Taller Correccion de imagenes
-
Upload
daniel-morales -
Category
Documents
-
view
13 -
download
2
description
Transcript of Taller Correccion de imagenes
-
PRACTICA ERDAS IMAGINE, CORRECCIN Y MEJORAMIENTO DE IMGENES
DE SATELITE
Presentado por:
ESTEBAN FELIPE CASTILLO JIMENEZ
COD: 201513593
DANIEL FELIPE MORALES RIVERA
COD: 201514199
UNIVERSIDAD PEDAGOGICA Y TECNOLOGICA DE COLOMBIA
SEDE SECCIONAL TUNJA
FACULTAD DE INGENIERIA
MAESTRA EN GEOTCNIA
REA DE SENSORES REMOTOS
TUNJA, BOYAC
29-05-2015
-
PRACTICA ERDAS IMAGINE, CORRECCIN Y MEJORAMIENTO DE
IMGENES DE SATELITE
Presentado por:
ESTEBAN FELIPE CASTILLO JIMENEZ
COD: 201513593
DANIEL FELIPE MORALES RIVERA
COD: 201514199
Presentado a
IC MSc Diana Catalina Muoz
UNIVERSIDAD PEDAGOGICA Y TECNOLOGICA DE COLOMBIA
SEDE SECCIONAL TUNJA
FACULTAD DE INGENIERIA
MAESTRIA EN GEOTCNIA
REA DE SENSORES REMOTOS
TUNJA, BOYAC
29-05-2015
-
OBJETIVOS
OBJETIVO GENERAL
El objetivo principal de esta prctica es el de familiarizar al estudiante con los tipos
de correccin y mtodos de mejoramientos de imgenes, conociendo as
caractersticas de los pixeles y distribucin de ND niveles digitales y su influencia
en la calidad de la imagen.
OBJETIVOS ESPECIFICOS
Realizar un anlisis estadstico unibanda de los pixeles y sus niveles
digitales ND, para calcular una combinacin de bandas ptima para facilitar
la clasificacin visual de coberturas.
Aplicar los diferentes mtodos de ajuste de contraste y establecer cul sera
la importancia para lograr una ptima diferenciacin de coberturas.
Aplicar diferentes filtros para el mejoramiento espacial y establecer cul de
ellos genera realces y mejoras sobre las imgenes, y cuales ayudan a una
ptima clasificacin de coberturas.
Realizar una agrupacin de niveles digitales ND para lograr distinguir las
diferentes coberturas.
Generar nuevas imgenes a partir de la aplicacin de algoritmos para el
clculo de ndices de vegetacin NVDI y TNVDI.
-
ANALISIS VISUAL DE IMGENES
DESPLIEGUE DE IMGENES EN DIFERENTES COMBINACIONES
TM FALSE COLOR IR (432) TM TRUE COLOR (321)
TM FALSE NATURAL COLOR (543) CUSTOM (742) PSEUDO NATURAL
El presente anlisis visual pretende corroborar cul de las diferentes
combinaciones de bandas es la mejor para distinguir entre las diversas coberturas
presentes, para nuestro parecer la combinacin TM FALSE NATURAL COLOR
(543) en la que la cobertura vegetal se expresa de un color verde claro y el suelo
de un caf claro, en esta combinacin se distingue claramente los bordes o lmites
de cada cobertura, una muy parecida a esta combinacin es la PSEUDO
NATURAL COLOR (742) se diferencian en que manejan tonos de colores ms
oscuros.
-
ANALISIS ESTADISTICO DE IMGENES
Este anlisis estadstico est basado en la informacin estadstica o informacin
numrica contenida en las diversas bandas o en el arreglo numrico de los
pixeles, una imagen est compuesta por una gran cantidad de pixeles los cuales
se encuentran distribuidos en forma de matrices o en filas y columnas, cada pixel
tiene asociado a l un registro numrico llamado ND o nmero digital, en el cual se
representa el brillo relativo de un rea determinada dentro de la imagen,
caracterstica que va de la mano de propiedades como la reflexin de energa,
emisin de energa, disposicin topogrfica, entre otros factores.
En este ejercicio se dispone a utilizar la informacin estadstica como la media,
desviacin estndar, valores que representan la medida central o valor medio, y
medidas de dispersin, representados en histogramas de frecuencia, mediante
estos datos se procede de calcular un factor de ndice optimo el cual nos indicara
que combinacin de bandas espectrales es la ms adecuada para distincin de las
coberturas.
BANDA MEDIA
DESV. ESTANDAR MIN MAX
B1 63.085 47.946 0 255
B2 29.598 28.522 0 255
B3 27.96 31.605 0 255
B4 41.611 46.929 0 255
B5 45.037 53.265 0 255
B6 100.3 64.756 0 178
B7 20.869 25.554 0 255
Cuadro 1. Informacin estadstica unibanda.
Cuadro 2. Matriz de coeficientes de correlacin
BANDA 1 2 3 4 5 6 7
1 1 0.9203 0.8629 0.636 0.635 0.7102 0.6888
2 0.9203 1 0.9719 0.7183 0.7299 0.5676 0.7886
3 0.8629 0.9719 1 0.7094 0.7724 0.4958 0.8475
4 0.636 0.7183 0.7094 1 0.8864 0.5165 0.7909
5 0.635 0.7299 0.7724 0.8864 1 0.5396 0.9539
6 0.7102 0.5676 0.4958 0.5165 0.5396 1 0.5115
7 0.6888 0.7886 0.8475 0.7909 0.9539 0.5115 1
-
CALCULO OIF
OIF =
N RGB SUMA D.
ESTANDAR SUMA COEF.
CORRELACION OIF COMBINACIN
1 321 108.073 2.7551 39.22653 TRUE COLOR
2 432 107.056 2.3996 44.6141 TM FALSE COLOR IR
3 543 131.799 2.3682 55.65366 TM FALSE NATURAL
COLOR
4 742 101.005 2.2978 43.95726 PSEUDO
NATURAL
Cuadro 3. Calculo de coeficientes OIF
Segn los resultados obtenidos del factor de ndice ptimo, el mayor factor
obtenido es de 55.65 correspondiente a la combinacin de bandas 543 (TM FALSE
NATURAL COLOR), indicando as que esta combinacin de bandas es la ms
adecuada para la identificacin y clasificacin de las diferentes coberturas en este
caso especfico, estudiando una imagen de satlite del Norte de la Guajira. Por
otra parte podemos concluir que este resultado es acorde con el estipulado en el
anlisis visual realizado al inicio de este trabajo.
-
EEJRCICIO 3: DENSITY SLICING
Como se mencion anteriormente las imgenes estn compuestas por un numero
de pixeles, y estos a su vez contienen un ND numero digital que los caracteriza,
este ejercicio pretende realizar una clasificacin o agrupacin de rangos de niveles
digitales asociados a las diferentes coberturas, asignando a estos rangos un color
especifico o un grupo de colores, para as distinguir las coberturas.
Imagen 1. Imagen satelital en Pseudo color cargada banda 4
-
Imagen 2. Imagen satelital aplicando el SLICE METHOD BY EQUAL AREAS
Imagen 3. Asignacin de rangos de colores por grupos de ND
Imagen 4. Agrupacin de ND segn coberturas
COBERTURA RANGO DE NIVELES DIGITALES
VEGETACIN 92 - 150
URBANO-SUELO 65 - 91
AGUA 5 - 64
-
REALCES Y MEJORAMIENTOS
AJUSTES DE CONTRASTES
Este ejercicio conlleva a familiarizarnos con los diversos mtodos que se pueden
aplicar a las imgenes para facilitar el anlisis visual, con esto ayudar a realizar
una mejor identificacin y clasificacin de las coberturas, simples y sencillos pasos
como el de ajustar el brillo y los contrastes de la imagen, u otros con mayor grado
de complejidad aplicando filtros, los cuales se basan en diferentes algoritmos.
Imagen 5. Imagen original combinacin 432 Imagen 6. Imagen aumentando contraste
Imagen 7. Distintos mtodos para ajustar contraste.
-
CONTRASTES GENERALES
A continuacin se muestra una secuencia de imgenes a las cuales se les ha
aplicado diferentes mtodos de ajuste de contrastes, para as identificar cul de
todos es el indicado para causar mejoramientos en la imagen.
Imagen 8. Imagen sin ajuste de contraste.
Imagen 9. RESULTADO AJUSTE DE CONTRASTE POR EL METODO HISTOGRAM
EQUALIZATION
-
Imagen 10. RESULTADO AJUSTE DE CONTRASTE POR EL METODO DYNAMIC
RANGE ADJUST
Imagen 11. RESULTADO AJUSTE DE CONTRASTE POR EL METODO
PHOTOGRAPHY ENHANCEMENTS
-
MEJORAMIENTO ESPACIAL
Otro tipo de mejoramiento es el mejoramiento espacial, este contempla el cambio
de los valores individuales de cada pixel, mediante mtodos estadsticos como el
del vecino ms cercano, esto significa que los valores de los pixel se agrupan o
van tomando valores de sus vecinos, mejorando as la frecuencia espacial de la
imagen. Cuando los pixeles vecinos se diferencian mucho o tienen un alto
contraste se dice que la imagen tiene una alta frecuencia, en el caso contrario, en
el que los pixeles son muy similares a sus vecinos se dice que tiene una baja
frecuencia.
A continuacin veremos una secuencia de imgenes a las cuales se les aplican
diferentes filtros con el fin de lograr este propsito, pudimos concluir bajo la
aplicacin de muchos filtros que los mejores para resaltar los bordes o lmites de
las coberturas son algunos como el 3x3 high pass (paso alto) y el 5x5 high pass,
otros que disminuyen mucho la frecuencia y no se notan bien los bordes son los
filtros de tipo low pass. Al final de estas imgenes podremos observar una
comparacin de la imagen original y con la aplicacin de estos filtros.
Imagen 12. Diferentes tipos de filtros aplicables del software ERDAS IMAGINE.
-
Imagen 13. Resultado aplicacin de filtro EDGE DETECTION
Imagen 14. Resultado Aplicacin de filtro 3X3 LOW PASS.
-
Imagen 15. Resultado aplicacin filtro 3x3 HIGH PASS.
Imagen 16. Resultado aplicacin filtro 3X3 HORIZONTAL
-
Imagen 17. Resultado aplicacin filtro 3X3 VERTICAL
Imagen 18. Resultado aplicacin filtro 3X3 LAPLACIAN EDGE DETECTION
-
Imagen 19. Resultado aplicacin filtro 5x5 EDGE DETECT
Imagen 20. Resultado aplicacin filtro 5X5 LOW PASS
-
Imagen 21. Resultado aplicacin filtro 5X5 HIGH PASS
Imagen 22. Resultado aplicacin filtro 5X5 HORIZONTAL
-
Imagen 23. Resultado aplicacin filtro 7X7 EDGE DETECT
Imagen 24. Resultado aplicacin filtro 7X7 LOW PASS
-
Imagen 25. Resultado aplicacin filtro 7X7 HIGH PASS
Imagen 26. Resultado aplicacin filtro 7X7 HORIZONTAL
-
Imagen 27. COMPARACION IMAGEN ORIGINAL (derecha) VS IMAGEN CON FILTRO
3X3 HIGH PASS (izquierda).
Imagen 28. COMPARACION IMAGEN ORIGINAL (derecha) VS IMAGEN CON FILTRO
5X5 HIGH PASS (izquierda).
-
Imagen 29. COMPARACION IMAGEN ORIGINAL (derecha) VS IMAGEN CON FILTRO
5X5 HIGH PASS (izquierda).
Como pudimos observar en toda la secuencia de imgenes mostradas
anteriormente, y en las comparaciones de la imagen original y a las cuales se les
aplicaron los, se observan los notables cambios, en los filtros tipo low pass se
presenta un efecto en la imagen que la vuelve como borrosa, causa debido a que
estos disminuyen la frecuencia espacial, en los tipo high pass sobre todo en los
3x3 y 5x5 se presenta en la imagen una claridad en los lmites de las coberturas.
MEJORAMIENTO ESPECTRAL
De este tipo de mejoramiento se generan nuevos tipos de imagen, en las cuales
se utilizan una serie de algoritmos para calcular distintos ndices como ndices de
vegetacin, de composicin de minerales, contenidos de humedad, minerales
arcillosos, minerales frricos, entre otros los cuales contiene el programa ERDAS
IMAGINE V2014, luego del clculo de estos ndices se generan imgenes las
cuales muestran un mapeo o cartografa, en la que se despliegan diversos colores
sobre la imagen agrupando as los rangos e estos ndices previamente calculados.
En esta prctica realizamos este ejercicio basndonos en ndices de vegetacin
tales como el NVDI y el TNVDI, a continuacin se muestran el resultado de la
aplicacin de este tipo de mejoramiento sobre una imagen satelital LANDSAT de
Bogot.
-
Imagen 30. Generacin de imagen con aplicacin del ndice NDVI.
Imagen 30. Resultado nueva imagen generada con el ndice NDVI.
-
Imagen 31. Aplicando color a los atributos de la imagen.
Imagen 32. Imagen resultado de aplicacin del NDVI
-
Imagen 33. Algoritmo aplicado para clculo ndice TNDVI
Imagen 34. Imagen resultado de la aplicacin del TNDVI
-
Del resultado de las imgenes a las cuales se les aplico el ndice NDVI y el
TNDVI, es notable como se genera un estilo de mapa de cobertura en la cual se
distinguen los diferentes tipos de vegetacin, ya sea por intensidad o vigor, en
estas imgenes se agrupan por colores los rangos de ND, en los cuales los
mayores valores van del amarillo al rojo y los menores el magenta.
-
CONCLUSIONES
Logramos familiarizarnos con los diferentes tipos de mejoramientos de
imgenes, mejoramientos espaciales, radiomtricos, espectrales sus
importancias y sus diferentes uso en el tratamiento digital de imgenes.
El anlisis estadstico de los pixeles y ND son de mucha importancia en la
hora de encontrar una combinacin de bandas optimas, para facilitar la
identificacin y clasificacin visual de coberturas.
La aplicacin de los diferentes mtodos de ajustes de contraste en las
imgenes de satlite son de mucha ayuda a la hora de una identificacin
visual de coberturas, al igual que la aplicacin del mejoramiento
radiomtrico mediante la adaptacin de los diferentes filtros estudiados de
tipo low pass y high pass los cuales ayudan a disminuir o a mejorar la
frecuencia espacial respectivamente, estos por otra parte aportan mucho a
la clasificacin de coberturas ya que pueden precisar los lmites de dichos
objetos, como en el caso de los high pass.
El mejoramiento espectral y la generacin de nuevas imgenes teniendo en
cuenta los ndices de vegetacin ya sea el NVDI y el TNVDI son una
herramienta muy til para lograr distinguir las distintas clases de
vegetacin, estos se basan en diferentes propiedades tales como la
reflectividad de la energa, vigor de vegetacin, contenido de clorofila,
contenidos de humedad entre otros.