadiendo una más, que será intermedia, llamada indefinido, en
la que agruparemos todos los píxeles clasificados como zonas artificiales que se
encuentren fuera de las zonas definidas por el Corine.
Por último, las reglas son el conjunto de condiciones que unen, en una secuencia
lógica, las variables de entrada con las hipótesis de salida.
Comenzaremos por introducir todas las variables. Desde la zona inferior izquierda
hacemos clic en la pestaña Variables y a continuación en la opción Add new item to
list
. En la ventana que se abre tenemos que especificar el nombre que tendrá la
variable (clasificacion1), el tipo de datos (raster), la imagen de origen (clas_sup.img) y
la banda a usar, que será la 1. Al pulsar el botón de Apply vemos cómo ya se ha
añadido una variable nueva:

Realizamos la misma operación para el resto de variables, recordando que
clasificacion2 será la misma imagen clas_sup.img pero con la banda 2 en vez de la uno,
por lo que seleccionaremos Layer_2 y con el Corine, que es corine_reclasificado.img.

Una vez introducidas las variables creamos las hipótesis haciendo clic en
y clic de
nuevo en el lienzo que ocupa la zona derecha de la ventana. Aparecerá un rectángulo
con la nueva hipótesis, pinchando en el lienzo que ocupa la zona derecha de la
ventana. Haciendo doble clic en el rectángulo podemos darle un nombre a la hipótesis,
especificar si queremos que se convierta en clase de salida y proporcionarle un color:

186

De esta manera vamos a crear las siete hipótesis que se corresponden con las clases de
salida. Una vez terminado vamos a crear la hipótesis que nos permitirá reasignar las
zonas artificiales mal clasificadas, con el nombre de Indeterminado y especificando que
no queremos crear una clase de salida, para lo que deseleccionamos la opción Create
an Output Class. Al final tenemos las siete clases más Indeterminado:

La última parte consiste en implementar las reglas lógicas necesarias para reasignar los
píxeles mal clasificados. Lo primero es especificar qué píxeles forman el conjunto de
indeterminados y luego ir desglosando, una a una cuáles forman el resto de clases.
Seleccionando la herramienta Create rule
desplazamos el cursor hasta la hipótesis
que hemos denominado Indeterminado y hacemos clic. Aparecerá un nuevo recuadro
enlazado con el anterior; pulsando dos veces en él podremos empezar a especificar las
condiciones que compondrán la regla:

187

En este cuadro de diálogo desglosamos las condiciones que se tienen que cumplir para
formar la clase de Indeterminado: en la variable clasificacion1 el valor ha de ser igual a
1 (zonas artificiales) y en el Corine distinto de 1 (zonas artificiales – recuerda que el
Corine está reclasificado con la misma leyenda que hemos utilizado para la
clasificación supervisada -). En el apartado Rule Confidence establecemos el máximo,
que es 100, ya que estamos creando reglas deterministas. Una vez apliquemos los
cambios y cerremos la ventana veremos como tanto la hipótesis como la regla han
cambiado de estar desactivadas a estar activadas, indicando las condiciones:

Del mismo modo vamos a especificar qué condiciones se tienen que cumplir para cada
hipótesis, que serán las siguientes (acordándonos siempre de establecer el nivel de
confianza en 100):
Hipótesis
1 – Zonas artificiales
2 – Cultivos de secano
3 – Cultivos de regadío

Regla
Clasificacion 1 = 1
Corine = 1
Indeterminado = TRUE
Clasificacion 2 = 2

188

Hipótesis
4 – Vegetacion 1
5 – Vegetacion 2
6 – Vegetacion 3
7 - Agua

Regla
Clasificacion 2 = 3
Clasificacion 2 = 4
Clasificacion 2 = 5
Clasificacion 2 = 6
Clasificacion 2 = 7

De esta forma estamos estableciendo para cada una de las zonas artificiales que no se
correspondan con el Corine la clase de salida correspondiente en la segunda más
probable de la clasificación borrosa.
Pero también tenemos que especificar que todos los píxeles correctamente
clasificados en la clase más probable vayan a parar a sus clases respectivas, para lo que
estableceremos una segunda regla para cada hipótesis con una única condición: que
tengan ése valor en la variable clasificacion 1, es decir 2 para los cultivos de secano, 3
para los de regadío, etc. Al final tenemos que conseguir este resultado:

189

Antes de pasar a realizar la clasificación definitiva podemos revisar el funcionamiento
de nuestras reglas en conjunto o según las vayamos creando mediante el botón Run
Test Classification
las que queramos:

, que nos permite comprobar todas las hipótesis o seleccionar

El resultado sólo podremos visualizarlo, pero no se genera aún el documento
definitivo.
Cuando estemos conformes con la clasificación, salvamos los cambios en el archivo
reclas.ckb y cerramos la ventana del Knowledge Engineer. Haremos la clasificación
desde el menú Raster – Knowledge Classifier:

Seleccionamos el archivo que acabamos de salvar y pulsamos Next para definir qué
clases queremos crear y otra vez Next para especificar el archivo de salida, que vamos
guardar en la carpeta de resultados con el nombre de clas_def.img:

190

Aceptamos pulsando OK y esperamos a que termine el proceso para examinar el
resultado sobre la primera clasificación y ver cómo han cambiado los valores de los
píxeles mal clasificados:

191

Práctica 9: Visualización en 3D.
Práctica 9.1
El objetivo de esta práctica es realizar una visualización en 3D con las herramientas de
ERDAS IMAGINE.
Desde el panel principal de ERDAS IMAGINE 2010 .
1. Crea una nueva vista 3D mediante NEW / 3D VIEW .

2. Visualiza la imagen Landsat con la que has venido trabajando hasta ahora y el
MDE obtenido de los datos ASTER. Ambos están en formato img en la carpeta
“Práctica 9”.
Despliega este cuadro de diálogo Scene Properties del menú Scene en la
pestaña Scene modifica el factor de exageración del relieve a 2.5 (activa la
función Exaggeration e incrementa su valor a 5), pulsa Apply y observa el
cambio producido.


192

3. Clicando en la orden Create Linked Overview se muestra la herramienta Eye
and Target en otro visor simultáneo que nos permite controlar la posición del
observador y el punto observado.

Si modificas estas posiciones arrastrándolas con el ratón mientras lo mantienes
pulsado, observarás cómo cambia la visualización 3D.

4. Los parámetros de visualización se modifican desde la pestaña Scene en el
menú Navigation con la orden Position Editor.

5. También vas a cambiar el modo de visualizar el fondo de la imagen. En Scene
Properties cambia a la pestaña Background despliega la persiana y elige la
opción Image, después navega hasta la carpeta “Practica9” y carga el archivo
“sky.img”. Pulsa Apply para que el cambio se produzca.


193

6. Cierra el cuadro de diálogo.
7. Con la herramienta Position Editor se pueden modificar nuevos parámetros que
controlen el efecto de visualización. Básicamente son las coordenadas X e Y del
punto de observación, su elevación sobre el terreno, su elevación sobre el nivel
del mar, el FOV (controla el campo visual en la vertical, si es más o menos
ancho; aparece en el perfil de ayuda como dos líneas amarillas), el pitch es la
bisectriz del FOV y señala el ángulo de la línea visual (un valor 0 señala la
posición horizontal, un valor positivo implica una elevación de la observación y
un valor negativo una caída; arrastra con él la posición del FOV; en el perfil de
ayuda se corresponde con la línea roja), el ángulo acimutal de observación y el
roll que permite inclinar la observación. Si clicas el auto apply se visualizaran
automáticamente.
8. Puedes configurar

la geometría de iluminación. Para ello utiliza la herramienta

Sun Position de la pestaña Scene y el menú View.

El punto negro sobre las circunferencias concéntricas representa la posición del sol (el
centro de las circunferencias representaría el cenit)

9. Se puede almacenar cada posición

que definamos con sus parámetros desde el

menú Scene/Navigation/Position Recorder.


194

Aparece una tabla, los registros serían cada una de las posiciones y en columnas

aparecen los parámetros de visualización de cada una.

Para almacenar nuestra posición utiliza la herramienta Add Position .

10. Cambia los parámetros de observación para configurar dos posiciones más y
añádelos a la tabla de posiciones.
11. Una vez que tengas distintas posiciones puedes pasar de una a otra
sucesivamente con la opción Go to Next.

12. Salva tu fichero de posición con la opción Save desde el Positions Editor.


195

13. Se puede almacenar cada posición de visualización como una fotografía. Para
ello se recurre al menú Application Menu/Save As/View as Image

y se almacena como una imagen.
14. Puedes abrir la imagen resultante en un nuevo Viewer.

Práctica 9.2
Para finalizar vamos a aprender a realizar una simulación de un vuelo en 3D.
1.

Abrimos el Flight PathEditor para definir el trazado del vuelo.

2. Desde el menú Utility seleccionamos Fly Path Editor para definir el trazado del
vuelo. Se define en la vista 2D.

3. Para finalizar el trazado pulsa dos veces el botón izquierdo del ratón. Desde el
Flight PathEditor pulsa la herramienta. Apply changes to Flight path
4. Pulsa

.

el botón Start Flight y observa el visor.


196

RECURSOS DE TELEDETECCIÓN

MANUALES DE TELEDETECCIÓN:
Barret, E. C. y L. F. Curtis (1999): Introduction to Environmental Remote Sensing,
Cheltenham, Stanley Thornes Publishers Ltd.
Chuvieco, E. (2002): Teledetección Ambiental, Barcelona, Ariel.
Gibson, P. y C. H. Power (2000a): Introductory Remote Sensing: Principles and
Concepts, London, Routledge.
Gibson, P. y C. H. Power (2000b): Introductory Remote Sensing: Digital Image
Processing and Applications, London, Routledge.
Jensen, J. R. (2000): Remote Sensing of the Environment. An Earth Resource
Perspective, Upper Saddle River N.J., Prentice-Hall.
Lillesand, T. M. y R. W. Kiefer (2000): Remote Sensing and Image Interpretation, New
York, John Wiley and Sons.
Mather, P. M. (1998): Computer Processing of Remotely Sensed Images, Chichester,
John Wiley & Sons.
Pinilla, C. (1995): Elementos de Teledetección Espacial, Madrid, RA-MA.
Richards, J. A. y X. Xia (1999): Remote Sensing Digital Image Analysis. An Introduction,
Berlin, Springer-Verlag.
Short, N. M. (2001): The Remote Sensing Tutorial (An Online Handbook). Applied
Information Sciences Branch. NASA's Goddard Space Flight Center
(http://rst.gsfc.nasa.gov). (se baja gratuitamente de internet)
Sobrino, J. A. (Ed.) (2000): Teledetección, Valencia, Servicio de Publicaciones,
Universidad de Valencia.

REVISTAS ESPECIALIZADAS
Canadian Journal of Remote Sensing, Canadian Aeronautics and Space Institute (CASI),
130 Slater Street, Suite 818, Ottawa, Ontario K1P 6E2, Canada.
http://www.callisto.si.usherb.ca/~cartel/cjrs.

197

Cartography and Geographic Information Science (CaGIS). American Congress on
Surveying and Mapping, 6 Montgomery Village Avenue, Suite 403, Gaithersburg,MD.
http://leporello.ingentaselect.com/vl=8574760/cl=35/nw=1/rpsv/cw/acsm/1523040
6/contp1.htm
Earth Observation Magazine. EOM, Inc., 13741 E. Rice Place, Suite 200, Aurora, CO
80015 (USA). http://www.eomonline.com
Geocarto International, Geocarto International Centre, GPO Box 4122, Hong Kong.
http://www.geocarto.com/e-journal.html
Geofocus, revista electrónica del grupo de métodos cuantitativos, SIG y Teledetección
de la Asociación de Geógrafos Españoles http://geofocus.rediris.es/principal.html
IEEE Transactions on Geoscience and Remote Sensing, IEEE Geoscience and Remote
Sensing Society, Institute of Electrical and Electronics Engineers Inc., 345 E. 47th Street,
New
York,
NY,
10017
USA.
http://ieeexplore.ieee.org/xpl/RecentIssue.jsp?puNumber=36
International Journal of Geographical Information Science, Taylor and Francis Ltd.,
Rankine
Road,
Basingstoke,
Hampshire
RG24
0PR,
Reino
Unido.
http://www.tandf.co.uk/journals/titles/13658816.asp
International Journal of Remote Sensing, Taylor and Francis Ltd., Rankine Road,
Basingstoke,
Hampshire
RG24
0PR,
Reino
Unido.
http://www.tandf.co.uk/journals/titles/01431161.asp
ITC Journal, International Institute for Aerospace Survey and Earth Sciences, P.O. Box
6, NL-7500 AA, Enschede, Países Bajos. journal@itc.nl
Photogrammetric Engineering and Remote Sensing, American Society for
Photogrammetry and Remote Sensing, 5420 Grosvenor Lane, Suite 210, Bethesda
20814-2160, USA. http://www.asprs.org/asprs/publications/pe&rs/
Remote Sensing of Environment, Elsevier Science Publishing Company Inc., 52
Vanderbilt Avenue, New York, NY 10017, USA.
http://www.elsevier.com/wps/find/journaldescription.cws_home/505733/descripti
on#description
Revista Española de Teledetección, Laboratorio de Teledetección-LATUV, Facultad de
Ciencias, UVA. 47071 Valladolid. http://www.aet.org.es/

198

DIRECCIONES ÚTILES EN INTERNET
Imágenes del satélite SPOT: SPOT-Image, 5 rue des Satelites, Toulousse, B.P. 4359, F31030, Francia. http://www.spotimage.com
Earthwatch,
1900
Pike
http://www.digitalglobe.com

Road,

Longmont,

Colorado

80501,

USA.

Imágenes del satélite IKONOS y otros de alta resolución: http://www.geoeye.com/
Imágenes de varios satélites de imágenes sobre Europa (Quickbird, Landsat, Envisat,
ERS 1 y 2, IRS, Radarsat, ASTER). http://www.eurimage.com
Universidad de Dundee. (Archivos
http://www.sat.dundee.ac.uk/

con

datos

AVHRR,

MODIS,

SeaWIFS).

Imágenes de la plataforma espacial europea Envisat: http://envisat.esa.int/
Imágenes del programa Landsat de la NASA: http://glovis.usgs.gov/
Imágenes MODIS: http://modis.gsfc.nasa.gov/
Imágenes RADAR de la NASA: http://www.jpl.nasa.gov/radar/sircxsar/
Imágenes de misiones tripuladas de la NASA: http://eol.jsc.nasa.gov/

199

Manual Erdas imagine 2011

Más contenido relacionado

La actualidad más candente (20)

Destacado (20)

Similar a Manual Erdas imagine 2011 (20)

Último (20)

Manual Erdas imagine 2011