1

APUNTES TELEDETECCIN
ING. TC. TOPOGRAFA
CURSO 2009/2010







Profesora: Ins Sant Riveira










2
NDICE

TEMA 6: TRATAMIENTOS DE REALCE Y MEJ ORA BSICOS ............................. 3
1. HISTOGRAMA DE UNA IMAGEN .......................................................................... 3
2. AJ USTE DEL CONTRASTE ...................................................................................... 5
3. COMPOSICIONES COLOREADAS ........................................................................ 10
4. EMPLEO DEL SEUDO-COLOR .............................................................................. 13
5. FILTRAJ ES ................................................................................................................ 14
6. TRANSFORMACIONES PREVIAS. NDICES ....................................................... 16

TEMA 7: TRATAMIENTOS DIGITALES AVANZADOS ......................................... 21
1. ANLISIS DE COMPONENTES PRINCIPALES ................................................... 21
2. TRANSFORMACIN TASSELED CAP (TTC) ...................................................... 29

TEMA 8: EXTRACCIN DE LA INFORMACIN .................................................... 33
1. FUNDAMENTOS ...................................................................................................... 33
2. FASE DE ENTRENAMIENTO ................................................................................. 34
3. CLASIFICACIN NO SUPERVISADA Y SUPERVISADA .................................. 35
4. MEDIDA DE LA SEPARABILIDAD ENTRE CLASES ......................................... 37
5. FASE DE ASIGNACIN .......................................................................................... 38
6. ALGORITMOS DE CLASIFICACIN .................................................................... 39

TEMA 9: VERIFICACIN DE RESULTADOS .......................................................... 46
1. FUENTES DE ERROR EN LA CLASIFICACIN TEMTICA ............................ 46
2. MEDIDAS DE FIABILIDAD .................................................................................... 47
3. DISEO DEL MUESTREO PARA LA VERIFICACIN ....................................... 48
4. RECOGIDA DE INFORMACIN ............................................................................ 51
5. MEDIDAS DEL ERROR PARA VARIABLES CONTINUAS ................................ 52
6. MEDIDAS DEL ERROR PARA IMGENES CLASIFICADAS: MATRIZ DE
CONFUSIN ................................................................................................................. 52
7. ANLISIS ESTADSTICO DE LA MATRIZ DE CONFUSIN ............................ 53

TEMA 10: CARACTERSTICAS DE LOS SENSORES ACTIVOS: RADAR Y
LIDAR ............................................................................................................................ 57
1. INTRODUCCIN ...................................................................................................... 57
2. RADAR DE APERTURA SINTTICA (SAR) ......................................................... 58
3. BANDAS DEL RADAR ............................................................................................ 59
4. APARIENCIA DE LAS IMGENES ...................................................................... 60
5. DISTORSIONES DE UNA IMAGEN RADAR ........................................................ 62
6. PROPIEDADES DE LAS IMGENES RADAR ..................................................... 63
7. ECUACIN RADAR ................................................................................................ 64
8. TIPOS DE RADARES ............................................................................................... 65
9. LIDAR ........................................................................................................................ 66

TEMA 11: TRATAMIENTOS PROPIOS DE IMGENES RADAR .......................... 70
1. REALCE RADIOMTRICO ..................................................................................... 70
2. ANLISIS DE TEXTURA ........................................................................................ 76
3. TCNICAS AVANZADAS ....................................................................................... 83

3

TEMA6:TRATAMIENTOSDEREALCEYMEJORABSICOS

En muchas etapas del proceso de elaboracin de cartografa a partir de imgenes
satlite es preciso examinar visualmente la imagen. P. ej. para georreferenciarla es
preciso localizar puntos de control claves en la imagen. Es particularmente importante
en el caso de la interpretacin visual.
En este tema vamos a ver las tcnicas dirigidas hacia la mejora de la calidad
visual de la imagen. Tratan de disponer mejor los datos para su anlisis visual, de forma
que sean ms evidentes los rangos de inters de la imagen. En estas tcnicas se incluyen
los procesos de mejora del contraste, composiciones coloreadas y filtrajes.

1.HISTOGRAMADEUNAIMAGEN
Una imagen est definida por su histograma, en el que se representa la
probabilidad de encontrar un determinado valor de ND en la imagen. El histograma de
una imagen describe la distribucin de los valores de los pxeles (los ND) de la imagen.
Un histograma indica el nmero de pxels para cada valor, en otras palabras, el
histograma contiene las frecuencias de los valores de ND en una imagen. El histograma
puede representarse en forma tabular o grficamente. La representacin tabular
normalmente consta de 5 columnas:
ND: nivel digital, en el rango [0255]
- Npix: nmero de pxeles de la imagen con este ND (frecuencia)
- Perc: frecuencia como porcentaje del nmero total de pxeles de la imagen.
- CumNpix: nmero acumulado de pxeles en la imagen con valores menores o
iguales a ese ND.
- CumPerc: frecuencia acumulada como porcentaje del nmero total de pxeles de
la imagen.
Los datos del histograma pueden ser posteriormente resumidos mediante algunas
estadsticas como: media, desviacin estndar, mnimo y mximo, valor 1% que es
valor por debajo del cual slo se encuentran el 1% de los valores, valor 99%. Los
valores 1% y 99% pueden ser usados para definir un rango ptimo para la visualizacin.
Ejemplo de histograma en forma tabular:
4


La representacin grfica muestra la curva de frecuencia acumulada, que
representa el porcentaje de pxeles con un ND igual o menor a un determinado valor.

5


2.AJUSTEDELCONTRASTE
Los sensores son calibrados para recibir un rango muy amplio de valores de
radiacin. Sin embargo, en una imagen satlite puede haber slo agua, vegetacin, etc,
por lo que rango de valores de la imagen ser mucho menor, habr poca diferencia entre
el ND mnimo y el mximo. Con el realce radiomtrico se busca un mayor contraste
visual.
El ajuste del contraste es un proceso que hace ms fcilmente apreciables las
caractersticas de una imagen haciendo un uso ptimo de los colores disponibles para su
visualizacin.
Las imgenes son visualizadas normalmente usando una escala de grises. Los
grados de gris del monitor tpicamente varan del negro (valor 0) al blanco (valor 255).
Si se usan los valores originales de la imagen para controlar los valores de grises del
monitor, normalmente resulta en una imagen con poco contraste porque slo se usa un
nmero de valores de grises limitado. En la imagen del histograma anterior, solamente
sera usados 173-14=159 niveles de grises de los 255 disponibles. El rango de ND de la
imagen no coincide con el nmero de valores disponibles, por lo que se puede expandir
el contraste para hacer corresponder el rango de ND presentes en la imagen con el rango
de ND total disponible. Para optimizar el rango de valores de grises, una funcin de
transferencia convierte los valores de ND en niveles de grises del monitor. Esta funcin
6
de transferencia puede ser de distintas formas. Las funciones de transferencia son
implementadas como modificaciones de los valores de la colour look up table.
Tablas de referencia del color
La tabla de referencia del color (CLUT, Colour Look up Table) indica el nivel
visual, NV o nivel de gris, con el que se representa en la pantalla cada ND. En la mayor
parte de los equipos la tabla de color es una matriz numrica de 3 columnas por 256
filas (ya que el rango de codificacin va de 0 a 255). De modo que el orden de la fila
indica de ND de entrada, y en la tabla se almacena el NV con el que se representar ese
ND, las tres columnas de la matriz corresponden a los 3 colores elementales. En el caso
de que se est trabajando con una sola banda, lo normal es que la imagen se represente
en pantalla en tonos de grises. Esto significa que cada ND tiene el mismo componente
de rojo, verde y azul. Un NV de 0,0,0 indica que el ND al que se aplique ser
visualizado como negro, mientras que 127, 127, 127, supone un gris medio y 255,255,
255 blanco. Si los tres valores son distintos se estar representando una imagen en
color.
NV (azul) NV (verde) NV (rojo)
0 0 0
1 1 1
2 2 2
3 3 3

127 127 127

255 255 255

Gracias a la CLUT no es preciso transformar los ND para modificar el contraste
visual de la imagen, lo que conllevara perder la informacin original o aumentar las
necesidades de almacenamiento. Basta nicamente transformar la relacin entre ND y
NV que incluye la CLUT.
Una forma alternativa de visualizar una imagen es usar una pseudo-colour
lookup table que asigna colores entre el azul via ciano, verde y amarillo al rojo. El uso
de pseudo-color es especialmente til para visualizar datos que no son medidas de
reflexin, p ej, datos de infrarrojo trmico, la asociacin de fro-caliente con azul-rojo es
ms intuitiva que con oscuro-claro.

7
Expansin y comprensin del contraste
Pueden darse dos situaciones: 1) que el rango de ND de la imagen sea menor que
el de NV del monitor, 2) que la imagen presente un mayor nmero de ND que NV
posibles en el monitor. En el primer caso se deber aplicar una expansin del contraste,
mientras que en el segundo una reduccin del mismo. La expansin del contraste se
emplea rutinariamente en la mayor parte de las aplicaciones. Mientras que la
compresin del contraste, es est empleando para reducir el volumen de
almacenamiento de las imgenes y aprovechar los equipos de visualizacin de bajo
coste.
Expansin del contraste
El primer caso, la expansin del contraste, es el ms habitual, ya que aunque la
resolucin radiomtrica de la mayor parte de los sensores actuales es de 8 bits por pxel,
en la prctica ninguna imagen aprovecha todo ese rango, ya que difcilmente en una sola
escena se encontrarn todos los posibles valores de radiancia para los que se calibr el
sensor. Visualmente esto implica que hay tonos de gris que no se utilizan, por lo que la
imagen se ve en el monitor con poco contraste. Es posible realzar el contraste diseando
una tabla de color que haga corresponder el rango de ND presentes en la imagen con el
rango total de NV posibles. Si bien existe la posibilidad de realizar expansiones de
contraste de forma manual, las formas ms habituales para realizar la expansin del
contraste son:
Expansin lineal del contraste
Es la forma ms elemental de ajustar el contraste. El valor digital ND mnimo
del histograma se hace corresponder con el NV 0 (es el negro) y el mximo con el NV
255 (es el blanco), de modo que ocupe todo el rango de valores disponibles,
distribuyendo linealmente el resto de ND entre estos extremos mediante la siguiente
ecuacin
255
min max
min

=
ND ND
ND ND
NV
De este modo se utiliza todo el rango de NV del monitor o dispositivo de salida.
En lugar de utilizar el ND mnimo y mximo tambin se pueden utilizar otros valores
menos extremos, como los percentiles del 95% y 5% o el 1 y el 99%, lo que permite que
tengan menos influencia los posibles valores anmalos de la imagen.
8
Expansin lineal restringida los valores de NDmax y NDmin los decide el usuario en
lugar de corresponder a los valores reales de la imagen
Si NDmax>ND>NDmin 255
min max
min

=
ND ND
ND ND
NV
Si NDmax<ND NV=255
Si NDmin>ND NV=0

Ecualizacin del histograma
Igual que en el caso anterior, se asigna al ND mnimo el NV 0 y al ND mximo
el NV 255, pero distribuyendo el resto de ND segn una funcin cuadrtica. En la
expansin lineal no se tiene en cuenta la frecuencia de los ND, aqu s, se tiene ms
realce en los ND ms frecuentes. Se tiene en cuenta la forma del histograma, la
distribucin real de los valores, es decir, no slo se tiene en cuenta el valor de ND sino
que se aplica una expansin proporcional a la frecuencia de aparicin de cada uno de los
ND. Esto implica crear una tabla de referencia de color en la cual cada NV tenga,
aproximadamente, el mismo nmero de ND de la imagen. Es decir, aquellos ND con
mayor nmero de pxeles sern los que ocupen un mayor rango de visualizacin.
El proceso es ms laborioso que en el caso anterior.
1. Se calcula la frecuencia absoluta y acumulada de los ND de la imagen original.
2. Esta frecuencia se compara con una frecuencia objeto, que sera la que se
obtendra si todos los NV de la imagen tuvieran la misma frecuencia (es decir,
el cociente entre el nmero total de pxeles de la imagen y el nmero de niveles
visuales posibles). P ej, 736136pxeles/256NV=2875,53pxeles por cada NV, en
frecuencia relativa el 0,3906%.
3. De esta comparacin se selecciona, para cada ND, el NV que presente un valor
ms prximo en la frecuencia objeto acumulada.

Ajuste gaussiano
Supone el ajuste del histograma observado al histograma que aparecera si la
distribucin fuera gaussiana, es decir si:
|
|
.
|

\
|

=
2
2
2
) (
exp
2
1
) (
o

t o
x
x f
f(x) es la frecuencia de x, es la media y o la desviacin tpica.
9

Expansin especial del contraste
Se realza aquella zona de la imagen que ms interesa. Se restringe el contraste a
un rango especfico de ND, en donde se manifieste con mayor claridad una cubierta de
inters. La expansin especial puede realizarse asignado como umbral mnimo y
mximo el rango de ND de la cubierta que pretende realzarse (es el mtodo lineal), o
limitando el histograma objeto al rango donde est presente dicha cubierta (es el realce
frecuencial).

Expansin adaptada del contraste
Es semejante a la ecualizacin pero resulta una imagen menos contrastada
porque se realzan ms los extremos del histograma.

Infrecuencia
Consiste en asociar al ND menos frecuente el nivel de gris ms alto y viceversa.


Imagen de Landsat TM sin mejora del contraste, con ecualizacin del histograma y
representacin pseudo-color.

Comprensin del contraste
En el caso de que el rango del sensor supere el nmero de niveles de gris que
pueden visualizarse en pantalla, es necesario comprimir los ND originales. Este ajuste
es necesario en dos casos: 1) cuando se cuenta con un sistema grfico de potencia
reducida, o 2) cuando se trabaja con un sensor de gran sensibilidad radiomtrica (p. ej.
de 10 bits de AVHHRR, de 11 bits del Ikonos o de 16 bits de SAR).
10
Este problema se puede solucionar de dos formas: eliminando una parte de la
escala que no se considere relevante, o estableciendo una funcin de compresin de
datos. La primera solucin es poco habitual porque supone una eliminacin arbitraria de
datos. La segunda puede abordarse de distintas formas.
La forma ms habitual es reducir el rango original de ND a un nmero
conveniente de intervalos. Estos intervalos suelen sealarse en funcin de las
caractersticas de la distribucin de los ND. Pueden utilizarse intervalos de igual
anchura, a cada uno de los cuales se asigna un nico NV.
Existen algoritmos de compresin ms elaborados, que controlan el nmero de
intervalos mediante un proceso similar a la clasificacin no supervisada.
Actualmente, la mayor parte de los equipos cuentan con tarjetas grficas de
mucha mayor potencia, por lo que la comprensin de imgenes no se suele realizar,
salvo por problemas de almacenamiento. Adems, en este caso se suelen utilizar
algoritmos de compresin del color, que consiguen una calidad apenas diferenciable de
la original, por ejemplo el algoritmo LZW, que permite crear imgenes GIF, el J PEG o
el PNG.

3.COMPOSICIONESCOLOREADAS
Percepcin del color
La percepcin del color tiene lugar en el ojo humano y en la parte asociada del
cerebro. No s sabe exactamente cmo funciona la visin humana y qu sucede en los
ojos y el cerebro antes de que alguien decida que un objeto es azul. Sin embargo,
algunos modelos tericos, soportados por resultados experimentales, son generalmente
aceptados. El ojo es sensible a longitudes de onda entre 400 y 700 nm. Diferentes
longitudes de onda en este rango son percibidas como colores distintos. La retina del
ojo tiene conos (receptores sensibles a la luz) que envan seales al cerebro cuando son
golpeados por fotones con niveles de energa que corresponden a las diferentes
longitudes de onda en el rango visible del espectro electromagntico. Hay tres clases
diferentes de conos, respondiendo al azul, verde y rojo. Las seales enviadas a nuestro
cerebro por estos conos, y las diferencias entre ellos, nos dan sensaciones de color.
Los equipos de visualizacin utilizan el proceso aditivo de formacin del color,
basado en la mezcla por adicin de los colores primarios. Una pantalla de televisin est
compuesta por un gran nmero de pequeos puntos compuestos por grupos de puntos
11
rojos, verdes y azules. El nmero de puntos encendidos determina la cantidad de luz
roja, verde y azul emitida. Todos los colores pueden ser creados mezclando diferentes
cantidades de rojo, verde y azul. Esta mezcla tiene lugar en nuestro cerebro. Cuando
vemos luz amarilla monocromtica, que tiene una longitud de onda de 570nm, tenemos
la misma impresin que cuando vemos una mezcla de rojo, 700 nm, y verde, 530nm. En
ambos casos, los conos son estimulados de la misma forma, de acuerdo con el modelo
de tres-estimulos.
Composiciones coloreadas
Si tenemos en cuenta que el ojo humano es menos sensible a las tonalidades de
color gris que al cromatismo, la composicin coloreada es quizs la tcnica ms
utilizada para resaltar los detalles de una imagen de satlite. Consiste en aplicar a tres
bandas diferentes los distintos colores elementales (rojo, verde, azul), de modo que se
puede apreciar informacin no distinguible de otro modo. Este proceso permite
visualizar, simultneamente, informacin de distintas regiones del espectro, lo que
facilita la delimitacin visual de algunas cubiertas.
La composicin de color ms obvia sera simular el color real asignando a la
banda del rojo el color rojo, a la del azul el azul y a la del verde el verde. Cuando se
aplica cada color a la banda del espectro que le corresponde se obtienen composiciones
en color verdadero. Sin embargo, no se suele aplicar a cada banda su color respectivo
por lo que se denominan composiciones de falso color.
La composicin ms habitual es la denominada color infrarrojo,
correspondiente a la aplicacin de los colores rojo, verde y azul a las bandas del
infrarrojo cercano, rojo y verde respectivamente. El resultado es similar a la fotografa
infrarroja. Esta composicin facilita la cartografa de masas vegetales, lminas de agua,
ciudades, etc, de ah que se haya empleado ampliamente en diversos estudios de anlisis
visual. La caracterstica ms peculiar de esta composicin en falso color es que la
vegetacin aparece de un color rojo prpura. En la parte visible del espectro las plantas
reflejan la mayor parte de la luz verde pero su reflexin infrarroja es incluso mayor. Por
lo tanto, la vegetacin en una composicin en falso color aparece con una mezcla de
algo de azul, pero ms rojo, resultando en un color rojizo prpura.
Las combinaciones que visualizan el infrarrojo cercano como verde muestran la
vegetacin de color verde, por eso se llaman composiciones en color pseudo-natural.
Dependiendo de la aplicacin se pueden usar otras combinaciones de bandas. En
definitiva, estas composiciones sirven para resaltar los elementos que mayor
12
reflectividad presentan en las bandas utilizadas, adems de obtener visualizaciones ms
o menos estticas. La eleccin de las bandas para realizar la composicin, y el orden de
los colores destinados a cada una, dependen del sensor sobre el que se trabaje y de la
aplicacin a la que se destine. Por ejemplo, para el sensor TM de Landsat se utilizan las
siguientes composiciones:
3/2/1 - informacin en color real
5/4/3 o 4/5/3 aplicndoles RGB para estudios de usos del suelo, se ha utilizado en el
proyecto europeo Corine, en el que se obtuvo el mapa de suelos para toda Europa
4/7/5 es utilizada para el seguimiento de zonas quemadas
7/4/3 se emplea para el estudio de cultivos en regado
7/3/1 tiene aplicaciones oceanogrficas
La eleccin de las bandas depende del sensor con el que se trabaje. En general
deben seleccionarse las bandas que presenten la mayor varianza, es decir, aquellas en
las que la dispersin de los datos sea la mayor posible, y el mnimo coeficiente de
correlacin entre ellas, es decir, que la informacin proporcionada por cada una de las
bandas sea lo ms independiente posible de las informaciones proporcionadas por las
restantes. Para establecer un criterio objetivo para seleccionar las bandas ms adecuadas
para una composicin de color se han propuesto unos ndices estadsticos, como el
denominado ndice ptimo o Optimum Index Factor, OIF:

=
=
=
3 , 1
3 , 1
j
j
k
k
r
s
OIF
donde Sk es la desviacin tpica de cada una de las 3 bandas y rj es el coeficiente de
correlacin entre cada par de esas bandas. Cuanto ms alto sea este ndice mayor ser el
contenido informativo de la composicin.

13


4.EMPLEODELSEUDOCOLOR
Se ha demostrado que el ojo humano distingue mejor distintos tonos de color
que intensidades de brillo o niveles de grises, por lo que, el empleo de color puede
ayudar a interpretar una imagen, incluso si slo se dispone de una banda. En este caso,
no se puede hablar propiamente de color, pues se requeriran 3 bandas, sino ms bien de
seudo-color.
Para una mezcla de 3 bandas utilizamos distintos NV en cada can de color,
RVA. Sin embargo, tambin se puede disear una CLUT en donde varen los NV para
los 3 colores aunque slo haya una banda de entrada. Es decir, el pseudo-color implica
crear una CLUT que asocie el ND de una sola banda a distintos componentes de rojo,
verde y azul. Esto tiene sentido en 2 casos:
1 Cuando se quiere obtener una clave de color en una imagen clasificada (cada color
una categora). Cada ND indica una clase temtica distinta (p ej un uso del suelo), que
ser visualizada con un color distinto.
2 Cuando se intente realzar el anlisis de una determinada banda sustituyendo los
niveles de gris por tonos de color. P. ej., se puede disear una CLUT con tonos azules
para los ND bajos y rojos para los ND altos. Esto se aplica por ejemplo para la
visualizacin de imgenes de temperaturas (azul-rojo) o de ndices de vegetacin (color
ocre-verde).

14
5.FILTRAJES
Otro componente de la imagen es el contraste espacial, que es la diferencia
entre el ND de un pxel y el de sus vecinos. Mediante las tcnicas de filtraje se pretende
suavizar o reforzar estos contraste espaciales. Se filtra la imagen para suavizar o
reforzar los contrastes espaciales, es decir, para difuminarla o para resaltar determinados
aspectos, de modo que el ND de un pxel se diferencie o se asemeje ms a los ND de los
pxeles que lo rodean.
Los filtros son transformaciones locales de la imagen: se calcula una nueva
imagen y el valor de un pxel depender de los valores de sus vecinos. El filtraje s
implica modificar los ND originales y no slo la forma en que se representan
visualmente. Los filtros consisten en aplicar a los ND de cada pxel una operacin
aritmtica que tenga en cuenta el valor de los pxeles prximos, estos son los filtros en
el dominio espacial.
Los filtros consisten en aplicar una matriz mvil de coeficientes de filtraje (CF)
(tambin se llama kernel), con un nmero impar de filas y columnas, sobre los ND de
los pxeles. Un filtro puede ser considerado como una ventana que se mueve a lo largo
de una imagen y considera todos los ND que caen dentro de la ventana. Cada valor de
un pxel es multiplicado por el coeficiente correspondiente del filtro. El valor resultante
sustituye al valor original del pxel central. La ventana se desplaza un pxel. Esta
operacin se llama convolucin. Cuanto mayor es el tamao de la matriz mayor es el
efecto de suavizado o de realce del filtro.
El resultado de un filtro depende de los CF. Si estos tienden a ponderar el valor
central en detrimento de los circundantes, el pxel refuerza sus diferencias frente a los
vecinos (son los filtros de paso alto). Por el contrario, si los coeficientes favorecen a los
pxeles perifricos, el central se asemejar ms a los adyacentes (son los filtros de paso
bajo). Por lo tanto, hay dos tipos de filtro:
a) Filtros de paso bajo
Difuminan la imagen, la suavizan, los contornos se hacen menos ntidos. Se
asemeja el ND de cada pxel al de los pxeles vecinos. Destacan el componente de
homogeneidad en la imagen. Estos filtros se emplean para eliminar errores aleatorios
que pueden presentarse en los ND de la imagen, tambin para reducir la variabilidad
espacial de algunas categoras como paso previo a la clasificacin. En ambos casos, se
15
pretende atenuar el denominado ruido de la escena. El filtro de paso bajo puede
obtenerse a partir de diversas matrices de filtraje, algunas de las ms habituales son:

1 1 1 1 1 1 0,25 0,5 0,25
1 1 1 1 2 1 0,5 1 0,5
1 1 1 1 1 1 0,25 0,5 0,25

El filtro media suaviza la imagen para eliminar el ruido, calcular la suma de
todos los pxeles del kernel y luego divide la suma por el nmero total de pxeles del
kernel.
En los ltimos aos se ha aplicado otro tipo de filtraje, basado en la mediana en
lugar de la media. El filtro mediano consiste en sustituir el ND del pxel central por la
mediana de los ND de los pxeles vecinos. La mediana es menos sensible a valores
extremos. Este filtro preserva mejor los contornos que el filtro promedio, pero resulta
ms complejo de calcular ya que hay que ordenar los valores de los pxeles de la
ventana y determinar cul es el valor central. Tiene la ventaja de que el valor final del
pxel es un valor real presente en la imagen y no un promedio, de este modo se reduce el
efecto borroso que tienen las imgenes que han sufrido un filtro de media.
La mediana es el valor medio en un conjunto ordenado.
El filtro moda calcula la moda de los valores, es decir, el valor ms frecuente del
kernel.
El problema de los filtros de paso bajo es hacerlos sin que se pierdan entidades
interesantes.
b) Filtros de paso alto
Resaltan los bordes, los contornos de las reas homogneas. Desatacan los ND
que sobresalen entre los valores ms comunes. Destacan las reas de alta variabilidad.
Se remarcan los elementos lineales de las fronteras con respecto a los vecinos, se usan
ms.
El filtro de paso alto ms sencillo consiste en restar a la imagen original la
obtenida por un filtro de paso bajo. Aunque es ms comn emplear matrices de filtraje,
similares a las anteriores, pero en las que se refuerza ms el contraste entre el pxel
central y los vecinos. Estos filtros calculan la diferencia entre el pxel central y sus
vecinos. Esto es implementado usando valores negativos para los coeficientes de los
pxeles no centrales. Por ejemplo las siguientes matrices:
16

-1 -1 -1 0 -1 0 -1 -1 -1
-1 9 -1 -1 4 -1 -1 16 -1
-1 -1 -1 0 -1 0 -1 -1 -1


Filtro de paso alto Imagen original Filtro de paso bajo

6.TRANSFORMACIONESPREVIAS.NDICES
Estas transformaciones previas consisten en operar la imagen con un valor
numrico: sumar, restar, multiplicar o dividir pxel a pxel varias imgenes. La
transformacin previa ms comn son los cocientes o ratios entre dos o ms bandas de
la misma imagen, que se utilizan ampliamente en dos situaciones:
1. Para mejorar la discriminacin entre dos cubiertas con comportamiento
reflectivo muy distinto en dos bandas
2. Para reducir el efecto del relieve
Estos ndices se emplean principalmente para mejorar la discriminacin de las
cubiertas vegetales y estimar algunas de sus variables biofsicas. Un ndice de
vegetacin es un parmetro calculado a partir de los valores de la reflectividad a
distintas longitudes de onda y que pretende extraer de los mismos la informacin
relacionada con la vegetacin minimizando la influencia de perturbaciones como las
debidas al suelo y a las condiciones atmosfricas. Los ndices de vegetacin definidos
hasta el momento tienen en comn el uso de los valores de reflectividad en la banda del
rojo y del infrarrojo cercano, debido al diferente comportamiento de la vegetacin verde
y el suelo en estas bandas.
La vegetacin verde apenas refleja radiacin en el rango visible porque los
pigmentos de la hoja la absorben. Sin embargo estas sustancias no afectan al infrarrojo
17
cercano. Por eso se produce un notable contraste espectral entre la baja reflectividad de
la banda R (roja del espectro) y la banda del IR cercano, lo que permite separar, con
relativa claridad, la vegetacin sana de otras cubiertas. Cuando la vegetacin sufre algn
tipo de estrs (p ej por plagas o sequas) su reflectividad en el IR cercano es menor, y
paralelamente aumenta en el rojo, por lo que el contraste entre ambas bandas ser
mucho menor. En definitiva, cuanto mayor sea la diferencia entre las reflectividades
de la banda del IRC y el rojo, mayor vigor vegetal presentar la cubierta. Bajos
contrastes indican una vegetacin enferma o con poca densidad, hasta llegar a los suelos
descubiertos o al agua, que presentan muy poco contraste entre el IRC y el rojo. En este
principio se apoyan la mayor parte de los ndices de vegetacin (IV). Durante los
ltimos 20 aos se han publicado cerca de 40 IVs. Los ms empleados son el cociente
simple entre esas bandas (C), el denominado ndice normalizado de vegetacin (NDVI,
Normalizad Difference Vegetation Index)
R i
IRC i
i
C
,
,

=
R i IRC i
R i IRC i
i
NDVI
, ,
, ,


+

=
i,IRC y i,R son las reflectividades del pxel i en la banda del infrarrojo cercano y del
rojo respectivamente.
El NDVI vara entre unos mrgenes conocidos, entre -1 y +1, lo que facilita su
interpretacin. Pudiendo establecerse como lmite para las cubiertas vegetales un valor
de 0,1 y para la vegetacin densa entre 0,5 y 0,7. Cualquier valor negativo implica la
ausencia de vegetacin.
Aunque estos ndices se refieren a reflectividades muchos autores emplean
directamente los ND de la imagen, ya que se sigue manteniendo el hecho de que cuanto
mayor sea el resultado mayor vigor vegetal presenta la zona observada. Sin embargo,
segn algunos estudios el clculo de este ndice a partir de ND subestima entre 0,05 y
0,2 el valor calculado con reflectividades. Por lo que parece necesario una formulacin
alternativa para corregir este error sistemtico:
r ir
r ir
ND ND
ND ND
NDVI
801 , 0
801 , 0
+

=
La ventaja y el inconveniente del ndice de vegetacin es que no responde a una
variable concreta sino a un conjunto de factores (cobertura, estado fenolgico, estado
18
fitosanitario). Por tanto, no resulta sencillo utilizarla para estudiar aspectos especficos
de la vegetacin pero aporta una idea de conjunto acerca de su estado. Entre las
variables que se han correlacionado con los ndices de vegetacin estn; ndice de rea
foliar, contenido de agua de la hoja, flujo neto de CO2, radiacin fotosintticamente
activa absorbida por la planta, productividad neta de la vegetacin, cantidad de lluvia
recibida por la vegetacin, dinmica fenolgica, evapotranspiracin potencial.
Se han propuesto distintas variantes para mejorar este ndice. Algunos autores
afirman que la influencia relativa de los efectos atmosfricos es minimizada ms
efectivamente mediante combinaciones de bandas no lineales, por lo que proponen el
Global Environment Vegetation Index (GEMI), calculado como:
5 . 0
5 . 0 5 . 1 ) ( 2
1
125 . 0
) 25 . 0 1 (
2 2
+ +
+ +
=

=
R IR
R IR R IR
R
R
GEMI


q

q q

Adems, un ndice de vegetacin ideal debe ser sensible a la parte verde de la
planta pero no al suelo. Por lo tanto, el objetivo fundamental es eliminar la influencia
que el suelo puede tener sobre las reflectividades en el rojo y el infrarrojo y que pueda
enmascarar las de la vegetacin (lo que resulta espacialmente til en medios
semiridos). Para minimizar el efecto del suelo se utilizan los ndices de vegetacin
basados en el concepto de lnea de suelos.
El principal factor que afecta a la reflexin del suelo es el contenido en
humedad. Sin embargo la influencia de la humedad es igual a lo largo del espectro, es
igual en todas las bandas. Por lo tanto, el ratio entre bandas espectrales, por ejemplo
entre las bandas Rojo e IR no depende de la humedad del suelo, por lo que es posible
definir el concepto lnea de suelo, que es una lnea que representa la relacin entre las
reflexiones del suelo en el Rojo y el IR. La lnea de suelos caracteriza el tipo de suelo y
es calculada por el mtodo de regresin lineal y expresada as:

IR,suelo
=a*
R,suelo
+b,
a y b parmetros estimados mediante mnimos cuadrados, a es la pendiente y b el
origen de la recta.
19

Perpendicular Vegetation Index (PVI)
2
, ,
2
, ,
) ( ) (
veg IR suelo IR veg R suelo R
PVI + =
Sustituyendo aqu la ecuacin de la lnea de suelos:
2
, ,
1 a
b a
PVI
veg R veg IR
+

=

a,b parmetros de la lnea de suelo
PVI=0 suelo desnudo
PVI <0 agua
PVI >0 vegetacin
Como PVI no depende de la humedad del suelo, es menos variable de un suelo a otro.
Soil-Adjusted Vegetation Index (SAVI)
) 1 (
) (
) (
l
l
SAVI
R IR
R IR
+
+ +

=



Normaliza mejor la influencia del suelo que los ndices anteriores. La principal
desventaja es la determinacin del parmetro l. El autor recomienda tomar un valor l=1
para densidades de vegetacin bajas, 0.5 para valores intermedios y 0.25 para alta
densidad, por lo que se requiere informacin a priori.
Este ndice fue mejorado dando lugar al Transformed Soil Adjusted
Vegetation Index (TSAVI):
) 1 (
) (
2
, ,
, ,
a abX a
b a a
TSAVI
veg IR veg R
veg R veg IR
+ +

=



X=0.08
TSAVI=0 suelo desnudo
LAI (Leaf area index - ndice de superficie de hoja: superficie de hoja por unidad de
superficie de suelo) alto TSAVI proximo a 0.7.
Otras mejoras del SAVI son:
20
Modified SAVI (MSAVI)
2
) ( 8 ) 2 ( 2
2
R IR IR
l l
MSAVI
+ +
=
Optimizad SAVI (OSAVI)
Y
OSAVI
E IR
R IR
+ +

=



En diferentes estudios se ha demostrado que estos ndices presentan resultados
diferentes dependiendo de las condiciones. Por lo tanto, el mejor ndice de vegetacin
depender del tipo de sensor y de las caractersticas de la zona.

Los ndices se pueden utilizar en 3 tipos de operaciones:
- Comparacin temporal de diferentes fuentes (imgenes tomadas en diferentes
fechas o desde dos satlites diferentes)
- Integracin en un proceso de clasificacin. Debido a su poder discriminatorio
los ndices constituyen una fuente de informacin para delimitar con ms
precisin los contenidos de la clasificacin.
- Integracin en un proceso de visualizacin. La calidad visual que aporta el
nuevo canal generado por el clculo del ndice puede usarse tambin en una
sntesis de canales como es la composicin coloreada.
21
TEMA7:TRATAMIENTOSDIGITALESAVANZADOS

1.ANLISISDECOMPONENTESPRINCIPALES
Consiste en la creacin de unos canales artificiales a partir de los originales, que
contengan el mximo contenido en informacin, es decir, que tengan una correlacin
mnima y una varianza mxima.
Su objetivo es resumir la informacin contenida en un grupo amplio de
variables en un nuevo conjunto, ms pequeo, sin perder una parte significativa de esa
informacin. Por lo tanto, los factores o componentes principales vendran a ser como
variables-resumen de las medidas iniciales, preservando lo ms sustancioso de la
informacin original.
Esta capacidad de sntesis es interesante en teledeteccin porque la adquisicin
de imgenes en bandas adyacentes del espectro, implica con frecuencia detectar
informacin redundante, puesto que las cubiertas suelen presentar un comportamiento
similar en longitudes de onda prximas. Por ello, las medidas realizadas en una banda
pueden presentar una importante correlacin con las realizadas en otra banda. El ACP
permite sintetizar las bandas originales, creando unas nuevas bandas, los componentes
principales de la imagen, que recojan la parte ms relevante de la informacin original.
Esta seleccin de bandas no correlacionadas resulta muy conveniente cuando se est
realizando un estudio multitemporal o cuando se intentan seleccionar las 3 bandas ms
adecuadas para una composicin de color.
El sentido y la fuerza de la correlacin lineal entre dos variables puede
representarse mediante dos ejes, en cada uno de los cuales se representa una variable. Si
los datos de ambas bandas tienen una distribucin normal el resultado es una elipse. La
elipse que limita la nube de puntos indica el grado de correlacin, de modo que la
correlacin ser tanto mayor cuanto ms se aproxime esta elipse a una recta. En el
contexto de la teledeteccin la nube de puntos indica la localizacin de los ND en las
dos bandas consideradas.
22


El eje mayor de la elipse es el primer componente principal de los datos. La
direccin del primer componente principal es el primer eigenvector y la longitud es el
primer eigenvalor. Como el primer componente principal muestra la direccin y
longitud del eje mayor de la elipse es el que mide la mayor variacin dentro de los
datos.
El segundo componente principal es el ortogonal al primer componente
principal, en una anlisis en 2D es el eje menor de la elipse. Describe la varianza de los
datos que no es descrita por el primer componente principal. Y as sucesivamente: cada
componente principal es el mayor eje de la elipse que es perpendicular al componente
principal anterior y representa la variacin de los datos que no est incluida en los
componentes principales anteriores.
Grficamente se ve que una rotacin de los ejes X, Y hacia las direcciones de A
y B mejorar la disposicin original de los datos y, probablemente tambin la
separacin entre grupos de ND homogneos. Esta rotacin se obtiene aplicando una
funcin del tipo
CP
1
=a
11
ND
i
+a
12
ND
k

CP es el primer componente principal obtenido a partir de los ND de las bandas i y k
tras aplicar los coeficientes a11 y a12. Desde el punto de vista geomtrico, como puede
verse en la figura, este nuevo eje slo supone una rotacin de los originales. En
ocasiones, puede ser de gran inters acompaar la rotacin con una traslacin de los
ejes, situando el origen de coordenadas de los ejes en los valores mnimos de las dos
23
bandas, es decir, una traslacin, para ello se le suma a la ecuacin anterior dos
constantes a
01
y a
02
.
Para un nmero p de bandas la ecuacin a aplicar ser esta
CP
j
=
i=1,p
a
ij
ND
i
+R
j

CP es el componente principal j, a
ij
es el coeficiente aplicado al ND de la banda i para
generar el componente j, Rj es una constante que suele introducirse para evitar valores
negativos.
La obtencin de los CP implica una transformacin matemtica compleja.
Algebraicamente el ACP genera nuevos componentes mediante una combinacin lineal
de las p variables o bandas originales.
En primer lugar, para realizar el ACP se utiliza una matriz bidimensional, donde
n son los pxeles de una imagen y p son las bandas de la imagen

La i-sima fila de la matriz contiene los n niveles digitales de la i-sima banda
1. Con la matriz de varianza-covarianza
x


en la que los elementos de la diagonal son las varianzas de los N.D. en cada banda:
) 1 (
) (
1
2
1
2

=

= =
n n
x x n
n
k
n
k
ik ik
ii
o

y los elementos fuera de la diagonal son las covarianzas entre los N.D. de dos bandas:

Como la covarianza entre la banda i y la j es la misma que entre la banda j y la i
(s
ij
=s
ji
) la matriz S
x
es simtrica. Cuando hay relacin lineal entre los N.D. de dos
24
bandas las covarianzas son grandes en comparacin con las varianzas, por eso es que
esta matriz sirve para estudiar la relacin entre pares de bandas.
A partir de la matriz de varianza-covarianza de las bandas que componen la
imagen original, se extraen los autovalores (). Los autovalores estn dados por la
solucin de la ecuacin . Los autovalores expresan la longitud de cada uno
de los nuevos componentes, y, en ltima instancia, la proporcin de informacin
original que retiene el componente principal asociado. Este dato resulta de gran inters
para decidir qu componentes principales son ms interesantes; es decir, los que mayor
informacin original retengan.
Tal y como se obtienen los CP, el autovalor va disminuyendo progresivamente,
del primero a los ltimos, pues se pretende maximizar sucesivamente la varianza
extrada en el anlisis. La varianza original explicada por cada componente se calcula
como la proporcin de su autovalor frente a la suma de todos los autovalores:

=
=
p j
j
j
j
V
, 1

siendo p el nmero total de componentes.
A partir de los autovalores se pueden calcular los autovectores mediante la
siguiente expresin
1 1 1
a a
x
=

Adems de la longitud de cada eje, que nos proporcionaban los autovalores,
resulta tambin de gran inters conocer su direccin. Adems, para calcular las
ecuaciones anteriores se precisa contar con los coeficientes de la transformacin.
Ambos aspectos se pueden conocer a partir de los autovectores. El autovector indica la
ponderacin que debe aplicarse a cada una de las bandas originales para obtener el
nuevo CP. Es decir, equivale a los coeficientes de regresin de una transformacin
lineal estndar, siendo las bandas de la imagen las variables independientes y los CP las
dependientes. Una vez que conocemos los autovectores, el ltimo paso es obtener una
imagen de los componentes principales, a partir de una combinacin lineal de las bandas
originales.
CP
j
=
i=1,p
a
ij
ND
i
+R
j
Un mdulo de ACP de un programa deber proporcionar:
- Los mapas de valores de los componentes
25
- Los auto-valores para determinar el porcentaje de varianza explicada por cada
componente
- La matriz de auto-vectores que permitir determinar cul es el peso de cada
variable (banda) en cada componente.

Ejemplo 1
Suponga que los N.D. de 6 pxeles en 2 bandas son:
Banda 1 2 4 5 5 3 2
Banda 2 2 3 4 5 4 3
El sentido y la fuerza de la correlacin lineal entre dos bandas puede representarse
grficamente mediante un diagrama de dispersin. Cuanto ms se aproximan los puntos
a una recta mayor ser el grado de correlacin entre bandas.


Para este ejemplo
La matriz de varianza-covarianza de los datos es
Para determinar los componentes principales es necesario encontrar los autovalores y
autovectores de SX. Los autovalores estn dados por la solucin de la
ecuacin , es decir equivalentemente
, es decir , que da por resultados
1=2.67 y 2=0.33.
Los autovectores se calculan mediante la expresin
26
1 1 1
a a
x
=

|
|
.
|

\
|
=
|
|
.
|

\
|
|
|
.
|

\
|
12
11
12
11
67 , 2
1 . 1 1 . 1
1 . 1 9 . 1
a
a
a
a

0,77a
11
-1,1a
12
=0
1,57a
12
-1,1a
11
=0
Como, adems, los autovectores deben estar normalizados 1
2
12
2
11
= +a a . Esta
ecuacin conjuntamente con el sistema anterior da por resultado
a
11
=0,82 a
12
=0,57
Repitiendo el mismo proceso para el autovalor 0,33 se obtienen los autovectores
a
11
=--0,57 a
12
=0,82
y los componentes principales son:

Para los datos del ejemplo resulta:

Como los valores del primer componente son grandes comparados con los del
segundo, la mayor variabilidad se da en la direccin del primer componente principal, lo
cual indica que contiene la mayor parte de la informacin. Ms especficamente, el
primer componente contiene el de la variacin total. De esta
manera, el primer componente muestra un alto contraste visual. Por otra parte el
segundo componente es perpendicular al primero (porque no estn correlacionados) lo
que indica que contiene informacin no incluida en el primer componente. Todo esto se
confirma en la Figura 3, donde se han graficado los datos en los dos sistemas (bandas y
componentes principales).
27


Ejemplo 2

A partir de una muestra sistemtica de 1 de cada 8 pxeles se obtuvo la matriz de
varianza-covarianza para esas bandas:
B1 B2 B3 B4 B5 B7
B1 102,83
B2 107,91 123,68
B3 156,30 176,07 271,58
B4 71,71 114,86 127,63 583,76
B5 148,94 183,70 275,91 340,63 516,96
B7 141,22 161,53 251,25 157,26 369,24 314,29

28
Los autovalores extrados fueron: 1365,72, 410,24, 115,60, 9,64, 9,05 y 2,83.
Segn

=
=
p j
j
j
j
V
, 1

la varianza original asociada con cada uno de estos componentes result ser 71,39%
para el primer componente, 21,44% para el segundo, 6,04% para el tercero, 0,5% para el
cuarto, 0,47% para el quinto, y 0.15% para el sexto. De acuerdo a estos porcentajes se
seleccionaron nicamente los 3 primeros componentes, que retenan un total del 98,87%
de la varianza original de la imagen.
La matriz de auto-vectores:
B1 B2 B3 B4 B5 B7
CP1 0,213 0,258 0,374 0,462 0,589 0,434
CP2 -0,213 0,171 -0,354 0,834 -0,041 -0,321
CP3 0,381 0,400 0,464 0,238 -0,585 -0,284
La matriz de autovectores muestra el sentido espectral de los componentes, es
decir, evidencia la asociacin entre cada componente y las bandas originales. En esta
tabla puede verse que el primer componente recoge una valoracin de las caractersticas
espectrales comunes a todas las bandas, lo cual puede asimilarse con el brillo de la
imagen, similar al aspecto que podra presentar una imagen pancromtica.
El segundo componente muestra una importante asociacin positiva con la
banda 4, apenas perceptible con la 5 y moderadamente negativa con el resto. En
definitiva, est evidenciando el contraste espectral entre el IRC y el resto de las bandas,
lo que muestra una valoracin del vigor vegetal.
El tercer componente ofrece un claro contraste entre el visible-infrarrojo
prximo y el infrarrojo de onda corta, con correlaciones positivas para las primeras
bandas y negativas para las segundas. Esto parece indicar una valoracin del contenido
de agua, por lo que se denomina componente humedad.
Las imgenes de los CP resultantes parecen demostrar esta interpretacin. La
primera presenta una fisonoma similar a la de una imagen pancromtica, con valores
promedio de las distintas cubiertas, bajos valores en el agua y la vegetacin, medios en
los espacios edificados, y altos en los suelos descubiertos. El segundo componente
evidencia los sectores con una actividad cloroflica ms intensa, como los pastizales y
cultivos, con tonos medios para los pinares y urbanizaciones, y tonos oscuros para los
29
suelos descubiertos, aguas y vas de comunicacin. El tercer componente remarca con
claridad las lminas de agua, vas de comunicacin y espacios edificados.
Para facilitar la interpretacin de toda esta informacin se puede generar una
composicin en color con los 3 primeros componentes principales. Esta imagen se ha
obtenido asignando el can de color rojo al primero componente, el verde al segundo y
el azul al tercero. Las reas de mayor vigor vegetal aparecen en verde o cian, mientras
los suelos descubiertos o reas urbanas aparecen en magenta, y las lminas de agua en
azul.
La capacidad de sntesis del ACP la hace muy apropiada como filtro previo para
el anlisis multitemporal. En este caso, el ACP sirve para retener la informacin ms
significativa en cada perodo. Posteriormente, los CP de cada fecha se combinan, con
objeto de facilitar una mejor discriminacin de cubiertas con perfiles estacionales
marcados. En este caso los primeros componentes resultantes del anlisis no son los
ms interesantes ya que recogen informacin comn a las distintas fechas, es decir, la
informacin estable. Los ltimos componentes son los que ofrecen la informacin no
comn, es decir, la que cambi, que es la que interesa en este contexto.
Un problema inherente al ACP es la dificultad de establecer una interpretacin a
priori de los componentes, ya que la transformacin es puramente estadstica y, por
tanto, muy dependiente de las caractersticas numricas de la imagen. Algunos autores
sugieren que el primer componente siempre indica el brillo general y el segundo el
verdor. No obstante, esta afirmacin es cierta cuando la imagen contiene una cantidad
suficiente de cobertura vegetal. De otra forma, el componente de vegetacin puede ser
el tercero o cuarto. En definitiva, no pueden aplicarse reglas generales para la
interpretacin de los CP.

2.TRANSFORMACINTASSELEDCAP(TTC)
Esta transformacin se dirige a obtener nuevas bandas por combinacin lineal de
las originales, con objeto de realzar algunos rasgos de inters en la escena. La diferencia
con el ACP es que la TTC ofrece unos componentes con significado fsico,
independientes del tipo de imagen. Se basa en la evolucin espectral de los cultivos a lo
largo de su perodo vegetativo.
La TTC fue ideada por la NASA y el USDA en los aos 70 con objeto de
mejorar la prediccin de cosechas. A partir de una serie de imgenes de zonas agrcolas
30
se trat de sintetizar los ejes de variacin espectral de los cultivos en una figura tri-
dimensional, de aspecto parecido a un gorro con borlas (tasseled cap). Considerando la
banda roja e infrarroja, la base de este gorro se define por la lnea de suelos, donde se
sitan los diferentes tipos de suelo.

A medida que crece la vegetacin sobre un tipo de suelo, disminuye la
reflectividad en el rojo y aumenta en el infrarrojo cercano, por lo que el punto va
separndose de la lnea del suelo en sentido ascendente y hacia la izquierda. Segn el
cultivo va ganando en vigor, tiende a separarse de la lnea del suelo, aproximndose al
eje de la banda infrarroja, y convergiendo en un punto cuando se produce la mxima
madurez. A partir de ah el cultivo tiende a marchitarse, retornando hacia la lnea de
suelos. La distancia de cada punto a la lnea de suelo ser, por tanto, proporcional a la
cantidad de vegetacin.
La TTC tiende a poner ms en evidencia el comportamiento espectral de la
vegetacin y el suelo, a partir de crear nuevos ejes mejor ajustados a este espacio fsico.
En este nuevo sistema de coordenadas se pretende que sea ms ntida la separacin entre
31
ambas cubiertas. Para el caso de las imgenes MSS sobre las que se desarroll esta
transformacin, los nuevos ejes se obtuvieron a partir de:
c x R u
i i j
+ =
'

donde u es el vector correspondiente a la imagen transformada, x
i
el vector de entrada,
Ri el vector de coeficientes de transformacin y c una constante para evitar valores
negativos. Los autores sugieren un valor c=32 y estos coeficientes. Los coeficientes
propuestos pueden aplicarse a distintas imgenes del mismo sensor, con la particular de
que fueron obtenidos a partir de las caractersticas de la cubierta agrcola del mediooeste
americano.
Los autores de esta transformacin sugieren 3 componentes: uno denominado
Brillo (brightness), suma ponderada de las cuatro bandas originales, otro denominado
Verdor (greenness), relacionado con la actividad vegetativa (es similar a un ndice de
vegetacin y permite llevar a cabo un anlisis de la densidad y estado de salud de la
vegetacin), un tercero conocido como Marchitez (yellowness) que pretenda
relacionarse con la reduccin en el vigor vegetal, y un cuarto sin significado aparente
(Nonsuch).
En un primer momento, esta transformacin no se utiliz mucho. En los aos 80 se
empez a utilizar ms y se demostr su aplicabilidad a otros sensores, principalmente al
TM y al AVHRR. En el sensor TM se puso de manifiesto la presencia de un nuevo
componente denominado Humedad (Wetness). En consecuencia, una imagen TM
presenta 3 ejes principales de variacin:
1. Brillo (Brightness): refleja la reflectividad total de la escena.
2. Verdor (Greenness): indica el contraste entre las bandas visibles y el IRC.
3. Humedad (Wetness): se relaciona con el contenido de agua en la vegetacin y en
el suelo, y se marca por el contraste entre el SWIR (infrarrojo de onda corta), en
donde se manifiesta con mayor claridad la absorcin de agua, y el visible. Otros
autores han propuesto denominar a este componente Maturity, puesto que se ha
encontrado una clara relacin con la madurez de la cubierta vegetal. En algunos
estudios se ha mostrado como un buen indicador de la edad y densidad de la
cobertura forestal. Adems se observ que era el componente menos afectado
por la topografa.
32
La combinacin de estos ejes o componentes permite distinguir varios planos de
variacin, de gran inters para el estudio de suelos y vegetacin. Se suelen distinguir 3
planos:
- Plano de vegetacin, formado por el eje de brillo y de verdor
- Plano de suelos, formado por el eje de brillo y la humedad
- Plano de transicin, formado por el eje de humedad y el de verdor
Una de las ventajas de esta transformacin frente al ACP radica en su
interpretabilidad fsica. Los componentes deducidos mediante la TTC tienen un
significado preciso, independiente de las condiciones de la escena, puesto que se apoyan
sobre las caractersticas del sensor y no sobre la radiometra de la imagen. Por lo tanto,
los coeficientes propuestos pueden aplicarse a distintas imgenes del mismo sensor, con
la particular de que fueron obtenidos a partir de las caractersticas de la cubierta agrcola
del mediooeste americano.
33
TEMA8:EXTRACCINDELAINFORMACIN

1.FUNDAMENTOS
La clasificacin supone, en muchos casos, la fase culminante del anlisis de
imgenes. Clasificar una imagen implica categorizar dicha imagen, de tal forma que el
ND de un pxel determina la clase donde ha de ser incluido. Si un pxel satisface unos
determinados criterios es asignado a una clase que se corresponde con esos criterios. Un
mtodo de clasificacin debera contar con las siguientes caractersticas:
1. Exacto
2. Reproducible, por otros para las mismas variables de entrada
3. Robusto, no sensible a pequeos cambios en las condiciones de entrada
4. Exhaustivo, que cubra todo el territorio de estudio
5. Objetivo, que no est marcado por las decisiones del intrprete. Aunque este
punto es matizable, ya que el conocimiento del intrprete puede resolver algunos
problemas de discriminacin de cubiertas.
La clasificacin digital implica categorizar una imagen multibanda. En trminos
estadsticos, esto supone reducir la escala de medida, de una variable continua (la de los
ND originales) a una escala categrica u ordinal.
Los ND que forman la imagen son una traduccin digital de un flujo energtico
recibido por el sensor para una determinada banda del espectro. En consecuencia, una
clasificacin basada exclusivamente sobre ND puede denominarse propiamente
clasificacin espectral. El problema es que puede haber distintas categoras temticas
con un comportamiento espectral similar. En ese caso se recomienda acudir a las otras
dos dimensiones de informacin que contiene una imagen: la espacial y la temporal. En
el primer caso se trata de tener en cuenta en la clasificacin el contexto espacial en el
que aparece el pxel. El segundo aportara datos sobre su evolucin estacional, lo cual
puede ser especialmente til para discriminar cubiertas vegetales. Si ninguna de estas
tres dimensiones es suficiente para clasificar ciertas cubiertas, puede ser preciso acudir a
informacin auxiliar como topografa, suelos, etc.
La clasificacin digital es similar a la foto-interpretacin. En la foto-interpretacin,
en primer lugar el intrprete identifica el patrn visual asociado a cada cubierta.
Posteriormente, delimita sobre el resto de fotografas las zonas que se corresponden con
34
el modelo previamente definido. Por ltimo, verifica sobre el terreno la interpretacin
realizada. Este es el mismo esquema de la clasificacin digital, en la que se distinguen
las siguientes fases:
- Definicin digital de las categoras (fase de entrenamiento). Consiste en definir
el rango de ND que identifica a cada categora.
- Agrupacin de los pxeles de la imagen en cada una de esas categoras (fase de
asignacin).
- Comprobacin y verificacin de resultados. Las tcnicas de verificacin son
aplicables tanto al tratamiento digital como al anlisis visual.

2.FASEDEENTRENAMIENTO
Diversos factores introducen una cierta dispersin en torno al comportamiento
espectral medio de cada cubierta. Esto implica que las distintas categoras no se definen
por un solo ND, sino por un conjunto de ND, ms o menos prximos entre s. Por ello,
la fase de entrenamiento resulta compleja: se trata de definir con rigor cada una de las
categoras que pretenden discriminarse, teniendo en cuenta su propia variabilidad en la
zona de estudio.
La fase de entrenamiento consiste en seleccionar una muestra de pxeles de la
imagen, que representen, adecuadamente, las categoras de inters. A partir de esos
pxeles pueden calcularse los ND medios y la variabilidad numrica de cada categora.
Hay dos mtodos de clasificacin: supervisado y no supervisado, de acuerdo a
las formas en que son obtenidas las estadsticas de entrenamiento. El mtodo
supervisado parte de un conocimiento previo del terreno, a partir del cual se
seleccionan las muestras para cada una de las categoras. El mtodo no supervisado
consiste en una bsqueda automtica de grupos de valores homogneos dentro de la
imagen. El usuario definir posteriormente a qu categoras corresponden estos grupos.
En una clasificacin temtica hay 2 tipos de clases: informacionales y espectrales. Las
primeras son las que constituyen la leyenda a la que se pretende llegar. Las segundas,
corresponden a los grupos de valores espectrales homogneos dentro de la imagen, con
una reflectividad similar. Las categoras informacionales se establecen por el usuario,
mientras que las espectrales se deducen de los ND presentes en la imagen. Al comparar
las clases informacionales con las clases espectrales se debe determinar cmo las clases
35
espectrales se transforman en clases informacionales. Lo ideal es que las categoras a las
que se pretende llegar se correspondan con otras tantas clases espectrales.
La diferencia entre el mtodo supervisado y el no supervisado estriba en que el
supervisado pretende definir clases informacionales, mientras que el no supervisado
tiende a identificar las clases espectrales presentes en la imagen.

3.CLASIFICACINNOSUPERVISADAYSUPERVISADA
El mtodo no supervisado.
Se asume que los ND de la imagen forman una serie de agrupaciones de pxeles
con un comportamiento espectral homogneo y, que por lo tanto, deberan definir clases
temticas de inters. El mtodo para definir los agrupamientos espectrales se basa en la
seleccin de 3 parmetros:
1. Variables que intervienen en el anlisis
2. Criterio para medir la similitud o distancia entre casos
3. Criterio para agrupar los casos similares
En el contexto de teledeteccin las variables son las bandas seleccionadas para la
clasificacin. Los casos son los pxeles, cada uno definido por tantos ND como bandas.
La delimitacin de cada grupo espectral se realiza mediante dos criterios; la similitud
entre pxeles y el algoritmo de agrupamiento.
1) Para medir la similitud o la distancia entre pxeles se han propuesto varios criterios,
el ms utilizado se basa en la distancia euclidiana

=
=
m I
i b i a b a
ND ND d
, 1
2
, , ,
) (
donde d
ab
es la distancia entre dos pxeles a y b, ND
ai
y ND
bi
son los niveles digitales de
esos pxeles en la banda i, y m es el nmero de bandas. Aunque hay otras medidas de
distancias.
2) En cuento al algoritmo de agrupamiento, tambin hay varias opciones. Uno de los
ms comunes es el denominado ISODATA que consiste en las siguientes fases:
1. Sealar una serie de centros de clase
2. Se asignan todos los pxeles al centro de clase ms prximo utilizando la distancia
euclidiana
3. Se calculan de nuevo los centros de clase, teniendo en cuenta los valores de los
pxeles incorporados en la fase anterior.
36
4. Se reordenan los centros de clase en funcin de los parmetros de control indicados
por el usuario, como nmero de grupos, distancia mnima entre grupos, tamao mnimo
de un grupo y varianza mxima de un grupo.
5. Se vuelven a asignar todos los pxeles al centro ms cercano
6. Si el nmero de pxeles que ha cambiado de grupo es inferior al sealado por el
usuario se termina el proceso.
El problema es la eleccin de los parmetros de control, ya que no se conoce de
partida el nmero de grupos espectrales presentes en la imagen, o la distancia entre
grupos. Otro inconveniente es el notable volumen de clculo que requiere, ya que
normalmente es necesario un elevado nmero de iteraciones.

El mtodo supervisado.
Requiere un cierto conocimiento de la zona de estudio para delimitar sobre la
imagen unas reas suficientemente representativas de cada una de las categoras. Estas
reas se denominan reas de entrenamiento, se trata de reas de las que se conoce a
priori la clase a la que pertenecen y que sirven para entrenar al software en el
reconocimiento de las distintas categoras. A partir de ellas, el software establece los
ND que definen cada una de las clases, para luego asignar el resto de los pxeles de la
imagen a una de esas categoras en funcin de sus ND. Es decir, a partir de los
estadsticos de cada clase, cada pxel de la imagen es comparado con estos valores y
etiquetado con la clase a la que se parece digitalmente.
La mayor parte de los equipos de anlisis de imgenes permiten localizar
interactivamente las reas de entrenamiento. Con el ratn el usuario introduce los
37
vrtices que definen estas reas, asignndolas a una de las categoras definidas
previamente en la leyenda. Tambin hay un mtodo automtico, llamado semillado,
en el que se localiza un pxel central a partir del cual se agregan los pxeles vecinos en
funcin de su proximidad espectral hasta formar un polgono. Para ello el usuario debe
introducir un valor lmite de varianza espectral para el polgono. Conviene que exista un
control de campo suficiente para estas reas de entrenamiento.
Los pxeles seleccionados deben ser lo suficientemente representativos de cada
clase y que reflejar adecuadamente su variabilidad espectral en la zona de estudio. En
cuanto al nmero de pxeles a seleccionar, se requiere un mnimo de m+1 pxeles por
categora, siendo m el nmero de bandas. Conviene, no obstante, superar con creces este
lmite mnimo. Diversos autores recomiendan seleccionar un nmero de pxeles
comprendido entre 10*m y 100*m por categora. Adems resulta ms conveniente
elegir varias reas de entrenamiento de pequeo tamao que una sola de mayores
dimensiones, ya que sino tender a infravalorarse la variabilidad espacial de esa
categora. Algunos autores sugieren que ningn rea de entrenamiento debera ser
superior a 10 pxeles, debido al efecto de auto-correlacin. Esto significa que los pxeles
adyacentes tienen una alta probabilidad de tener valores de brillo similares, por lo que
tienden a tener una varianza reducida que puede ser debida ms al modo en que el
sensor toma los datos que a las propias condiciones de la cubierta. Esto se debe a que la
mayora de los detectores se detienen sobre un pxel durante un breve perodo de tiempo
pudiendo arrastrar informacin espectral desde un pxel a otro adyacente. Algunos
autores recomiendan seleccionar pxeles aislados para cada categora, o seleccionar
pxeles aleatoriamente dentro de campos de mayor tamao. Finalizada la seleccin de
las reas de entrenamiento, el software calcula las estadsticas de cada categora; media,
rango, desviacin tpica, matriz de varianza-covarianza, etc. a partir de los ND de todos
los pxeles incluidos en las reas de entrenamiento asignadas a esa clase.

4.MEDIDADELASEPARABILIDADENTRECLASES
Antes de empezar el proceso de clasificacin se analiza la separabilidad real de
las categoras seleccionadas. Esto consiste en saber si estadsticamente existen
diferencias significativas entre las distintas categoras. Si se comprueba que dos o ms
categoras son muy similares, sera probable que hubiera confusin entre ellas, por lo
que resultara aconsejable:
38
1. Confirmar que las estadsticas de entrenamiento son correctas
2. Adoptar una leyenda ms general
3. Recabar informacin auxiliar.
Existen varios mtodos para evaluar las estadsticas de entrenamiento. Por ejemplo,
un grfico en el que en abscisas figuran las bandas que intervienen en el anlisis y en
ordenadas los ND medios de cada categora. Las lneas paralelas y prximas indican un
probable solape entre categoras. Pero este grfico slo refleja la tendencia media, no
considera la variacin propia de cada categora.
Esto se puede representar a partir de un grfico de solape espectral, que es un
diagrama de barras que recoge en cada banda y para cada categora, el rango digital
cubierto por la media una o dos desviaciones tpicas.
Otra forma de representar los solapes entre categoras es el histograma de
frecuencias de los ND que componen cada categora. Se supone que los ND se
distribuyen normalmente, esto permite estimar su distribucin a partir de su media y
desviacin tpica. De esta forma se construye una figura as, dibujando la elipse de la
distribucin normal para todas las categoras, fijando la extensin de la elipse a 2
desviaciones tpicas de la media. Este grfico permite observar con mayor nitidez los
posibles solapes entre categoras.
Adems de los procedimientos grficos, existen algunos criterios cuantitativos,
el ms sencillo es la distancia normalizada entre dos categoras:
B A
B A
n
s s
ND ND
d
B A
+

=
,

ND es la media de las categoras A y B, y SA y SB sus desviaciones tpicas. Este
clculo se aplica a cada par de bandas.
Existen otras medidas estadsticas ms complicadas basadas en las divergencias. Cuanto
mayor sea el valor de la divergencia mayor ser la separabilidad entre clases.

5.FASEDEASIGNACIN
Se trata de adscribir cada uno de los pxeles de la imagen a cada una de las clases
previamente seleccionadas en funcin del ND de cada pxel. Los criterios ms comunes
son:
- Mnima distancia, por el cual el pxel se asigna a la clase ms cercana.
39
- Paraleleppedos, que permiten establecer umbrales de dispersin asociados a
cada clase
- Mxima probabilidad, asigna el pxel a la clase a la que tiene mayor
probabilidad de pertenecer.
6.ALGORITMOSDECLASIFICACIN

Clasificador de mnima distancia
El criterio ms sencillo para asignar un pxel a una de las categoras consiste en
incluirlo en la categora ms cercana, es decir, en aquella que minimice la distancia
entre ese pxel y el centroide de la clase. Se trata de la distancia espectral no geomtrica,
es decir, la distancia entre el ND de cada pxel y el ND de los centros de las distintas
categoras. Esta distancia se puede medir de varias formas, la ms empleada es la
distancia euclidiana

=
=
m i
i A
i x A x
ND ND d
, 1
2
,
, ,
) (
donde dx,A es la distancia entre el pxel x y la categora A, NDx,i es el ND del pxel x
en la banda i y NDA,i es el valor medio de esa categora en la banda i.
Tras calcular esta distancia para todas las categoras, se asigna el pxel a la
categora para la cual esta distancia sea la ms pequea. Este algoritmo es sencillo,
rpido y ofrece buenos resultados cuando no hay un gran solape entre categoras. No
deja pxeles sin clasificar, esto puede provocar errores de comisin, sobre todo cuando
no se incluye en la leyenda alguna categora presente en la imagen. La distancia que
utiliza este algoritmo es lineal, no considera la varianza, por lo que tiende a delimitar
grupos circulares de radio proporcional a la situacin de cada categora.

Clasificador de paraleleppedos
La clasificacin de paraleleppedos o hipercubos es un mtodo que consiste en
fijar reas de dominio para cada categora y posteriormente asignar a esta categora el
pxel si su ND pertenece a su correspondiente rea en todas las bandas de la imagen. En
consecuencia, un pxel que presenta un nivel digital NDx,i en la banda i ser atribuido a
la clase A si se verifica
i A i A i x i A i A
R ND ND R ND
, , , , ,
+ s s
40
para todas las bandas, siendo RA,i es el rango de dispersin de la categora A en la
banda i. Es decir, un pxel es asignado a una categora si sus ND se encuentran a menos
de una determinada distancia del centro de esa clase. Esta distancia es fijada con el
usuario, aunque suele fijarse en la desviacin tpica, o en un mltiplo suyo. Cuanto
mayor sea esta distancia mayor ser el nmero de pxeles incluidos en cada clase pero
tambin ser mayor el riesgo de confusiones con categoras vecinas. Del mismo modo,
un valor pequeo garantiza mayor fiabilidad en las asignaciones, pero supone un mayor
nmero de pxeles sin clasificar.
Es un algoritmo bastante rpido, puesto que slo requiere operaciones lgicas sencillas,
del tipo IFTHEN. Entre los principales problemas de este mtodo se encuentra el que
haya pxeles en zonas comunes a dos o ms categoras o que algunos pxeles queden sin
clasificar. Algunos autores han propuesto introducir el criterio de mnima distancia en
estas reas en conflicto. Respecto a los pxeles sin clasificar, la solucin pasa por
ampliar paulatinamente el rango de dispersin, estableciendo un equilibrio entre los
pxeles no clasificados y los solapes entre categoras.

Clasificador de mxima probabilidad
Este mtodo considera que los ND de cada clase se ajustan a una distribucin
normal. Eso permite describir cada categora mediante una funcin de probabilidad, que
sirve para calcular la probabilidad de que un pxel pertenezca a dicha categora. Se
asigna el pxel a la categora para la cual la funcin de probabilidad es mayor. La
funcin de probabilidad se estima a partir de las medidas realizadas sobre las reas de
entrenamiento, basta con conocer la media y la desviacin tpica de cada categora:
{ }
2 2
2
2 / ) ( exp
2
1
) / (
A
A
X
A
ND ND A x p o
to
=
la probabilidad de que un pxel x definido por un NDx pertenezca a la clase A, se puede
calcular a partir de la media de la categora, NDA y la varianza de esa clase.
El clasificador de mxima probabilidad demanda un mayor volumen de clculo.
Sin embargo, es el ms empleado en teledeteccin, porque se ajusta con ms rigor a la
disposicin original de los datos. Es posible reducir los errores de comisin
estableciendo unos umbrales de probabilidad para cada categora. Esto, a su vez,
conllevar la aparicin de pxeles no clasificados.

41
Clasificadores en rbol
Uno de los mtodos ms sencillos pero tambin ms eficientes es el clasificador
en rbol, que consiste en discriminar secuencialmente cada una de las categoras,
basndose en los valores espectrales, o en la textura o en informacin auxiliar. Para cada
clase se establecen unas reglas que permiten discriminarla a partir de las variables en
que mejor se discrimina.
Estas reglas se introducen en el algoritmo en forma de operadores lgicos
condicionales, del tipo IFTHEN (si se cumplen determinadas condiciones
entonces), que intentan simular la toma de decisiones que realiza una persona. Por
ejemplo
IF ND
IRC
/ND
R
>2 AND Textura=Rugosa THEN Bosque
IF ND
IRC
/ND
R
>2 AND Textura=Lisa THEN Prados
De modo que se pueden introducir variables no obtenidas por teledeteccin. Es
decir, este mtodo tiene una gran facilidad para integrar datos provenientes de fuentes
distintas de los satlites de teledeteccin. El establecimiento de estos criterios de
decisin se realiza por un experto en el reconocimiento de cada categora. Una vez
ajustadas adecuadamente las reglas el clasificador en rbol resulta un criterio muy
rpido y que permite introducir informacin auxiliar.

Clasificadores basados en el contexto espacial
Para discriminar dos cubiertas puede ser necesario acudir a criterios no
estrictamente espectrales como los criterios espaciales, derivados de la situacin de un
pxel respecto al resto de pxeles que forman la imagen. Es decir, habr que tener en
cuenta criterios de textura y contexto.
La distincin entre textura y contexto se basa en el rea que se considera en la
medicin de las relaciones espaciales. La textura se relaciona con la variacin espacial
dentro de grupos contiguos de pxeles. El contexto mide las relaciones espaciales de
cada pxel con el resto de la escena.
Los mtodos para incluir el contexto espacial en la interpretacin digital se
pueden agrupar en funcin de la fase de la clasificacin en la que intervienen:
1 mtodos que generan bandas texturales previas a la clasificacin
2 mtodos que emplean el contexto durante la clasificacin
3 mtodos que consideran el contexto despus de la asignacin con el fin de
refinar los resultados.
42
1. Los primeros mtodos consisten en realizar una serie de medidas de textura
previas a la clasificacin. Aunque tambin se puede realizar en la fase de
entrenamiento, por ejemplo el clasificador ECHO (Extraction and Classification
of Homogeneous Objects), que propone clasificar una imagen, no a partir de
pxeles, sino de reas compuestas por pxeles de similares caractersticas. Es
decir, se trata de extraer previamente objetos homogneos, que luego son
asignados a categoras. La delimitacin de estas reas homogneas se basa en
criterios de similitud espectral y contigidad.
2. Los clasificadores de contexto que incorporan el criterio del contexto en el
propio algoritmo de asignacin, consisten en asignar un determinado pxel a una
categora no slo a partir de sus ND, sino tambin de los ND de los pxeles
vecinos. Una manera de aplicar este criterio es incorporar alguna variante de la
vecindad espacial a los clasificadores que ya vimos. P. ej. el en clasificador de
mxima probabilidad puede considerarse la probabilidad de asignacin de los
pxeles vecinos. Esto permite incluir la informacin de los pxeles vecinos para
tomar una decisin en caso de que las probabilidades para dos clases sean
similares o no exista una clase con probabilidades de pertenencia
suficientemente altas.
3. Los mtodos que introducen el contexto para refinar los resultados de la
clasificacin.
Es frecuente que los resultados de una clasificacin digital estn excesivamente
fragmentados, es decir, que manchas de una categora se encuentran salpicadas
por pxeles asignados a otras categoras, dificultando su interpretacin y la
representacin cartogrfica de los resultados. Este fenmeno se denomina efecto
de sal y pimienta, en ingls salt and pepper. Para solucionar este problema
suele aplicarse una tcnica de suavizacin de resultados, similar a los filtros de
paso bajo. P. ej., se compara la clase de un pxel con la de sus vecinos, si esta
clase es la misma en la mayor parte de los pxeles se mantiene la asignacin
original, en caso contrario, se modifica. Normalmente esta comparacin se
realiza a partir de una ventana mvil de 3*3 pxeles. Se distinguen dos tipos de
filtros de este tipo:
- Filtro modal. El pxel situado en el centro de la matriz se asigna a la categora
ms frecuente entre los pxeles vecinos.
43
- Filtro de mayora. El pxel central se asigna a la categora que cuente con la
mitad ms uno de los pxeles vecinos. En caso de que ninguna categora rebase
ese valor, el pxel central mantiene su asignacin primitiva.
El primero ofrece una mayor generalizacin que el segundo, por lo que puede
ser ms conveniente en el caso de paisajes muy complejos. Se ha demostrado
que estos filtros aumentan la exactitud conseguida en la clasificacin, pero su
principal problema es la difcil decisin sobre el tamao de la ventana.

Redes neuronales artificiales (RNA)
Es una de las nuevas tcnicas de clasificacin de imgenes con mayor
potencialidad y que ms se est utilizando actualmente. Las RNA predicen un
comportamiento complejo, a partir de una muestra de entradas y salidas observadas.
Con los datos de esta muestra la red aprende a reconocer el resultado a partir de los
valores de entrada. Una RNA est formada por un conjunto de elementos simples
(neuronas) distribuidos en capas. Las unidades que forman una capa estn
conectadas con la capa o capas inmediatas a travs de unas funciones de activacin.
Estas funciones se definen a partir de una serie de pesos (wij), que se calculan de
modo iterativo en el proceso de aprendizaje de la red. El objetivo de este aprendizaje
es estimar unos resultados conocidos a partir de unos datos de entrada (muestra de
control), para posteriormente calcular resultados desconocidos a partir del resto de
datos de entrada.
El nmero de unidades y de capas depende de las condiciones del problema,
siendo ms complicado el proceso de aprendizaje cuanto mayor es la dimensin de
la red. En clasificacin de imgenes es frecuente que las RNA estn formadas por 3
capas, denominadas capa de entrada, oculta y de salida. El nmero de las unidades
de entrada est relacionado con los valores que sirven para entrenar la red,
habitualmente una por cada banda empleada en la clasificacin. El nmero de
unidades de salida coincide con el nmero de clases en que se pretende clasificar la
imagen. El nmero de unidades en la capa oculta puede variar, aunque se
recomienda que sea al menos igual al de la capa de entrada.
La parte esencial de esta tcnica es el denominado aprendizaje de la red, en el
que se configuran las conexiones y pesos entre las unidades de la red. El criterio de
aprendizaje ms conocido es el de retro-propagacin:
44
1. Se asignan unos pesos arbitrarios a la red. Los resultados con estos pesos para la
muestra de control se comparan con los resultados conocidos. Esto permite obtener
una tasa de error inicial. La medida habitual del error es la desviacin cuadrtica
entre el resultado esperado (t
k
) y el producido por la red (o
k
)

= =
=
n k c m
m k m k
o t E
, 1 , 1
2
, ,
) (
donde m son los resultados esperados (en este caso las c categoras) y k son las
unidades de entrada (en este caso las n bandas).
2. Se van modificando iterativamente los pesos de las distintas capas con el objetivo
de reducir este error, hasta que el error sea muy pequeo o nulo, o bien hasta que se
haya cumplido el nmero de iteraciones indicadas por el intrprete. Al principio del
entrenamiento los factores de ponderacin cambian muy deprisa. Pero si las reas de
entrenamiento se han seleccionado correctamente, llega un momento en el que los
factores de ponderacin se estabilizan, es decir, no se modifican aunque se vuelvan
a introducir los pxeles de entrenamiento. En este momento finaliza la fase de
entrenamiento. En ese momento ya se pueden introducir los ND de los pxeles cuya
clase no se conoce y se adjudican a la clase que de la respuesta ms alta.

En el contexto de la clasificacin de imgenes se ha comprobado la potencialidad de
las RNA como alternativa a los clasificadores estadsticos tradicionales, sobre todo
cuando no se pueden asumir distribuciones normales. Aunque se han obtenido
resultados mejores que con los clasificadores tradicionales, la calidad de la
discriminacin depende en gran medida de la calidad del entrenamiento. Las RNA
pueden incluir bandas auxiliares no espectrales, correspondientes, p ej, a un mapa de
suelos. Adems, se ha comprobado la robustez de esta tcnica para incluir elementos
texturales, ofreciendo as una clasificacin con menos ruido. Entre los problemas de las
RNA se puede citar la falta de criterios generales para disear la estructura de la red, su
lento y tedioso entrenamiento (que desaconseja su empleo cuando el nmero de clases
o de bandas es muy grande).

Clasificacin borrosa (fuzzy)
Los clasificadores que hemos visto hasta ahora son clasificadores rgidos (hard
classifiers), en donde cada pxel se asigna a una nica categora. Esto puede conducir a
errores, p ej, en el criterio de mxima probabilidad, un pxel se asigna a la clase a la que
45
es ms probable que pertenezca, independiente de que la probabilidad de pertenecer a
esa categora sea 0,9 o escasamente 0,55. En el primer caso la probabilidad de error es
bastante baja, mientras que en el segundo caso la asignacin es muy arriesgada. Las
nuevas tcnicas de clasificacin borrosa o fuzzy permiten aliviar este problema. En este
enfoque cada pxel tendr un grado de pertenencia a cada categora. Este valor de
pertenencia se obtiene mediante una funcin de pertenencia que proporciona valores
comprendidos entre 0 y 1.
Uno de los mtodos ms habituales para obtener estos valores de pertenencia es la
variante borrosa de mxima probabilidad.

donde U
A
es el grado de pertenencia a la clase A, M es el vector de ND formado por los
n pxeles utilizados en la muestra, y V
A
la matriz de varianza-covarianza para esa clase.
A partir de estos dos valores se puede calcular la probabilidad de pertenencia, variando
ligeramente la frmula de probabilidad
P* (x/a) =(2t)
-m/2
|V
*
a
|
-0,5
exp {-0,5 (Mx- M
*
A
)
T
V
*
A
-1
(Mx - M
*
A
)}
Esta probabilidad se considera el grado de pertenencia de ese pxel a dicha categora.
Por tanto, se obtienen tantas imgenes como categoras.
Las aplicaciones de esta lgica borrosa son de especial inters cuando se
pretende analizar coberturas con alto grado de mezcla, como en el caso de categoras
urbanas. Es muy til por ejemplo para el inventario forestal, para la estimacin de
densidades y superficies.
) (
U
) - )( - )( (
U
=
i A
1,n = i
T
*
A i
*
A i i A 1,n = i *
A
M
U M U M M
V

) (
U
) (
U
=
i A
1,n = i
i i A
1,n = i *
A
M
M M
U

46
TEMA9:VERIFICACINDERESULTADOS

La verificacin de resultados permite al usuario valorar el riesgo que asume al
tomar decisiones sobre la informacin que ha generado. Este proceso de verificacin
requiere siempre comparar los resultados obtenidos con una fuente externa que
represente la realidad presente en el terreno cuando se adquiri la imagen. Como
lgicamente no se dispone de esa informacin de referencia para toda el rea de estudio,
ya que si fuera as no tendra sentido generarla de nuevo mediante teledeteccin, el
proceso de verificacin requiere aplicar tcnicas de muestreo.
La verificacin de resultados incluye las siguientes fases:
1. Diseo del muestreo, sealando cuntas parcelas deben muestrearse y cmo se
seleccionan.
2. Recolectar datos de referencia y resultados sobre esas parcelas seleccionadas.
3. Comparar los datos de referencia y nuestros resultados, mediante distintos tests
estadsticos y la generacin de una matriz de confusin.
4. Anlisis de los errores encontrados y validacin de la calidad del proceso.

1.FUENTESDEERRORENLACLASIFICACINTEMTICA
La fiabilidad de los resultados depende de distintas variables, como; las
caractersticas del sensor, que puede no tener la resolucin necesaria para nuestra
aplicacin, el mtodo de trabajo, que puede no ser capaz de extraer toda la informacin
de la imagen, y la propia complejidad del rea de estudio. Adems tambin hay que
considerar los propios errores del proceso de verificacin.
Limitaciones del sensor
Adems de los posibles errores debidos a fallos del sensor, de la plataforma o de
los sistemas de recepcin y grabacin de la seal, las limitaciones intrnsecas del sensor
pueden ser una fuente importante de problemas, especialmente cuando se hayan
sealado unos objetivos poco realistas para los datos disponibles. La eleccin del sensor
ms conveniente ser un compromiso entre la inversin que supone y el nivel de error
que se puede tolerar.
Mtodos de anlisis
47
Los errores tambin se pueden deber a no aplicar el mtodo ms apropiado a ese
problema. Tambin se puede incluir entre los errores derivados del mtodo de anlisis la
incorrecta seleccin de la fecha de adquisicin de la imagen.
Estructura del territorio
En regiones con una morfologa parcelaria con solares de muy pequea
extensin, inferior incluso al tamao del pxel, el sensor detecta una seal radiomtrica
promedio entre dos o ms cubiertas, haciendo prcticamente imposible su
discriminacin. Este efecto es habitual en aplicaciones agrcolas con paisajes con
parcelamiento muy minucioso.
Adems est el efecto de la disposicin espacial de los tipos de cubierta. Es
decir, si las cubiertas vecinas tienen comportamientos espectrales muy distintos son ms
fcilmente discriminables que si sus comportamientos espectrales son similares.
Adems, la orientacin, la pendiente y la densidad con que aparece una cubierta
implica una variabilidad espectral que dificulta la clasificacin, provocando solapes y
confusiones con categoras vecinas.
El proceso de verificacin
Una ltima fuente de error es el proceso de verificacin. Por ejemplo, una mala
georreferenciacin de la imagen que estamos utilizando para verificar implica
considerar valores de referencia incorrectos. Tambin se pueden producir problemas
cuando la verificacin se realiza por varias personas simultneamente, debido a una
definicin poco precisa de las categoras temticas que lleva a una interpretacin
diferente. Por ltimo, el documento de referencia tambin puede incluir errores. P. ej. si
se utiliza una foto area la fotointerpretacin puede no ser correcta. Tambin puede
haber un desfase entre el momento de adquisicin de la foto area y el momento de
adquisicin de la imagen satlite.
2.MEDIDASDEFIABILIDAD
La medida de la exactitud alcanzada por los resultados de una clasificacin se
realiza por varios procedimientos. El ms sencillo es una valoracin cualitativa, es
decir, el intrprete da por buenos los resultados si ofrecen una visin acorde con su
conocimiento de la realidad. Aunque esto parezca inaceptable todava sigue siendo el
procedimiento ms utilizado para valorar los resultados, ya que es el menos costoso y
mucho ms rpido que una verificacin rigurosa.
48
El siguiente mtodo, en orden de dificultad, implica comparar los resultados con
una fuente estadstica convencional, como pueden ser los inventarios agrcolas o
forestales que se hacen mediante encuestas. Esta opcin se denomina verificacin no
espacial y, en el mejor de los casos, proporciona el grado de ajuste entre dos fuentes,
pero no informa sobre dnde se presentan los errores. Adems no siempre resulta
sencillo ajustar la leyenda de la fuente estadstica a la extrada de la imagen.
El tercer mtodo de verificacin implica utilizar como datos de comprobacin
los mismos que se hayan empleado para ajustar el modelo. Esto reduce el trabajo de
campo pero implica un importante sesgo positivo en la valoracin de los resultados. Es
decir, al utilizar las mismas reas para entrenar y verificar es lgico que los pxeles
incluidos en ellas tengan una mayor probabilidad de clasificacin certera que el resto de
los pxeles de la imagen.
Finalmente, el mtodo ms adecuado para verificar es seleccionar una serie de
muestras independientes que permitan generar una medida estadstica ms slida. Esta
seleccin y recoleccin de muestras supone un coste adicional que no repercute
directamente en una mejora de su fiabilidad, lo cual explica las reticencias que puede
implicar esta fase.
A partir de estas muestras independientes puede estimarse el error de los
resultados, mediante algn estadstico, como el error medio cuadrtico, o mediante una
matriz de confusin. Al tratarse de un muestreo espacial, el resultado permite conocer
no slo el grado global de acierto, sino tambin en qu categoras se producen las
confusiones. Estas verificaciones se denominan espaciales, porque ofrecen una imagen
del patrn espacial del error.
Los valores de error obtenidos pueden utilizarse para corregir las estimaciones
de superficie para cada cobertura. P ej si obtenemos una superficie de trigo de 680 ha y
un error de omisin del 0,15, podra estimarse la superficie real cultivada en 782 ha
(680+0,15*680).

3.DISEODELMUESTREOPARALAVERIFICACIN
La muestra debe ser suficientemente representativa del rea de estudio, y adems
debe minimizarse el tamao de la muestra para reducir los costes del proceso de
verificacin. La unidad de muestreo es el elemento sobre el que se extraer la
informacin de referencia para comparar con nuestros resultados. Con frecuencia se
49
identifica con el pxel, pero no tiene por qu. De hecho, en muchas ocasiones ser ms
conveniente utilizar como unidad de muestreo un grupo de pxeles, lo que permitir
reducir posibles errores de georreferenciacin. Tambin se puede utilizar como unidad
de muestreo los polgonos temticos resultantes de la clasificacin.
Los tipos de muestreo ms empleados son:
1. Aleatorio simple. Los elementos a verificar se eligen de tal forma que todos
cuenten con la misma probabilidad de ser seleccionados, y que la eleccin de
uno no influya en la del siguiente. Este muestreo es bastante slido
estadsticamente, pero presenta problemas en su aplicacin porque puede
suponer elevados costes de desplazamiento. Por otra parte, existe cierta
probabilidad de no recoger adecuadamente la variacin espacial del error
presente en la imagen, y que algunas categoras poco frecuentes no estn
representadas en la muestra.
2. Aleatorio estratificado. La muestra se selecciona dividiendo la poblacin en
regiones o estratos, de acuerdo a una variable auxiliar, p ej las categoras
temticas. Es ms complejo de disear que el anterior pero reduce el error de
muestreo siempre que la variable auxiliar est claramente relacionada con la
distribucin del error.
3. Sistemtico. La muestra se distribuye a intervalos regulares, a partir de un punto
de origen sealado aleatoriamente. Garantiza un muestreo completo de la
superficie, pero puede facilitar estimaciones errneas si existe algn tipo de
patrn peridico en el rea observada.
4. Sistemtico no alineado. Modifica el anterior al variar aleatoriamente, en cada
lnea y columna del muestreo, una coordenada, manteniendo fija la otra. Esto
permite introducir una cierta aleatoriedad en la eleccin de la muestra, y reduce
el riesgo derivado de la periodicidad. Al mismo tiempo sigue garantizando una
revisin completa del territorio
5. Por conglomerados. La unidad de muestreo es un grupo de observaciones,
denominado conglomerado (cluster), en lugar de individuos aislados. Es decir,
en cada punto a verificar ser toman varias muestras, en punto vecinos al elegido
aleatoriamente, y de acuerdo a un esquema prefijado. Por ej. un conglomerado
podra estar constituido por 5 puntos, a cierta distancia del punto central y en
forma de L. Este mtodo reduce los costes de transporte pero es menos preciso
que los anteriores.
50
El tamao de la muestra depende, como en cualquier otro muestreo, del nivel
de confianza que se quiere, del error tolerable y de la heterogeneidad de la variable. La
muestra ser tanto ms grande cuanto mayor sea el nivel de confianza, menor el margen
de error y mayor la heterogeneidad.
Para calcular el tamao de la muestra hay que fijar ese nivel de confianza, en
funcin de la precisin que queremos darle a los resultados. Para un nivel de confianza
o valor de probabilidad z se puede estimar el tamao de la muestra, dependiendo del
tipo de muestreo seleccionado. P ej para el aleatorio simple:
N
n N
n
s
z L
) (
2
2 2

=
donde L es e intervalo de error tolerable, z la abscisa de la curva normal para un valor
determinado de probabilidad, s
2
la varianza muestral, N el tamao de la poblacin, y n
el tamao de la muestra. Para calcular el tamao de la muestra es necesario fijar un
intervalo de error tolerable L, un rango de probabilidad z y estimar la varianza muestral
s
2
. Despejando en la frmula anterior el tamao de la muestra se calcula como
N
z s
L
s z
n
2 2
2
2 2
+
=
De estos parmetros el ms complicado de cuantificar es la varianza muestral ya
que slo se conoce al terminar el muestreo. Se puede estimar a priori a partir de
muestreos previos o se ha sugerido que la varianza es 0,29/0,21*rango de la variable, en
el caso de variables continuas. En el caso de variables categricas se recomienda
emplear la expresin
2
2
L
pq z
n =
donde z es la abscisa de la curva normal (buscar tabla dist normal), p es el porcentaje
estimado de aciertos y q el porcentaje estimado de errores (p=1-q) y L el nivel permitido
de error. Los valores de p y q pueden estimarse a partir de datos auxiliares o
simplemente igualarse a 50.
Si quiere conocerse el nmero de puntos de muestreo para estimar, con el 95%
de probabilidad, el error de un mapa, suponiendo que los aciertos son del 85% y el error
mximo permitido es de 5%, tendramos
92 , 195
5
15 85 96 , 1
2
2
=

= n
51
es decir, se han de tomar 196 muestras para obtener los niveles de exactitud marcados
en el muestreo. Algunos autores proponen un valor mnimo de 50 pxeles por cada clase
temtica.

4.RECOGIDADEINFORMACIN
Una vez diseado el mtodo y tamao de la muestra, el paso siguiente consiste
en obtener para cada uno de los puntos el valor de la variable a verificar o la clase
temtica de referencia. Este valor de referencia puede obtenerse por medicin directa o
a partir de fuentes de informacin auxiliares. La medicin directa requiere realizar un
trabajo de campo simultneo a la adquisicin de la imagen. Si la variable es muy
dinmica, p. ej. la temperatura, es especialmente crtica la sincrona con la imagen,
mientras que en otro caso puede aceptarse un cierto desfase.
Algunas de las variables estimables con teledeteccin pueden obtenerse en
terreno a partir de varios procedimientos (p. ej., mtodos gravimtricos para estimar el
contenido en agua, estaciones meteorolgicas). Es muy frecuente el empleo de
radimetros de campo, que tambin se emplean en la fase de entrenamiento. Estos
equipos permiten medir la misma zona observada por el satlite en condiciones muy
controladas y sin influencia de la atmsfera, tambin facilitan el anlisis de la
variabilidad espacial de las firmas espectrales.
En el caso de verificar mapas de clasificacin, el intrprete en terreno tiene que
aplicar la misma definicin de categoras temticas que se hizo para clasificar la
imagen. Otro aspecto a considerar en el trabajo de campo es la correcta localizacin de
las parcelas de control, con objeto de controlar los errores debidos ms a errores de
posicin que de asignacin, ya que en muchos casos la identificacin de ciertos rasgos
sobre el terreno no es sencilla en la imagen. El empleo de cartografa a gran escala y de
GPS permiten una georreferenciacin precisa y facilitan esta localizacin.
La alternativa a los trabajos de campo, que siempre son costosos y lentos, es el
empleo de documentos auxiliares de mayor detalle (como fotografas areas, mapas de
cultivos, ) El empleo de fotos areas es muy frecuente y adecuado si la foto y la
imagen son de la misma fecha. Por otra parte, el proceso de foto-interpretacin
necesario puede conllevar errores de verificacin.

52
5.MEDIDASDELERRORPARAVARIABLESCONTINUAS
Una vez obtenidos los datos de referencia puede calcularse el error de
estimacin utilizando medidas estadsticas. La ms habitual es el error medio cuadrtico
(RMSE):
n
x x
RMSE
n i
i i

=

=
, 1
2
)

(

donde x^es el valor estimado a partir de la imagen, xi el valor medido en el terreno.
El valor de RMSE es slo una estimacin del error real, puesto que se ha obtenido por
un muestreo.

6.MEDIDASDELERRORPARAIMGENESCLASIFICADAS:
MATRIZDECONFUSIN
En el caso de una imagen clasificada, tendremos un listado de puntos de
verificacin, para los que poseemos tanto su cobertura real como la deducida por la
clasificacin. Con esta lista puede generarse una tabla, denominada matriz de
confusin, ya que recoge los conflictos presentes entre categoras.
En esta matriz las columnas suelen indicar las clases de referencia y las filas las
categoras deducidas de la clasificacin. Ambas tendrn el mismo nmero y
significado, por lo tanto, se trata de una matriz cuadrada nn, donde n es el nmero de
categoras. Cada elemento de la matriz est ocupado por un nmero que representa la
cantidad de unidades de la muestra que, asignadas a la categora que marca su fila,
realmente la verificacin ha demostrado pertenencia a la clase que indica su columna.
La diagonal de la matriz expresa el nmero de puntos de verificacin donde se
produce un acuerdo entre las dos fuentes (imagen y realidad), mientras que los
elementos fuera de la diagonal suponen errores de clasificacin. La relacin entre el
nmero de puntos correctamente asignados y el total expresa la fiabilidad global del
mapa. Los residuales en columnas indican tipos de cubierta real que no se incluyeron
en el mapa, mientras los residuales en filas implican cubiertas del mapa que no se
ajustan a la realidad. En definitiva, representan los errores de omisin y de comisin
respectivamente.
El inters de esta matriz de confusin es su capacidad para plasmar los conflictos
entre categoras. De esta forma, no slo se conoce la fiabilidad global de la
53
clasificacin, sin tambin la fiabilidad para cada una de las clases, as como los
principales conflictos entre ellas.
7.ANLISISESTADSTICODELAMATRIZDECONFUSIN
A partir de la matriz de confusin pueden generarse una serie de medidas
estadsticas que permite validar numricamente los resultados.
Fiabilidad global
La medida ms simple es la fiabilidad global del mapa, relacionando el nmero
de celdas correctamente clasificadas con el total de celdillas muestreadas.

= =
=
=
n i n j
ij
n i
ii
x
x
F
, 1 , 1
, 1

A partir de este valor puede calcularse el intervalo de confianza donde se situar
la fiabilidad real alcanzada por la clasificacin:
EM z F F .

=
El error del muestreo puede generarse a partir de la frmula del muestreo
aleatorio simple:
n
pq
EM =
Fiabilidad del usuario y del productor
En el caso de las columnas, los marginales indican el nmero de pxeles que,
perteneciendo a una determinada categora, no fueron incluidos en ella. Son los que se
denominan errores por omisin, Eo:
i
ii i
i o
x
x x
E
+
+

=
,

donde x
+i
es el marginal de la columna i, y x
ii
la diagonal de dicha columna.
De un modo similar, las celdas no diagonales de las filas expresan los errores
por comisin, es decir, los pxeles que se incluyeron en una determinada categora
perteneciendo realmente a otra:
+
+

=
i
ii i
i c
x
x x
E
,

donde x
i+
indica el marginal de la fila i, y x
ii
la diagonal de dicha fila.
54
Adems, algunos autores hablan de exactitud del usuario y del productor. La
exactitud del usuario est en relacin inversa con los errores de comisin, y la exactitud
del productor con los errores de omisin:
i
ii
i p
x
x
F
+
=
,

+
=
i
ii
i u
x
x
F
,

para cada una de las n categoras.
P. ej., si en una especie forestal el error de omisin es bajo, existe una alta probabilidad
de que la superficie realmente ocupada por esa cubierta est incluida en el mapa, lo que
significa un logro para el productor del mapa. Sin embargo, puede haber a la vez un alto
error de comisin, es decir, que la superficie forestal haya sido asignada en
localizaciones correspondientes a otras cubiertas, lo cual supone un grave riesgo para el
usuario de esa informacin.


El estadstico Kappa
Resulta de gran inters para analizar las relaciones mltiples entre las distintas
categoras. El estadstico kappa (k) mide la diferencia entre el acuerdo mapa-realidad
observado y el que cabra esperar simplemente por azar. La estimacin de k se obtiene
a partir de la siguiente frmula

=
+ +
= =
+ +

=
n i i
i i
n i n i i
i i ii
x x n
x x x n
,
2
, 1 ,
k
donde n es el tamao de la muestra, x
ii
el acuerdo observado y el producto de los
marginales (x
i+
x
+i
) el acuerdo esperado en cada categora. El acuerdo esperado indica el
ajuste que puede deberse al azar.
De modo que, el estadstico k permite conocer si el grado de acuerdo observado
se aleja o no del esperado al azar. Es decir, este ndice pretende evaluar si la
clasificacin ha discriminado las categoras de inters con exactitud significativamente
mayor a la que se hubiera obtenido con una asignacin aleatoria. Un valor de k igual a 1
indica un acuerdo pleno entre la realidad y el mapa, mientras un valor cercano a 0
sugiere que el acuerdo observado es puramente debido al azar.
Referencia
C
l
a
s
i
f
i
c
a
c
i

n


Clase 1 Clase 2 Clase 3 Clase n Total Exactitud
Usuario
Error
Comisin
Cl ase 1
X
11



X
1+
X
11
/X
1+
1-X
11
/X
1+

Cl ase 2
X
22

X
2+
X
22
/X
2+
1-X
22
/X
2+

Cl ase 3
X
33

X
3+
X
33
/X
3+
1-X
33
/X
3+

Cl ase n
X
nn
X
n+
X
nn
/X
n+
1-X
nn
/X
n+

Total
X
+1
X
+2
X
+3
X
+n
X
ij
Exactitud
Productor
X
11
/X
+1
X
22
/X
+2
X
33
/X
+3
X
nn
/X
+n


Error
Omisin
1-X
11
/X
+1
1-X
22
/X
+2
1-X
33
/X
+3
1-X
nn
/X
+n



55
El estadstico k tambin puede calcularse para una determinada categora de
inters, es el denominado k condicional, o puede ponderarse en funcin de algn
criterio definido por el usuario. Ya que no todas las confusiones son igualmente
importantes, p ej no es lo mismo que la confusin se produzca entre matorral y
matorral-arbolado, que entre matorral y cultivos. En consecuencia, se puede obtener un
valor ponderado de k, a partir de unos pesos w
ij
que asigne el usuario en funcin de la
gravedad que estime si se produce confusin entre las categoras i y j, el nuevo valor de
k sera.
n x x w
n x x w n x w
n i i
i i ij
n i n i i
i i ij ii ii
/ 1
/ /

,
, 1 ,

=
+ +
= =
+ +

= k

Normalizacin de la matriz de confusin
Se emplea cuando se intenta comparar la fiabilidad de dos mapas con distinto
tamao de muestreo. Consiste en un mtodo iterativo que ajusta los totales de filas y
columnas a un valor comn (+1), mediante sucesivos incrementos o reducciones en las
celdillas de la matriz. El proceso se detiene cuando los marginales de cada fila y
columna sumen +1, o un valor muy prximo.
Esta matriz ofrece una nueva medida de fiabilidad global. El valor medio de los
elementos de la diagonal indica el acuerdo entre filas y columnas, y en una situacin
ideal todos los elementos diagonales de la matriz seran 1, mientras que una pobre
clasificacin se muestra en valores diagonales muy bajos. Esta matriz normalizada
ofrece una visin complementaria, y permite compara matrices con distinto nmero de
muestras.

Verificacin de anlisis multitemporales
Se trata de ver la fiabilidad alcanzada por una interpretacin de dos fechas
simultneamente, lo que implica considerar la fiabilidad de cada fecha por separado y
de las dos en conjunto. Esto complica notablemente el anlisis de las matrices de
confusin. Las dos novedades de estas matrices son:
- El nmero de categoras pasa a ser el cuadrado del nmero de categoras en una
sola imagen. De modo que el nmero de celdas de la matriz ser n
4
, siendo n el
nmero de clases en una sola imagen.
56
- Al aumentar el nmero de categoras a verificar implica una mayor complejidad
en el muestreo, y habr que aumentar notablemente el tamao de las muestra
para poder verificar los cruces. En este caso, el muestreo estratificado o el
muestreo basado en informacin auxiliar puede ser una buena alternativa.

Para explicar mejor la estructura de una matriz de confusin multitemporal se
puede utilizar esta notacin, donde 1 indica reas detectadas como estables cuando
realmente lo son y el 2 reas detectadas como un cambio que se corresponde con la
realidad. La suma de ambos indica la fiabilidad global.
Los errores se representan por 3, cuando zonas sealadas como estables son
estables pero en una categora que no les corresponde, 4 identifica sectores en donde se
sealaron cambios cuando en realidad se mantuvo la misma categora, el 5 determina
cambios reales no discriminados, y el 6 cambios incorrectamente clasificados.


57
TEMA10:CARACTERSTICASDELOSSENSORESACTIVOS:
RADARYLIDAR

1.INTRODUCCIN
El radar utiliza microondas, las cuales cubren el rango del espectro
electromagntico con longitudes de onda comprendidas entre 1cm y 1m. Gracias a estas
grandes longitudes de onda, en comparacin con el visible y el infrarrojo, las
microondas tienen propiedades especiales. Pueden penetrar a travs de nubes, lluvia y
polvo y no son susceptibles a la dispersin atmosfrica. Estas propiedades permiten la
deteccin de energa de microondas bajo casi cualquier condicin climtica y ambiental.
Adems, el uso de longitudes de onda mayores, que no se encuentran en los espectros
solar o terrestre, implica la necesidad de utilizar sensores activos, es decir, aquellos que
generan su propio flujo de radiacin. Como los radares activos tienen su propia fuente
de energa, pueden funcionar durante el da o la noche y en condiciones de iluminacin
controlables. Otra ventaja es que al ser un haz artificial puede manipularse la forma en
la que se emite para, as, obtener el mximo de informacin. Adems, a diferencia de
los sensores pticos, con los radares se pueden identificar caractersticas asociadas a la
rugosidad del terreno.
Algunas caractersticas de la superficie se pueden distinguir mejor en las
imgenes de radar:
- hielo, ondas en la superficie del mar
- humedad del suelo, cantidad de vegetacin
- objetos creados por el hombre, p ej edificios
- estructuras geolgicas
RADAR es el acrnimo del ingls de deteccin y localizacin por radio, RAdio
Detection And Ranking. Un sistema de radar tiene 3 funciones primordiales:
- Transmitir seales de microondas (radio) hacia una escena
- Recibir la porcin de la energa transmitida, que se refleja hacia el sensor desde
la escena iluminada
- Observar la potencia de la seal reflejada y el tiempo necesario para que la seal
regrese al sensor

58
2.RADARDEAPERTURASINTTICA(SAR)
Es un sistema de radar de iluminacin lateral que produce una imagen de
resolucin fina de la superficie bajo observacin. Al moverse a lo largo de su
trayectoria, el radar ilumina hacia un lado de la direccin de vuelo franjas continuas y
paralelas entre s y acumula la informacin de las microondas que se reflejan.
La distancia entre el radar y el objetivo en la superficie en la direccin
perpendicular al vuelo se llama alcance. La distancia a lo largo de la trayectoria se
conoce como azimut.

En un sistema de radar, la resolucin tiene dos dimensiones, una en la direccin
del alcance y otra en la del azimut. La resolucin en la direccin del alcance depende
de la longitud del pulso transmitido; un pulso corto proporciona mejor resolucin. En
una radar convencional, por ejemplo en un radar de apertura real, la resolucin en la
direccin del azimut se determina por el ancho angular del haz. Para que dos objetos
puedan ser identificados independientemente, deben estar separados en la direccin del
azimut por una distancia mayor al ancho del haz en el terreno.
La anchura del haz es inversamente proporcional a la longitud de la antena
(tambin denominada apertura), de modo que una mayor antena o apertura producir un
haz ms estrecho y una mayor resolucin. La longitud de la antena est limitada a 1 o 2
m en aviones y a 10 o 15 m en satlites. Por este motivo el principal problema del radar
fue en principio su baja resolucin espacial, que puede calcularse como:
|
H
R
s
=
donde Rs es la resolucin, la longitud de onda, H la altura de observacin y | el
dimetro de la antena. Si el radar se coloca sobre un avin, la altura es reducida y se
59
obtienen resoluciones adecuadas, todo lo contrario ocurre en el caso de utilizar un
satlite para transportarlo.
Este problema se ha solventado con el uso del Radar de Apertura Sinttica, SAR,
que sintetiza una antena virtual muy grande al grabar la fase de la seal de las
microondas que recibe. La longitud fsica de la antena de un SAR es corta pero
mediante modificaciones del registro de los datos y de las tcnicas de procesamiento se
simula el efecto de una antena ms grande.
Se envan pulsos de la seal a los mismos puntos de la superficie terrestre en dos
o ms momentos distintos de la trayectoria del radar y la resolucin que se obtiene es
equivalente a la que se obtendra si se utilizara una antena de longitud similar a la
distancia entre los pulsos.

3.BANDASDELRADAR
La mayora de los radares operan con seales de longitud de onda comprendida
entre 5 cm y 75 cm. Estas microondas se clasifican de manera arbitraria en bandas
identificadas por letras. Las que se emplean ms comnmente son:
Banda-X: Ampliamente utilizada para el reconocimiento militar y a nivel comercial. Se
utiliza en el SAR CV-580 aerotransportado y en el satlite SIR-C.
Banda-C: Se utiliza en muchos SARs especiales, tales como el ERS-1 y RADARSAT.
Banda-S: Utilizada en el satlite ruso Almaz.
Banda-L: Se utiliz en el americano SEASAT y en el japons J ERS-1.
Banda-P: Es la ms larga, utilizada en el aerotransportado AIRSAR de J PL/NASA.
Banda (cm) Frecuencia (GHz) Ejemplos de sensores
Ka 0.8-1.1 40-26.5 Aerotransportados
K 1.1-1.7 26.5-18 Aerotransportados
Ku 1.7-2.4 18-12.5 Aerotransportados
X 2.4-3.75 12.5-8 SIR-C
C 3.75-7.5 8-4 ERS, RADARSAT, SIR-C
S 7.5-15 4-2 ALMAZ
L 15-30 2-1 J ERS-1, SEASAT, SIR-C
P 30-100 1-0.3 Aerotransportados (AIRSAR)
60
La capacidad de penetracin aumenta con la longitud de onda. De modo que a
los radares que operan con longitudes de onda mayores de 2 cm casi no les afectan las
nubes. Y a partir de los 4 cm tampoco les afecta la lluvia.
La longitud de onda del radar se selecciona de acuerdo a la escala del fenmeno
o de las caractersticas del terreno que se desean identificar, por ejemplo;
- la banda-X para identificacin de hielo y caractersticas de escalas relativamente
pequeas
- la banda-L para cartografa geolgica, caractersticas grandes
- la banda-P, la penetracin de estas ondas es mayor por lo que se usan cuando
hay que penetrar el follaje.

4.APARIENCIADELASIMGENES
El brillo de las entidades de una imagen radar depende de la porcin de la
energa transmitida que es retornada al radar. La magnitud e intensidad de esta energa
depende de cmo interacciona con la superficie, lo cual es funcin de varias variables o
parmetros. Estos parmetros incluyen caractersticas del sistema radar (frecuencia,
polarizacin, etc), as como de las caractersticas de la superficie (tipo de uso del suelo,
topografa, relieve, etc). Muchas de estas caractersticas estn relacionadas y es
imposible separar las contribuciones individuales de cada caracterstica. El brillo de las
entidades de una imagen es una combinacin de varias de estas variables. Sin embargo,
estas caractersticas se pueden agrupar en 3 aspectos que controlan fundamentalmente la
interaccin de la energa con la superficie, y que son:
- la rugosidad de la superficie
- la relacin entre la geometra del radar y la de la superficie
- el contenido en humedad de la superficie
La rugosidad es generalmente el factor dominante de los tonos, la brillantez de
una imagen de radar. Las superficies horizontales lisas reflejan casi toda la energa
incidente en forma especular, en una direccin alejndose del radar. Estas superficies,
llamadas especulares, como aguas tranquilas o autopistas, aparecen oscuras en las
imgenes de radar. Las microondas incidentes sobre una superficie rugosa se reflejan en
muchas direcciones. Esto se conoce como reflexin difusa o esparcimiento. Las
superficies con vegetacin causan reflexin difusa, y se presentan con tonos brillantes
en las imgenes de radar.
61
La rugosidad de una superficie reflectora se determina de manera relativa con
respecto a la longitud de onda del radar y al ngulo de incidencia. Generalmente, una
superficie se considera lisa si sus variaciones de altura son considerablemente menores
que la longitud de onda del radar. Para una longitud de onda determinada, una superficie
es relativamente ms rugosa al aumentar el ngulo de incidencia. Cuando las
variaciones de altura de la superficie se aproximan al tamao de la longitud de onda la
superficie aparecer rugosa. En general, se define una superficie rugosa como aquella
que tiene variaciones de altura del orden de la mitad de la longitud de onda del radar. En
las imgenes radar las superficies rugosas aparecen ms brillantes que las superficies
lisas, aunque estn compuestas de los mismos materiales.
Reflectores angulares
Algunos objetos pequeos pueden aparecer extremadamente brillantes en las
imgenes de radar, dependiendo de su configuracin geomtrica, son los reflectores
angulares. El lado de un edificio o un puente, combinado con reflexin procedente del
terreno es un ejemplo de reflector angular.
Dos superficies que se intersectan y forman un ngulo recto de cara al radar,
definen un reflector angular llamado diedro. La seal que regresa al radar a partir de un
reflector diedro es intensa, slo cuando las superficies reflectoras tienen una orientacin
casi perpendicular a la direccin de la iluminacin.
Se pueden producir reflexiones ms intensas con un reflector triedro. Estos estn
formados por la interseccin de tres superficies planas perpendiculares entre s y
abiertas de cara al radar.
Los reflectores angulares se utilizan comnmente en investigacin porque al
colocarlos en unas posiciones determinadas pueden funcionar como puntos de
referencia en las imgenes radar.
Tambin aparecen como puntos muy brillantes en las imgenes radar los objetos
hechos de metal, ya que es un material que incrementa la reflexin de las microondas.
Ejs.: barcos en el mar, puentes sobre el ro, coches, etc.
Reflexin difusa por volumen
La reflexin difusa por volumen (esparcimiento por volumen) est relacionada
con procesos de reflexin mltiple dentro de un medio fsico, como un maizal o las
copas de los rboles de un bosque. Este tipo de reflexin tambin puede ocurrir por
capas de suelo muy seco, capas de arena o hielo.La reflexin por volumen es importante
62
ya que influye en la retro-reflexin total observada por el radar. El radar recibe ambas
seales, la energa reflejada por la superficie y la reflejada por volumen.



Contenido en humedad
La presencia de humedad aumenta la constante dielctrica de un material. La
constante dielctrica influye en la capacidad del material para absorber, reflejar y
transmitir la energa de las microondas. Esto hace que la apariencia de materiales
idnticos pueda ser diferente, segn la cantidad de humedad que contengan. La
reflectividad, y en consecuencia, la brillantez de la imagen de la vegetacin y las
superficies naturales aumenta con el contenido en humedad.
5.DISTORSIONESDEUNAIMAGENRADAR
La direccin de observacin de los radares es oblicua. En las fotos areas, los
objetos altos se observan desplazados radialmente alejndose del nadir. En las imgenes
de radar la distorsin del terreno es perpendicular a la trayectoria del vuelo o del
satlite, es decir, los objetos ms altos se observan desplazados hacia el sensor.
La presencia de relieves modifica el ngulo de incidencia (ngulo que forma la
direccin de observacin con la perpendicular al objetivo) de la seal de radar,
transforma la superficie real en superficie proyectada modificando las distancias y
adems supone la presencia de sombras.
Sombra
63
La regin de la superficie del terreno que no se ilumina por el radar se representa
como sombra en la imagen. Las sombras se presentan detrs de las cumbres, en la
direccin del alcance. Son indicadoras de la direccin de iluminacin del radar. El
ngulo de incidencia (que es el ngulo entre la direccin de iluminacin y la normal a la
superficie de la Tierra) aumenta al alejarse del radar en la direccin del alcance. Como
resultado, se inducen sombras ms prominentes en las regiones ms alejadas del radar.
Las sombras tambin proporcionan informacin sobre la escena, tal como la altura de un
objeto. Las sombras en las imgenes de radar son una clave importante en la
interpretacin del relieve del terreno.
Escorzo
El escorzo consiste en la apariencia de compresin de aquellas caractersticas de
la escena que estn inclinadas hacia el radar. Los efectos del escorzo disminuyen al
aumentar el ngulo de incidencia. Cuando el ngulo de incidencia se aproxima a 90 los
efectos del escorzo se eliminan prcticamente (aunque en este caso puede presentarse un
sombreado severo). Al elegir el ngulo de incidencia debe considerarse un equilibrio
entre la presencia de escorzo y de sombras en la imagen.
Inversin por relieve
Se produce cuando la energa reflejada por la porcin superior de un objeto se
recibe antes que la que proviene de la porcin inferior. En este caso, al procesar la
imagen, la parte superior del objeto se ver desplazada, o puesta por encima de su
base. En general, la inversin por relieve es ms dominante para geometras de
visualizacin con ngulos de incidencia pequeos, como los de radares en satlites.

6.PROPIEDADESDELASIMGENESRADAR
Desvanecimiento y moteado
Son procesos inherentes, del tipo ruido, que degradan la calidad de la imagen.
El desvanecimiento se debe a la presencia de varias superficies en una misma clula de
resolucin con una diferencia de posicin en la direccin del alcance menor a una
longitud de onda.
El moteado aparece con una textura sal y pimienta. Aade una textura
aleatoria a la textura correspondiente a la escena. Es causado por una interferencia
constructiva y destructiva aleatoria que aparece en la imagen como moteado brillante y
oscuro. La interferencia constructiva produce una seal mayor que la media, resultando
64
en pxeles ms claros. La interferencia destructiva produce una seal ms baja que la
media, resultando en pxeles ms oscuros.
La reduccin de este efecto se puede conseguir de 2 formas:
- Procesamiento de observaciones mltiples
- Filtrado espacial.
El procesamiento de observaciones mltiples se refiere a la divisin del haz de
radar en varios sub-haces ms estrechos. Cada una de estas observaciones tambin
estar sujeta a moteado, pero sumando y promedindolas todas para formar la imagen
final, se reduce la cantidad de moteado. Este procesamiento de observaciones mltiples
es hecho normalmente durante la adquisicin de los datos.
Mientras que el filtrado espacial se realiza sobre la imagen final, en un entorno
de anlisis de imgenes. .
7.ECUACINRADAR
La ecuacin radar proporciona una explicacin de los parmetros del sistema, la
geometra de propagacin y las propiedades de la superficie que determinan la potencia
de retorno del radar. La ecuacin radar presentada es simplstica porque no incluye los
efectos de polarizacin.
Cuando la energa es transmitida en el espacio en todas las direcciones, la
densidad de potencia (potencia por unidad de rea) se define por la potencia transmitida
(P
T
) dividida por la superficie de una esfera con un radio igual a la distancia de alcance?
(R
T
) o 4tR
2
T
.
2
T
T
R 4
P
R range at density Power
t
=
Sin embargo, los radares de iluminacin lateral dirigen o concentran la energa
centrando o incrementando la potencia en la direccin deseada. Este incremento de
potencia se conoce como ganancia (G) de la antena (G
T
). La ecuacin que define la
densidad de potencia en la superficie es
2
T
T
S
R 4
P
P
t
T
G
=
La cantidad total de energa interceptada por el objetivo es proporcional a la
superficie de este objetivo (A
S
). Alguna de la energa recibida por el objetivo es
absorbida (o) y el resto es reflejada (1-o). El objetivo acta como un transmisor que
radia energa en alguna direccin relacionada con el tamao y la geometra del objetivo.
65
Esta direccin puede tener alguna ganancia g
s
hacia el sistema radar. Estos factores son
combinados en un nico parmetro denominado radar cross-section (o).
o=A
S
(1-o)g
S

La potencia total redireccionada hacia el receptor viene dada por
) (
4
2
o
t
T
T T
R
G P

La energa de retorno debe viajar la distancia desde el objetivo al receptor (R
R
),
por lo que para determinar la densidad hay que dividir nuevamente por 4tR
2
R

|
|
.
|

\
|
2 2
4
1
) (
4
R T
T T
R R
G P
t
o
t

Para definir la potencia total recibida por el sensor se introduce un nuevo
parmetro, la apertura efectiva A o el rea de la antena que acta como receptor A
R
.
) (
4
1
) (
4
2 2
R
R T
T T
R
A
R R
G P
P
|
|
.
|

\
|
=
t
o
t

Esta es la ecuacin radar. La potencia total recibida es directamente
proporcional a la potencia transmitida (P
T
) e inversamente proporcional a la distancia.
Esta ecuacin pone de manifiesto que la relacin entre la seal recibida por la antena y
la transmitida es funcin de la ganancia, de las dimensiones de la antena, de la longitud
de onda utilizada, de la seccin eficaz de la superficie iluminada y de la distancia que la
separa del sensor.
8.TIPOSDERADARES
El Convair-580 C/X SAR del Centro canadiense de teledeteccin, su objetivo
era la investigacin experimental en aplicaciones de los sensores SAR, como
preparacin a los futuros SAR para satlites. Es un radar plenamente polarimtrico en
las dos bandas. ngulos de incidencia, de 5 a casi 90.
Otro radar de avin es el STAR (Sea Ice and Terrain Assessment), tambin
canadiense, que fue de los primeros usados comercialmente en el mundo. Fue diseado,
en un principio, para el seguimiento del hielo en el mar, y para anlisis del terreno.
El radar AirSAR de la NASA, un avanzado SAR polarimtrico, que puede
recoger datos de las 3 bandas en todas las posibles combinaciones de polarizacin y con
un gran rango de ngulos de incidencia. .
66
Tras los avances y el xito de los radares en aviones, el siguiente paso fue los
radares en satlites para complementar a los sensores pticos. El SEASAT fue lanzado
en 1978, fue el primer satlite civil en llevar un sensor SAR. Esta geometra fue
diseada en principio para observaciones del ocano y los icebergs, pero al final
tambin se recogieron imgenes de zonas terrestres. Sin embargo, los pequeos ngulos
de incidencia provocaban escorzo e inversin del relieve en terrenos de gran relieve,
limitando su utilidad en estas zonas. Aunque este satlite slo fue operacional 3 meses,
demostr la gran riqueza de la informacin que poda proporcionar un radar en satlite.
Estos xitos llevaron a la Agencia Espacial Europea (ESA) a lanzar el ERS-1 y
ERS-2. Se dise en principio para aplicaciones de seguimiento de los ocanos pero
tambin se ha empleado en gran nmero de aplicaciones en entornos terrestres. Aunque
sus ngulos de incidencia limitan su utilidad para algunas aplicaciones terrestres debido
a los efectos de la geometra. Los sensores de ERS-1 y ERS-2 puede funcionar
conjuntamente para proporcionar pares de imgenes para interferometra.
Despus del ERS-1, la Nacional Space Development Agency de J apn lanz el
satlite J ERS-1. Produce imgenes con sombras ligeramente mayores que el SEASAT o
el ERS, porque el ngulo de incidencia es mayor, 35. Pero, como consecuencia
tambin, las imgenes de este satlite son menos susceptibles a los efectos del terreno y
las geometras. Adems al usar la banda-L, con mayor longitud de onda, permite alguna
penetracin a travs de la vegetacin y otros tipos de superficies.
Posteriormente, la agencia espacial canadiense lanz el RADARSAT (1995),
que lleva un SAR de banda-C y polarizacin HH, con rangos que pueden variar de 35 a
500 km, con resoluciones de 10 a 100 m. Lo cual permite una cierta flexibilidad en la
resolucin espacial, que tambin es posible en el ngulo de incidencia.

9.LIDAR
En instrumentos LIDAR aerotransportados, la distancia del sensor a cualquier
superficie reflexiva por debajo de la plataforma se determina midiendo el tiempo
transcurrido entre la generacin del impulso y el retorno del mismo. Estos datos del
lser se combinan con la posicin y orientacin de la plataforma durante un post-
proceso para crear una nube de puntos georreferenciada que, esencialmente, constituyen
un modelo digital 3D de la superficie que se encuentra por debajo de la plataforma
utilizada.
67
Una tcnica alternativa al mtodo bsico del lser en tiempo de vuelo consiste en
registrar toda la seal de retorno de los impulsos emitidos por el lser. La diferencia
entre estas dos propuestas se ve en la figura 1. Al capturar toda la seal, se obtiene
informacin detallada sobre la estructura vertical completa dentro del trazado del lser,
e incluso se puede registrar la topografa del terreno aunque exista una cubierta vegetal
que ofrezca escasa transparencia. Desde el punto de vista comercial y de produccin
cartogrfica, el hecho de poder determinar la superficie de la tierra por debajo de una
cubierta vegetal es interesante.
La denominacin LIDAR aerotransportado se refiere a un equipo que consta de
un distancimetro lser y de un espejo que desva el haz de luz perpendicularmente a la
trayectoria del avin. Este desplazamiento lateral combinado con la trayectoria de
vuelo, permite realizar un completo barrido del terreno.
El sistema mide la distancia del sensor al terreno a partir del tiempo que tarda el
rayo de luz en alcanzar el suelo y regresar al sensor. Si se conocen las coordenadas y
ngulos del avin y del espejo, podemos calcular a partir de estos datos y de las
distancias medidas las coordenadas de los puntos.
El LIDAR funciona como un radar ordinario, solo que emite pulsos de luz en
vez de ondas de radio. El escner est constituido por un transmisor lser que genera
pulsos pticos, estes al entrar en contacto con un objeto son reflejados y recogidos a
travs de un receptor ptico-electrnico. La velocidad de la luz es conocida, y un
contador de alta velocidad mide el tiempo de vuelo desde el inicio del pulso hasta el
momento en que es devuelto y finalmente este es convertido en la distancia desde el
escner hasta el objeto.
El LIDAR aerotransportado trabaja en combinacin con un sistema de GPS
diferencial (DGPS) y un sistema inercial de navegacin (INS). EL DGPS calcula de
modo diferencial la posicin de la aeronave en la tierra obteniendo precisiones
inferiores a 10 cm. Por otro lado, el INS informa de los giros del avin y de su
trayectoria.
Combinando la informacin del GPS y el INS y aplicando las tcnicas
avanzadas de filtrado, se determina la posicin y altitud precisas.
El procesado de la informacin de la posicin de los puntos es realizado por una
unidad de grabacin que combina las distancias medidas, el ngulo del espejo, la
posicin del GPS y la informacin dada por el INS para cada pulso, y realiza una serie
68
de transformaciones haciendo la rotacin y translacin del alcance del lser desde la
coordenada local del avin hasta las coordenadas WGS84.
El conjunto de puntos con coordenadas conocidas, segn el sistema, puede llegar
a 50000 puntos por segundo, desde una altitud mxima de 3000 m sobre el trreno. Para
cada pulso emitido se pueden detectar varios ecos, y para cada uno de ellos se registra
tambin la intensidad reflejada, proporcionando las alturas del terreno y las de la
vegetacin.
El ngulo y la frecuencia del barrido lateral se pueden ajustar teniendo en cuenta
la altitud sobre el terreno y la velocidad del avin, de forma que la densidad de puntos
sobre el terreno sea la deseada. Tambin es posible variar la divergencia del haz de luz
con lo que el dimetro de la superficie iluminada por cada pulso puede variar entre 20 y
100 cm dependiendo de la altitud de vuelo. Hay una serie de frmulas para realizar estos
clculos.
Actualmente ya existe un nmero considerable de sistemas comerciais LIDAR
en el mercado. Los parmetros de altura de vuelo, ngulo del haz, velocidad de escneo,
velocidad de vuelo, etc., son determinantes para la densidad de puntos que se pretende.
Por lo tanto, ser necesario planear cuidadosamente un vuelo segn el tipo de proyecto,
atendiendo a los objetivos especficos de este.
La precisin de los datos depende de la configuracin especfica del sistema
LIDAR. Hoy en da se exigen precisiones verticales de por lo menos 15 cm y 0,3-1 m
horizontalmente. Algunos estudios revelan que se pueden alcanzar errores verticales
inferiores a 10 cm a una altitud baja de vuelo (p ej a 400 m).
La regulacin de la densidad de puntos y el control de diversos parmetros
permiten detectar pequeas diferencias en la altura y estructura de los puntos; identificar
el modelo del terreno en zonas densamente arboladas, aumentar la productividad de
generacin del MDE en reas elevadas, reducir el esfuerzo de post-proceso en suelos
descubiertos, y disminuir las dependencias sobre las condiciones atmosfricas, as como
reducir al mximo los trabajos de campo.
En el procesamiento de datos Lidar se distinguen 4 etapas en el proceso de
datos; clculo de la trayectoria y orientaciones del sensor mediante el GPS diferencial y
el INS, generacin de los archivos de puntos con coordenadas, clasificacin de los
puntos y generacin de modelos a partir de los puntos clasificados.
Al final de una campaa LIDAR se obtiene una coleccin de puntos con
coordenadas conocidas. Los puntos estarn situados tanto sobre el terreno como sobre
69
los objetos que se encuentran sobre l; vegetacin, edificios, vehculos, etc. Para que
estos datos sean tiles es preciso clasificarlos o filtrarlos. Como el nmero de puntos es
muy grande es necesario disponer de herramientas para realizar la clasificacin
automtica de estos puntos. Para clasificar los puntos se puede utilizar su altura, la
intensidad reflejada,... Existen diferentes algoritmos para obtener el modelo digital del
terreno, MDT, pero todos se basan en la seleccin de los puntos ms bajos en un
entorno.
70

TEMA11:TRATAMIENTOSPROPIOSDEIMGENESRADAR

1.REALCERADIOMTRICO
Mtodos para mejorar las caractersticas radiomtricas de una imagen, usando
filtros de reduccin del moteado, filtros de realce espacial y mejoras visuales.
Reduccin del moteado
El moteado es el factor dominante en las imgenes radar. Las imgenes
procesadas con pocas observaciones presentan una distribucin de las intensidades
muy asimtricas, debido al ruido asociado al moteado. Debido al moteado los pxeles se
agrupan en los lmites extremos de la distribucin de intensidades.
Normalmente se realiza una la reduccin del moteado para mejorar el realce de
la imagen y los resultados de la clasificacin. Para reducir el moteado se pueden usar los
filtros no adaptativos o preferentemente filtros adaptativos. Los filtros adaptativos
tienen en cuenta las propiedades locales de la retro-reflexin difusa del terreno, mientras
que los filtros no adaptativos no lo hacen.
El hecho de filtrar el moteado permitir:
- Una mejor identificacin de los objetivos o blancos de una escena
- Una segmentacin automtica de la imagen ms fcil
- La aplicacin de las herramientas clsicas para el realce desarrolladas para
imgenes de sensores pticos, tales como: detectores de bordes, clasificadores de
texturas y clasificadores en base a los pxeles.
Un filtro ideal para reducir el moteado debera reducir el moteado con una
prdida mnima de informacin. En las reas homogneas, el filtro debera preservar la
informacin radiomtrica y los bordes entre distintas reas. En las reas con cierta
textura, el filtro debe preservar la informacin radiomtrica y la variabilidad de la seal
espacial, es decir, la informacin de textura.
Los filtros existentes para reducir el moteado se dividen en filtros de paso bajo
(filtro por la media y la mediana) y filtros adaptativos (filtro de Lee, de Frost, map
gamma,):
Filtros de paso bajo.
Los filtros de paso bajo pueden utilizarse en imgenes SAR con reas
relativamente homogneas.
71
Un filtro de paso bajo bsico es el filtro por la media, el cual reemplaza el valor
del pxel central en una ventana de tamao fijo con el promedio del valor original de
ste y los dems pxeles dentro de la ventana. El filtro por la media degrada la
resolucin de la imagen, por lo que tiene que decidirse entre reduccin de ruido y
conservar los detalles finos y textura de la imagen.
El filtro por la mediana es un filtro suavizante de paso bajo no lineal, en el cual
el valor de cada pxel es reemplazado por la mediana de los niveles de gris en el entorno
del pxel. Este filtro est limitado porque no preserva detalles finos de la imagen por
ejemplo, sus bordes.
Filtros adaptativos
La tcnica de filtrado utilizada ms frecuentemente son los filtros adaptativos.
Este tipo de tcnica puede usarse en reas en las que se requiera conservar algunos
detalles y textura de la imagen. Algunas versiones de filtros de moteado adaptativos
usan una ventana de tamao fijo, centrada en el pxel. Por un lado, se puede seleccionar
una ventana grande para minimizar la varianza de las estimaciones de los estadsticos
locales. Pero por otro lado, una ventana de tamao grande podra incrementar la medida
de heterogeneidad local, de tal forma que la reduccin del ruido se debilite. En estos dos
esquemas, debe decidirse entre la reduccin del ruido y la capacidad de detectar los
detalles finos de la imagen. Diversos estudios han demostrado que los filtros adaptativos
y los detectores de bordes consiguen mejores clasificaciones que los filtros no
adaptativos.
Los filtros adaptativos (ej Map Gamma) reducen el moteado al mismo tiempo
que conservan los bordes. Estos filtros modifican la imagen basndose en estadsticas
extradas del entorno local de cada pxel.
La mayora de los filtros adaptativos requieren el clculo del promedio local
observado y de la desviacin estndar normalizada (coeficiente de variacin). El filtro
adaptativo proporciona una estimacin precisa del coeficiente de retro-reflexin de
reas homogneas (estacionarias). Adems, conserva la estructura de los bordes y de la
textura en escenas no estacionarias.
Filtro Frost
Es un filtro simtrico circular donde el valor de gris resultante para el pxel
suavizado es
72
) ... (
) ... (
) (
2 1
2 2 1 1
n
n n
m m m
m p m p m p
t x
+ + +
+ + +
=

donde p1, , pn son los niveles de gris de cada pxel en la ventana de filtrado, y m1,,
mn son los pesos asociados a cada pxel. Estos pesos se obtienen de la siguiente forma
m(t)=exp(-A|t|)
donde A est dada por
|
|
.
|

\
|
=
2
) (
) (
t z
z Var
K A
donde t es la distancia del pxel central a sus vecinos, var(z) es la varianza y z-(t)2 es el
cuadrado del nivel de gris medio dentro de la ventana de filtrado, K es un factor de
amortiguamiento que depende de la imagen no filtrada y puede requerir realizar
experimentos de prueba para determinar su mejor valor. El valor por omisin es 1.
En regiones uniformes, el filtro de Frost acta como un filtro por la media. En
regiones heterogneas, acta como un filtro de paso alto. De esta forma, el filtro
suavizar las regiones homogneas y remover el moteado, mientras que los bordes de
contraste alto y otros objetos conservarn su valor.
Filtro Lee
El valor del pxel sin moteado es la suma ponderada del valor del pxel central y
del valor promedio. El coeficiente de ponderacin es funcin de la heterogeneidad local
del terreno medida en trminos del coeficiente de variacin. El filtro lee tambin
minimiza la prdida de informacin radiomtrica y textural. El algoritmo de filtrado est
dado por
)) ( 1 ( ) ( ) ( ) ( ) (

t W t z t W t z t x + =
donde
t es la coordenada del pxel
x(t) es el pxel filtrado
z(t) es el pxel observado en la imagen (es el pxel central dentro de la ventana de
filtrado)
z-(t) es la media de la intensidad dentro de la ventana de filtrado
w(t) es la funcin de pesos, que est dada por
) (
1 ) (
2
2
t C
C
t W
I
v
=
73
donde C
V
es el coeficiente de variacin del ruido y C
I
es el coeficiente de variacin del
conjunto de datos, que a su vez estn dados por
v
C
v
v
o
=
donde ov es la desviacin estndar del ruido y v- es la media del ruido
) (
) (
) (
t z
z
t C
I
o
=
o(z) es una aproximacin de la desviacin estndar de la imagen, obtenida mediante la
desviacin estndar de los pxeles dentro de la ventana de filtrado.
En una regin homognea el valor de la salida filtrado es un promedio lineal de
los pxeles de su vecindad, mientras que en regiones extremadamente concurridas, la
salida llega a ser el mismo valor del pxel de entrada. Aunque el filtro de Lee puede
preservar los bordes, el uso de ventanas muy grandes produce una prdida de detalles en
la imagen. Los filtros de Lee y Frost funcionan de manera similar.
Filtro de Kuan
Tiene la misma forma que el filtro de Lee pero la funcin de peso est dada por
2
2 2
1
) ( / 1
) (
v
I v
C
t C C
t w
+

=
Filtro MAP Gamma
Se basa en la suposicin de que la intensidad (sin moteado) de la escena tiene
una distribucin gamma. Este filtro minimiza la prdida de informacin textural an
mejor que los filtros frost y lee en el caso de escenas con distribucin Gamma, como
reas arboladas, agrcolas y ocanos.
Para aplicarlo se requiere un conocimiento a priori de la funcin de probabilidad
de la escena. Se asume que la reflectividad de la escena tiene una distribucin gamma y
se establecen dos umbrales, Cu y Cmaz.
Algoritmo:
El nivel de gris resultante (R) para el pxel suavizado es:
R =I para Ci menor o igual a Cu
R =(B*I +SQRT(D))/(2*ALFA) para Cu <Ci <Cmax
R =CP para Ci mayor que o igual a Cmax
donde:
74
NLOOK =Nmero de observaciones
VAR =Varianza en la ventana del filtro
CP =Valor de nivel de gris del pixel central
I =Nivel de gris medio en la ventana del filtro
Cu =1/SQRT(NLOOK)
Ci =SQRT(VAR) / I
Cmax =SQRT(2)*Cu
ALFA =(1+Cu^2)/(Ci^2-Cu^2)
B =ALFA-NLOOK-1
D =I*I*B*B+4*ALFA*NLOOK*I*CP
Es decir, se distinguen 3 tipos de regiones segn su heterogeneidad, cuando Ci es menor
o igual a Cu son regiones homogneas por lo que el filtro devuelve el valor promedio,
cuando Ci es mayor o igual a Cmax, son regiones heterogneas por lo que devuelve el
mismo valor de entrada, y entre Cu y Cmax son regiones intermedias por lo que
devuelve un valor intermedio.
Filtros de tamao de ventana adaptativa
En estos filtros el tamao de la ventana se ajusta automticamente dependiendo
de las caractersticas de la regin. Considera dos clases de reflectividad del terreno: la
clase homognea, que corresponde a las zonas en las cuales los pxeles son constantes y
la clase heterognea, que corresponde a las reas con textura, bordes o algn punto
objetivo que se busque dentro de la imagen. La homogeneidad del terreno puede
estimarse a partir del coeficiente de variacin, el cual est en funcin de la media y
desviacin estndar de z(t) de la siguiente manera:
) (t z
C
z
o
=
Si C es menor o igual a la desviacin estndar del ruido, la zona se considera
homognea, en caso contrario se considera heterognea.
En este algoritmo de ventana adaptativa se determina el tamao de ventana ms
adecuado; en una regin homognea, incrementa el tamao de la ventana siguiente y en
75
regiones heterogneas, lo reduce (esto dentro de unos lmites mximo y mnimo
establecidos). Una vez que se ha determinado el tamao de ventana ms adecuado para
ese pxel se efecta un filtro adaptativo (uno de los anteriores) para reducir el moteado.
Esta tcnica elimina el problema de la mayora de filtros de moteado adaptativos: el de
definir un tamao de ventana fijo adecuado para toda la imagen.
Es decir, el valor del pxel sin moteado se estima mediante una subventana de la
ventana de procesamiento. El tamao de la subventana vara en funcin de la
heterogeneidad local del terreno medida en trminos del coeficiente de variacin.
Cuanto mayor sea el coeficiente de variacin ms estrecha ser la subventana de
procesamiento. Esto minimiza la prdida de informacin radiomtrica y textural.

Deteccin de bordes
La deteccin de bordes y de lneas son operaciones importantes en el
procesamiento digital de imgenes. Por ejemplo, en cartografa geolgica interesa trazar
lneas, que pueden ser lneas de falla o estructuras estratificadas. Para este propsito, la
deteccin de bordes y de lneas son las principales tcnicas de realce.
Los detectores de borde clsicos (ej Sobel) desarrollados para las imgenes de
los sensores pticos, no son adecuados para las imgenes de SAR. Debido al moteado
estos filtros detectan ms bordes falsos. Antes de usar estos detectores clsicos las
imgenes deben ser filtradas.
El Detector de Proporcin de Bordes es apropiado para las imgenes de SAR y
no requiere prefiltrado, de modo que no se pierde informacin durante la fase de
prefiltrado. El detector de proporcin de bordes es la proporcin del promedio de los
valores del pxel en dos vecindades que no se sobreponen, situadas en los lados
opuestos del punto.
El nombre en ingls de este filtro es Likelihood Ratio Edge Detector, en el cual
la imagen es modificada usando una ventana mvil hecha de dos regiones R
1
y R
2
del
mismo tamao n/2. Para cada localizacin, pxel (x,y), de la ventana, la expresin del
filtro es:
|
.
|

\
|
+

+
=
2
) ( log ) ( log
2
) ( ) (
log ) (
2 1 2 1
t m t m t m t m
n t x
donde t es la coordenada del pxel, x(t) es el pxel filtrado, n es el tamao de la regin 1
ms la 2, m1 y m2 son las medias empricas estimadas en las regiones R1 y R2.
76
Este filtro es ptimo para la deteccin de bordes porque da la mejor
compensacin entre la probabilidad de deteccin de un borde y la probabilidad de una
falsa alarma. Sin embargo, este filtro es usado principalmente para extraer la
localizacin de los bordes cuando son los valores mximos de la imagen. Algunos
autores dicen que este filtro da errores en determinadas situaciones.
2.ANLISISDETEXTURA
La textura es la variacin espacial de los tonos de una imagen. En una imagen
SAR, la textura tiene dos componentes: 1) variabilidad espacial en las propiedades de
reflexin difusa de la escena, 2) moteado.
Se han sugerido variables de textura basadas en estadsticas de primer orden
(media, desviacin estndar, varianza) y estadsticas de segundo orden (basadas en la
matriz de co-ocurrencias).
Las medidas texturales de primer orden son calculadas a partir de los valores de
gris originales de la imagen y su frecuencia. En estas medidas no se considera la
relacin entre los pxeles.
Las medidas de segundo orden son las que consideran la relacin de co-
ocurrencia entre grupos de dos pxeles de la imagen original y a una distancia dada.
Las medidas de tercer y ms orden consideran las relaciones entre 3 y ms
pxeles. Si bien su clculo es tericamente posible, no se implementan pues requieren
mucho tiempo de clculo y su resultado es de difcil interpretacin.
Medidas de primer orden
Aunque la textura ha sido tpicamente una medida cualitativa, esta puede
mejorarse con algoritmos matemticos. Algunos de estos algoritmos son:
- distancia media euclidiana
- varianza
- oblicuidad
- curtosis
La distancia media euclidiana viene dada por
1
) (
2 / 1
2

n
x x
ij c

x
ij
es el valor del ND para la banda espectral l y pxel (i,j) de una imagen multiespectral
x
c
es el valor del ND para la banda espectral l del pxel central de la ventana
77
n es el nmero de pxeles en la ventana
La varianza
( )
1
2

n
M x
ij

donde xij es el valor del ND del pxel (i,j), n es el nmero de pxeles en la ventana y M
es la media de la ventana mvil
La oblicuidad igual a
( )
2 / 3
3
) )( 1 ( V n
M x
ij

donde xij es el valor del ND del pxel (i,j), n es el nmero de pxeles de la ventana, M es
la media de la ventana mvil y V es la varianza
La kurtosis es igual a
( )
2
4
) )( 1 ( V n
M x
ij

donde xij es el valor del ND del pxel (i,j), n es el nmero de pxeles en la ventana, M es
la media de la ventana mvil y V es la varianza.
Medidas de segundo orden
La suposicin es que la informacin textural de una imagen est contenida en la
relacin espacial que los tonos de grises tienen entre ellos. Estas relaciones estn
especificadas en la matriz de co-ocurrencia espacial (o de niveles de grises).
El mtodo ms comn para medir la textura est basado en la Matriz de co-
ocurrencia del nivel de gris (Grey Level Co-Ocurrence Matriz, GLCM). Esta matriz es
un histograma de los niveles de grises de dos dimensiones para un par de pxeles (pxel
de referencia y pxel vecino). La matriz de co-ocurrencia describe la frecuencia de un
nivel de gris que aparece en una relacin espacial especfica con otro valor de gris,
dentro del rea de una ventana determinada.
En el ejemplo mostrado a continuacin se toman los valores de gris de la imagen
en su totalidad para realizar los clculos, dando como resultados un solo valor. Cuando
se trabaja con imgenes de mayores dimensiones se utiliza el procedimiento, que ya
vimos, de ventanas mviles.
0 0 1 1
0 0 1 1
78
0 2 2 2
2 2 3 3
La matriz de co-ocurrencia considera la relacin espacial entre 2 pxeles,
llamados pxel de referencia y pxel vecino. P ej, si se escoge el pxel vecino que est
situado un pxel a la derecha de cada pxel de referencia, esto se expresa como (1,0): 1
pxel en la direccin x, 0 pxel en la direccin y. Se pueden utilizar diferentes relaciones
entre pxeles, p ej (-1,0) un pxel a la izquierda del pxel de referencia, (1,1) un pxel a la
derecha y un pxel abajo (en diagonal).
Vamos a utilizar un pxel de separacin, pero cuando la ventana es
suficientemente grande se puede usar una separacin mayor sin que haya diferencias en
la metodologa de clculo. La distancia de muestreo se selecciona en base al grosor o la
finura de las texturas presentes en la imagen. Para texturas finas sera ptima una
distancia corta de muestreo, mientras que para imgenes de textura grosera sera ms
apropiada una distancia mayor. Una distancia de 1 pxel suele ser vlida para
caracterizar diferentes grados de textura. Por lo tanto, vamos a calcular la matriz de co-
ocurrencia (1,0) para la imagen prueba. Las posibles combinaciones de niveles de grises
para la imagen de prueba se presentan en esta tabla
(0,0) (0,1) (0,2) (0,3)
(1,0) (1,1) (1,2) (1,3)
(2,0) (2,1) (2,2) (2,3)
(3,0) (3,1) (3,2) (3,3)
La primera celda debe ser llenada con la cantidad de veces que ocurre la
combinacin 0,0. Cuantas veces en el rea de la ventana un pxel con valor de gris igual
a 0 (pxel vecino) est situado a la derecha de otro pxel con valor 0 (pxel de
referencia). Por lo tanto existen tantas matrices de co-ocurrencia como relaciones
espaciales, segn se considere el vecino de arriba, el del costado o en diagonal.
Por lo tanto, la matriz de co-ocurrencia para la relacin espacial ser (1,0)
2 2 1 0
0 2 0 0
0 0 3 1
0 0 0 1
En esta matriz se cuenta cada pxel de referencia con su vecino de la derecha.
Pero el nmero de veces que aparece la combinacin 2,3 no es el mismo que el que
79
aparece la combinacin 3,2, por lo tanto la matriz no es simtrica respecto a la diagonal.
La simetra necesaria para el clculo se logra si cada par de pxeles se cuenta dos veces,
una vez a la derecha y otra a la izquierda.
La forma ms sencilla de obtener una matriz simtrica, en vez de contar dos
veces, es sumarle a esta matriz su matriz traspuesta. La matriz traspuesta se logra
intercambiando las filas y columnas de la matriz original.

2 2 1 0
0 2 0 0
0 0 3 1
0 0 0 1
+
2 0 0 0
2 2 0 0
1 0 3 0
0 0 1 1
=
4 2 1 0
2 4 0 0
1 0 6 1
0 0 1 2

Una vez obtenida la matriz simtrica, el paso siguiente es expresar esta matriz
como probabilidad. La definicin ms simple de la probabilidad es el nmero de veces
que un evento ocurre, dividido por el nmero total de posibles eventos:

=
=
1
0 ,
,
,
, N
j i
j i
j i
j i
V
V
P
donde i es el nmero de filas y j el de columnas, V es el valor de la celda i,j de la
ventana, Pi,j es la probabilidad de la celda i,j y N es el nmero de filas o columnas.

En la imagen de prueba el nmero total de posibles pares es 12, y para una
relacin horizontal este nmero se duplica, 24. P. ej., la combinacin 2,2 ocurre 6 veces
80
sobre 24 posibles, por lo que la probabilidad es 0,25. Esta ecuacin transforma la matriz
de co-ocurrencia en una aproximacin de tabla de probabilidad. Este proceso se
denomina normalizacin de la matriz. Se obtiene esta tabla, donde la suma de todos los
elementos debe ser 1.
0,166 0,083 0,042 0
0,083 0,166 0 0
0,042 0 0,25 0,042
0 0 0,042 0,083

En general, cuanto mayor es el nmero de la diagonal de la matriz de co-
ocurrencia, ms homognea es la textura en esa parte de la imagen que est siendo
analizada. De esta matriz se pueden destacar una serie de aspectos:
Los elementos de la diagonal representan pares de pxeles que no tienen
diferencias en su nivel de gris.
Sumando los valores de la diagonal tenemos la probabilidad de que un pxel
tenga el mismo nivel de gris que su vecino.
Las lneas paralelas a la diagonal separadas una celda representan los pares de
pxeles con una diferencia de 1 nivel de gris. De la misma manera, sumando los
elementos separados dos celdas de la diagonal, tenemos los pares de pxeles con
dos valores de grises de diferencia. A medida que nos alejamos de la diagonal la
diferencia entre niveles de grises es mayor.
Sumando los valores de estas diagonales paralelas obtenemos la probabilidad de
que un pxel tenga 1,2,3 etc niveles de grises de diferencia con su vecino.
Esta suma de las diagonales se denomina vector de diferencia de nivel de gris,
GLDV Grey Level Difference Vector, que tambin es utilizado como una medida
textural en vez de la GLCM. De esta matriz pueden derivarse diferentes medidas
texturales:
Homogeneidad
Se calcula mediante esta ecuacin

=
+
1
0 ,
2
,
) ( 1 /
N
j i
j i
j i P
siendo P la probabilidad de co-ocurrencia de los valores de gris i y j para una distancia
dada. As para los pxeles de referencia y vecino =0,0, el resultado es 0,166/1+(0-
0)
2
=0,166. Para el elemento (0,1) tenemos 0,083/1+(0-1)
2
=0,0415. Sumando el
81
resultado para todos los elementos obtenemos el valor de la medida de Homogeneidad
para esta imagen y esta relacin espacial.
Una forma ms fcil de calcularlo es multiplicando la matriz de probabilidades
por la matriz de pesos. Estos pesos surgen de la ecuacin anterior suponiendo una
probabilidad igual a 1.
Pesos
1 0,5 0,2 0,1
0,5 1 0,5 0,2
0,2 0,5 1 0,5
0,1 0,2 0,5 1

0,166 0,042 0,08 0
0,042 0,166 0 0
0,08 0 0,25 0,021
0 0 0,021 0,083
Suma de todos los elementos=0,807
Sumando todos los elementos de la matriz resultante obtenemos el valor de la
medida de homogeneidad. La homogeneidad es alta cuando la matriz de co-ocurrencia
se concentra a lo largo de la diagonal.
Contraste
Es lo opuesto a la homogeneidad, es decir, es una medida de la variacin local
en una imagen. Tiene un valor alto cuando la regin dentro de la escala de la ventana
tiene un alto contraste.

=

1
0 ,
2
,
) (
N
j i
j i
j i P
La matriz de pesos toma valores que crecen exponencialmente a medida que nos
alejamos de la diagonal.
Disimilaridad
Es similar al contraste, es alta cuando la regin tiene un contraste alto

=

1
0 ,
,
| |
N
j i
j i
j i P
Los pesos de la matriz de pesos crecen linealmente a medida que nos alejamos
de la diagonal.
GLCM media
82
La ecuacin para su clculo es la siguiente.

=
1
0 ,
,
N
j i
j i
iP
Esta GLCM media es diferente a la media aritmtica de los valores de grises de
la ventana, ya que el valor del pxel no es ponderado por su frecuencia sino por la
frecuencia de su co-ocurrencia en combinacin con un determinado valor del pxel
vecino.
Desviacin standard
Es la desviacin estndar de los niveles de grises en la ventana.

=
=
1
0 ,
2
,
2
) (
N
j i
i j i i
i P o
Esta medida se basa en la media y la dispersin alrededor de la media de los
valores de las celdas de la matriz de co-ocurrencia. No es igual a la varianza de los
niveles de grises de la imagen original porque utiliza la varianza de la combinacin
entre pxeles de referencia y vecinos.
Entropa
Es alta cuando los elementos de la matriz de co-ocurrencia tienen relativamente
valores iguales. Es baja cuando los elementos son cercanos a 0 o 1.

=

1
0 ,
, ,
) ln(
N
j i
j i j i
P P
Cuanto ms pequeo sea el valor de P
ij
, es decir, que la ocurrencia de esa
combinacin de pxeles es poco comn, el valor absoluto de ln(P
ij
) ser mayor.
Correlacin

=
(

1
0 ,
2 2
,
) )( (
) )( (
N
j i
i i
j i
j i
j i
P
o o


El resultado es entre -1 y 1.
Esta ecuacin se calcula de forma diferente a las anteriores medidas, por lo cual
la informacin que suministra es esencialmente distinta, por lo tanto puede ser usada en
combinacin con otra medida textural. La correlacin es ms alta cuanto ms
homognea es la textura.
ASM Angular Second Moment

=
1
0 ,
2
,
N
j i
j i
P
83
Esta medida da valores altos cuando la matriz de co-ocurrencia tiene pocas
entradas de gran magnitud, y es baja cuando todas las entradas son similares. Es una
medida de la homogeneidad local. Tambin se usa como medida textural la raz
cuadrada de esta ASM, que se denomina energa o uniformidad.

b es la imagen orinal y d y c las texturas de Homogeneidad derivadas de tamaos de
ventana de 5*5 y 25*25.
Se observa que el cuerpo de agua, que es una regin homognea de la imagen,
adquiere valores altos, representados en blanco. Ocurre lo mismo en algunos lotes
agrcolas grandes. En cambio, en la regin ubicada al SO del cuerpo de agua, donde la
cobertura del suelo es muy heterognea, los valores son bajos, sobre todo para la venta
de 25 pxeles de lado.
Todas estas imgenes de segundo momento angular, entropa, contraste o
correlacin, se pueden emplear como bandas adicionales en los procesos de
clasificacin.
3.TCNICASAVANZADAS
INTERFEROMETRA
Los datos de radar proporcionan una informacin rica que no se basa slo en una
imagen derivada de la intensidad sino tambin en otras propiedades de los datos que
miden caractersticas de los objetos. Un ejemplo es la interferometra de radar, un
mtodo de procesamiento avanzado que aprovecha la informacin de fase de las
84
microondas. La interferometra es el proceso por el cual imgenes radar de la misma
zona de la superficie terrestre son grabadas por antenas en 1)diferentes localizaciones o
2) diferentes tiempos. El anlisis de los dos interferogramas resultantes permite una
medida muy precisa de cualquier punto x,y,z del par inteferomtrico.
La interferometra SAR se basa en adquirir datos desde dos ngulos diferentes.
Estas dos medidas pueden ser desde dos radares colocados en la misma plataforma
separados por unos pocos metros. Esto recibe el nombre de single-pass interferometry o
interferometra de paso nico. El primer SAR interferomtrico de paso nico es el
Shuttle Radar Topography Misin (SRTM). La interferometra tambin se puede
obtener usando un nico radar que obtiene dos medidas en diferentes pasos de rbita
que estn prximos pero se diferencian en un da o algo ms. Esta es la metodologa
usada por el SIR-C y ERS-1,2, y es llamada multiple-pass o interferometra de paso
repetido.
Los datos SAR interferomtricos pueden proporcionar informacin topogrfica
extremadamente precisa, tan precisa como los modelos digitales de elevacin derivados
usando tcnicas fotogramtricas tradicionales. La precisin puede estar en la escala de
la longitud de onda (X-2.4-3.8 cm, C-3.9-7.5cm, S- 7.5-15cm, L-15-30cm, P-30-
100cm). Pero adems puede funcionar a travs de las nubes y de noche.
Las imgenes SAR contienen informacin de distancia en forma de fase. Esta
distancia es simplemente el nmero de longitudes de onda de la radiacin desde el
sensor a un punto determinado del suelo. Esta informacin de fase en una sola imagen
SAR est mezclada con ruido de fase debido a otros efectos. Por esta razn, es
imposible extraer justo la distancia de fase desde la fase total de una sola imagen SAR.
Sin embargo, si estn disponibles dos imgenes SAR que cubre la misma rea desde
puntos de mira ligeramente diferentes, la fase de uno puede ser restada de la fase de otro
para producir la diferencia de distancia de dos imgenes SAR. Esto es porque los otros
efectos de fase para las dos imgenes son aproximadamente iguales y se anulan cuando
son restadas. Lo que queda es una medida de la diferencia de distancia de una imagen a
la otra. A partir de esta diferencia y de la informacin de la rbita, la altura de cada
pxel puede ser calculada. Esto permite la produccin de un Modelo Digital de
Elevaciones (DEM).
Adems de informacin de altura tambin se puede obtener informacin sobre el
movimiento de la Tierra, del movimiento de glaciares, parmetros de las olas del
ocano, movimientos debido a terremotos, de deslizamientos del terreno. Si se
85
mantienen constantes los ngulos de observacin de mltiples adquisiciones de datos,
no habr sensibilidad a la topografa y la interferometra puede ser usada para extraer
informacin sobre cosas que cambian en la escena. As se puede obtener informacin
sobre la velocidad de los objetos que se mueven entre dos observaciones.

RADARGRAMETRA
La radargrametra es la estimacin de medidas de distancia y altitud del terreno
para cartografa topogrfica a partir de datos radar estereo. Es una alternativa a la
interferometra para calcular la altura del terreno. La elevacin del terreno se deriva de
la representacin estereoscpica de las imgenes del SAR. La radargrametra utiliza
imgenes tomadas con un paralaje perpendicular a la trayectoria (un paralaje mucho
mayor que el que se utiliza en interferometra).
La radargrametra trata de identificar cunto se ha desplazado una caracterstica
en una imagen en comparacin con una segunda imagen. Las diferencias de paralaje que
pueden ser observadas en dos imgenes superpuestas son convertidas en diferencias de
elevacin mediante relaciones geomtricas simplificadas.
Generalmente es menos sensitiva que la interferometra. La baja sensibilidad de
la radargrametra proviene del hecho de que se necesita un cambio relativamente grande
en la topografa para mover una caracterstica por un pxel, mientras que el mismo
cambio en topografa causar un cambio de fase de muchos radianes en un
interferograma.
Su limitacin principal en SAR proviene del moteado, ya que el patrn de
moteado cambia con el paralaje, de modo que hace difcil correlacionar caractersticas
entre las dos imgenes. Adems, al adquirir una misma escena desde diferentes
direcciones de observacin o ngulos de incidencia, las imgenes resultantes pueden
parecer muy diferentes. Esto puede hacer que la visualizacin estereoscpica y la
coincidencia de puntos sea ms complicada que en las imgenes pticas.

POLARIMETRA
Polarizacin
La energa no polarizada vibra en todas las posibles direcciones perpendiculares
a la direccin de propagacin. Las antenas radar envan y reciben energa polarizada.
Esto significa que el pulso de energa es filtrado de modo que la onda elctrica vibre en
86
un nico plano perpendicular a la direccin de propagacin. La seal puede ser vertical
u horizontalmente polarizada.
Una onda es no polarizada si | vara aleatoriamente durante la propagacin de la
onda, una onda polarizada tiene un valor constante de | durante la propagacin de la
onda. Si |=0 es una polarizacin lineal, es decir, E tiene una direccin fija durante su
propagacin.
Cuando la energa transmitida es polarizada en la misma direccin que la
recibida, al sistema se le conoce como de polarizacin similar. HH cuando la energa
se transmite y recibe horizontalmente polarizada, y VV cuando la energa se transmite y
se recibe verticalmente polarizada.
Si la energa transmitida se polariza en una direccin ortogonal a la recibida, al
sistema se le conoce como de polarizacin cruzada. HV indica que la transmisin es
horizontalmente polarizada mientras que la recepcin es verticalmente polarizada, y VH
al revs.
La reflexin de una onda de radar al chocar con una superficie puede modificar
la polarizacin, dependiendo de las propiedades de la superficie. Por esta razn, una
superficie puede representarse de forma distinta al recibir ondas con diferente polaridad
mediante un radar polarimtrico. Es decir, la polarizacin mltiple ayuda a identificar
las caractersticas de la superficie reflectora.
Polarimetra
El sistema SAR polarimtrico transmite con dos polarizaciones ortogonales de
modo que se generan 4 canales de datos. Cada uno de estos canales de polarizacin
tienen sensibilidades diferentes a las diferentes caractersticas de las superficies.
Adems de grabar la magnitud de la seal retornada para cada polarizacin, para que un
radar sea polarimtrico tiene que grabar la informacin de fase de las seales de retorno.
Sino no obtendr imgenes polarimtricas sino simplemente imgenes con multi-
polarizacin. El anlisis de las combinaciones de polarizacin transmitida y recibida
constituye la ciencia de la polarimetra de radar.
Para representar la polarizacin de una onda se recurre a expresiones complejas
como el vector de Stokes, el vector de J ones o el ratio de polarizacin, que son funcin
de la amplitud del campo elctrico en el eje x y en el eje x y de la diferencia de fase. Las
imgenes con multipolarizacin pueden analizarse con grficos de ratios cross-polarized
y co-polarized.
87
Para analizar las imgenes polarimtricas se utiliza:
- la matriz de dispersin. Es el conjunto de coeficientes de dispersin
polarimtricos. Es difcil obtener informacin til de la matriz de dispersin
directamente, por lo que se usan varios mtodos para extraer informacin de la
matriz de dispersin, como los basados en la covarianza, coherencia
- las firmas de polarizacin (polarization signatura) de cada superficie

E y O son la Elipticidad y la Orientacin, que determinan la polarizacin, y P es
la potencial de la seal obtenida para cada polarizacin para esa superficie
- A partir de la firma de polarizacin se pueden obtener variables polarimtricas como la
pedestal height
- Otras variables polarimtricas (grado de polarizacin, extremo del componente
totalmente polarizado, extremo del componente no polarizado, polarizacin
fraccional,)
-Tcnicas de clasificacin especficas para imgenes polarimtricas basadas en esas
variables