1 / 18

Tratamiento de imágenes

Tratamiento de imágenes. Etapas. Exploración de imágenes Clasificación. Teledetección y agua. Hidrología; Inundación, humedad de los suelos, red hidrográfica, e stimación de las precipitaciones Agricultura: tipos de cultivo Forestales: especies, zonas de incendios

deiter
Download Presentation

Tratamiento de imágenes

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Tratamiento de imágenes

  2. Etapas • Exploración de imágenes • Clasificación

  3. Teledetección y agua • Hidrología; Inundación, humedad de los suelos, red hidrográfica, estimación de las precipitaciones • Agricultura: tipos de cultivo • Forestales: especies, zonas de incendios • Geología: forma del terreno • Detección de la ocupación del suelo: cambios rural/urbano, biomasa • Tecnologías : Visible, infrarrojo térmico, radar

  4. Teoría La teledetección es la técnica que por la adquisición de imágenes permite obtener información sobre la superficie de la tierra sin contacto directo con ella. La teledetección engloba todos los procesos que consisten en captar y registrar la energía de un rayo electromagnético emitido o reflejado y tratarla para analizar la información y aplicarla • Fuente de energía • Incidencia de radiación natural o artificial • Interacción con la tierra • Registro de la energía emitida por el captor • Transmisión, recepción y tratamiento de la energía captada hacia medios electrónicos para transformara en imágenes • Interpretación y análisis de la información captada • Aplicación

  5. Espectro electromagnético

  6. Visible

  7. Longitud de onda

  8. Funciones Idrisi

  9. Canal Resolución espectral (µm) Resolución espacial (m) 1 Azul 0.45 a 0.515 30 2 Verde 0.525 a 0.605 30 3 Rojo 0.63 a 0.69 30 4 Infrarrojo cercano 0.75 a 2.35 30 5 Infrarrojo cercano 1.55 a 1.75 30 6 Infrarrojo cercano 2.09 a 2.35 30 i1 Infrarrojo térmico 10.40 a 12.35 60 i2 Infrarrojo térmico 10.40 a 12.35 60 p Pancromático 0.52 a 0.90 15 Compuesto de color(bandas 452) Imagen LANDSAT 7 ETM+ 027047 zona UTM 14, Pancromática,Multiespectral, Infrarroja del 24 de enero del 2000

  10. 2746 2646 2747 2647

  11. EJERCICIO 4-5 CLASIFICACIÓN NO SUPERVISADA

  12. La clasificación no supervisada es otra técnica para la clasificación de imágenes. En la aproximación no clasificada,En Idrisi, la clasificación no supervisada es ofrecida por medio de los módulos CLUSTER e ISOCLUST. En este ejercicio se aplica CLUSTER la cuál es una técnica de selección de un pico de histograma. Esto es equivalente a buscar el pico de un histograma unidimensional, donde un pico es definido como un valor con la frecuencia más grande de entre todos los valores vecinos. CLUSTER evalúa un histograma multidimensional basándose en el número de bandas de entrada.

  13. Para este ejercicio es necesario crear un grupo de archivos raster para seis de las siete bandas de H87TM (no incluir la banda seis, H87TM6). El nuevo grupo debe tener el nombre HOWEHILL.

  14. correr CLUSTER del menú IMAGE PROCESSING/HARD CLASSIFIERS, insertar el grupo creado HOWEHILL y llamar a la imagen de salida como BROAD.escoger el nivel de generalización como general (broad) y dejar el grupo menos significante con 10%. Dejar la opción de niveles de gris en 6. Desplegar el resultado con la paleta cuantitativa

  15. El resultado de CLUSTER es una imagen con un amplio número de clases espectrales.

  16. Usar nuevamente CLUSTER, con las mismas seis imágenes y llamar a la imagen de salida FINE. Esta vez hay que usar el nivel de generalización fino, y nuevamente, elegir dejar el 10% de los grupos menos significantes. Se puede observar que la generalización fina produce muchos más grupos. 6 son las clases más representativas que llevan prácticamente todos los píxeles En la imagen resultado el grupo 1 es siempre aquel que lleva la frecuencia más alta de píxeles, posteriormente Correr HISTO (del menú DISPLAY) para crear un histograma de FINE.

  17. Notar que muchos de los grupos más altos enumerados tienen relativamente pocos píxeles. Una aproximación que frecuentemente es empleada es echar un vistazo al rompimiento natural del histograma de grupos finos para estimar el número de tipos de cobertura en el área de estudio (en este caso es 6). Una vez determinado esto, se puede correr CLUSTER nuevamente y esta vez especificar el número de grupos a identificar en 6. Todos los píxeles sobrantes son asignados al grupo al que es más parecido. Corres cluster nuevamente, fijar el grupo máximo de cluster a 6 y llamar a la imagen de salida Fine10

  18. En resumen, frecuentemente se encontrará que se necesita unir ciertos grupos para producir el mapa final. La clasificación no supervisada de grupos es una manera rápida de mejorar el conocimiento en el área de estudio. La clasificación es más frecuentemente un proceso iterativo donde cada paso arroja nueva información que el analista puede usar para llegar a la clasificación. Otras veces, las clasificaciones supervisada y no supervisada tienen que mezclarse para lograr una clasificación satisfactoria.

More Related