Extraccin de Mapas Temticos a partir de la Clasificacin en ......de la imagen satelital. Para el...
Transcript of Extraccin de Mapas Temticos a partir de la Clasificacin en ......de la imagen satelital. Para el...
-
Extracción de Mapas Temáticos a partir de la Clasificación en
Imágenes Satelitales
Por Teniente de Navío CG.
Juan Francisco Robles Camacho
Tesis sometida como requisito parcial para obtener el grado de Maestro en Ciencias, en la especialidad de Ciencias
Computacionales en el Instituto Nacional de Astrofísica, Óptica y Electrónica.
Supervisada por:
Dr. Jesús Antonio González Bernal Coordinación de Ciencias Computacionales
Tonantzintla, Pue. Febrero 2007.
©INAOE 2007 Derechos Reservados
El Autor otorga al INAOE el permiso de reproducir y distribuir copias de esta tesis
en su totalidad o en partes
-
A mis padres
A mi querida esposa he hijos
-
Abstract
A method for classifying multi-spectral satellite images based on some knowledge,
called Multi-Model Classification Scheme (MMCS), is presented in this work. The
MMCS is divided into two parts: Descriptive and Contextual. The descriptive part
refers to the texture, geometrical shape and spectral features of a region. The con-
textual part refers to the topological relationships among the image regions. Data
mining techniques are used to discover both types of knowledge.
The extracted knowledge from the regions of interest, coming from their descrip-
tive features (texture, shape and spectral) and contextual features (topological re-
lationships), is organized in a knowledge representation scheme based on semantic
networks. The MMCS reclassifies the previously classified regions by the parametric
algorithms (Minimum Mean Distance, Parallelepiped, Maximum Similarity and Ma-
halanobis Distance) in order to improve the algorithm classification results that only
take into account the spectral features of the satellite image.
The Halcon Image-Analysis System (version. 7,1) was used to process satellite
images. Matlab was used to preclassify a satellite image using parametric algorithm.
C++ was used to classify the regions in the MMCS.
Experiments were done over 30 segments of multi-spectral satellite images (SPOT-
5) from two areas in Mexico, specifically the coastal zones of the Port of Veracruz and
Campeche. 20 segments were used during the training processes and the remaining
10 at the classifiers testing processes. The quantitative classification testing results
obtained by parametric algorithms went from 84 to 95 percent of precision. At the
reclassification process, using the nominated MMCS, the precision percentage reached
was between 95% and 98%. It was observed that the MMCS increases the classifi-
cation percentages obtained by the parametric algorithms between 3-15% depending
[iii]
-
iv
on the complexity on the image, also the proposed algorithm tends to normalize the
precision percentages over 95% at the parametric algorithms classification. However,
the qualitative evaluation performed to the thematic images, obtained from the cla-
ssification and reclassification, is low. This is mainly due to the fact that the thematic
maps contain classified regions without a well defined shape.
Coordinación de Ciencias Computacionales Instituto Nacional de Astrof́ısica, Óptica y Electrónica
-
Resumen
En este trabajo se presenta un método de clasificación de imágenes satelitales
multiespectrales basado en conocimiento, llamado, Esquema de Clasificación Multi
Modelos o MMCS. El conocimiento del MMCS es dividido en dos partes: Conocimien-
to Descriptivo y Conocimiento Contextual. El Conocimiento Descriptivo se refiere a
las caracteŕısticas Espectrales, de Textura y de Forma Geométrica de una región.
El conocimiento Contextual se refiere a las relaciones topológicas entre las regiones
de la imagen. Técnicas de Mineŕıa de datos son usadas para el descubrimiento del
conocimiento Descriptivo Contextual de las Regiones de interés.
El conocimiento extráıdo de las regiones de interés, a partir de sus caracteŕısticas
descriptivas (Espectrales, Textura y Forma) y su caracteŕısticas contextuales (rela-
ciones Topológicas) se organizan en un Esquema de representación de Conocimiento
basado en Redes Semánticas.
El MMCS realiza la reclasificación de las regiones previamente clasificadas por
los algoritmos paramétricos (Distancia Mı́nima a la Media, Paraleleṕıpedo, Máxima
Similaridad y Distancia Mahalanobis), con la finalidad de mejorar los resultados de
clasificación de los algoritmos que sólo toman en cuenta las caracteŕısticas espectrales
de la imagen satelital.
Para el tratamiento de las imágenes satelitales se usó el sistema de análisis de
imágenes Halcón en su version 7.1. Para la preclasificación de las imágenes satelitales
por los algoritmos paramétricos se utilizó Matlab. Y la clasificación de las regiones
en el MMCS se realizó en C++.
Los experimentos se realizaron sobre 30 segmentos de Imágenes Satelitales Mul-
tiespectrales SPOT-5 en dos áreas de estudio dentro de la Republica Mexicana, que
comprenden zonas costeras del puerto de Veracruz y Campeche. Para los procesos de
entrenamiento se utilizaron 20 segmentos y los 10 segmentos restantes se utilizaron
para los procesos de pruebas de los clasificadores. Los resultados de clasificación cuan-
[v]
-
vi
titativa, alcanzados durante las pruebas usando algoritmos paramétricos obtuvieron
porcentajes de precisión que van del 84 % al 95 %. En el proceso de reclasificación
usando el MMCS propuesto se alcanzaron porcentajes de precisión entre el 95 % y el
98 %. Se observo que el MMCS aumenta los porcentajes de clasificación obtenidos por
los algoritmos paramétricos 3 y 15 %, dependiendo de la complejidad de los datos en
la imagen, aśı mismo, el algoritmo propuesto tiende a normalizar los porcentajes de
precisión en la clasificación de los algoritmos paramétricos por encima del 95 %. Sin
embargo, la evaluación cualitativa realizada sobre las imágenes temáticas obtenidas a
partir de la clasificación y reclasificación es baja, esto se debe principalmente a que los
mapas temáticos contienen regiones clasificadas que no tienen una forma geométrica
bien definida.
Coordinación de Ciencias Computacionales Instituto Nacional de Astrof́ısica, Óptica y Electrónica
-
Agradecimientos
A mi Esposa: Ivonne.... por ser apoyo incondicional en mi proyecto de
vida.
Para mis Hijos: Itzel y Francisco Adair.... esperando que este trabajo
sirva de inspiración a su continua superación personal y profesional.
A mis Padres: Delfino Robles y Concepción Camacho .... por haberme
enseñado que los sueños se pueden hacer realidad con esfuerzo y dedi-
cación.
A mi Hermano: Julio Cesar Robles.... por alentarme siempre a la su-
peración profesional.
A mis Profesores: Por todo el conocimiento y experiencia compartido
en las aulas del INAOE.
Al Dr. Jesus A. Gonzalez Bernal: Por su paciencia y dedicación
mostrados durante mi preparación en el INAOE y durante la elaboración
del presente trabajo.
A mis Amigos: Ivan Olmos y Rodrigo Aceves.... agradezco todo sus
consejos para la realización del presente trabajo.
Al CONACYT: Por su apoyo brindado al becario número 189941.
A la Armada de México: Por todo el apoyo prestado a uno de sus
oficiales con grandes deseos de superación; esperando que este trabajo
sirva de gúıa a futuros oficiales en preparación y entrenamiento constante
para hacer de Mexico un lugar mejor.
[vii]
-
Índice General
Lista de Figuras XIII
Lista de Tablas XVII
1. Introducción 1
1.1. Problema a Resolver . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2. Objetivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3. Trabajos Relacionados . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2. La Ciencia de la Percepción Remota 7
2.1. ¿Qué es la Percepción Remota? . . . . . . . . . . . . . . . . . . . . . 7
2.1.1. Proceso de la Percepción Remota . . . . . . . . . . . . . . . . 8
2.2. Radiación Electromagnética . . . . . . . . . . . . . . . . . . . . . . . 10
2.2.1. Procesos de Interacción . . . . . . . . . . . . . . . . . . . . . . 10
2.2.2. Espectro Electromagnético . . . . . . . . . . . . . . . . . . . . 12
2.2.3. Curvas de Reflectancia Espectral . . . . . . . . . . . . . . . . 13
2.2.4. Firma Espectral . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.2.5. Efecto Atmosférico . . . . . . . . . . . . . . . . . . . . . . . . 15
2.3. Imágenes Satelitales . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.3.1. Aplicaciones de las Imágenes Satelitales en Percepción Remota 17
2.3.2. Sistemas de Percepción Remota . . . . . . . . . . . . . . . . . 18
2.4. Mapas Temáticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3. Análisis de Imágenes Satelitales 23
3.1. Proceso de Análisis de Imágenes Satelitales . . . . . . . . . . . . . . . 23
3.2. Adquisición de Imágenes . . . . . . . . . . . . . . . . . . . . . . . . . 25
[ix]
-
x ÍNDICE GENERAL
3.3. Preprocesamiento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.3.1. Segmentación . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.3.2. Extracción de Caracteŕısticas . . . . . . . . . . . . . . . . . . 31
3.4. Reconocimiento e Interpretación . . . . . . . . . . . . . . . . . . . . . 32
3.4.1. Clasificación Supervisada . . . . . . . . . . . . . . . . . . . . . 33
3.4.2. Clasificación No Supervisada . . . . . . . . . . . . . . . . . . . 39
3.5. Métodos de Evaluación . . . . . . . . . . . . . . . . . . . . . . . . . . 39
4. Método de Clasificación Propuesto 43
4.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
4.1.1. Imágenes Multiespectrales utilizadas . . . . . . . . . . . . . . 44
4.1.2. Esquema de Clasificación . . . . . . . . . . . . . . . . . . . . . 44
4.1.3. Imagen Multiespectral Sintética (IMS) . . . . . . . . . . . . . 45
4.2. Conocimiento Descriptivo-Contextual . . . . . . . . . . . . . . . . . . 46
4.2.1. Selección y Obtención de Regiones de Entrenamiento . . . . . 47
4.2.2. Extracción de Caracteŕısticas Descriptivas . . . . . . . . . . . 49
4.2.3. Extracción de Caracteŕısticas Contextuales . . . . . . . . . . . 54
4.3. Representación del Conocimiento . . . . . . . . . . . . . . . . . . . . 59
4.3.1. Conocimiento Declarativo . . . . . . . . . . . . . . . . . . . . 63
4.3.2. Conocimiento Procedural y Esquema de Juicios . . . . . . . . 67
4.4. Esquema de Clasificación Multi-Modelos (MMCS) . . . . . . . . . . . 70
5. Resultados de Clasificación 73
5.1. Imágenes Multiespectrales Sintéticas (IMS) de Prueba . . . . . . . . . 73
5.2. Datos Estad́ısticos de Entrenamiento . . . . . . . . . . . . . . . . . . 74
5.3. Distancia Mı́nima a la Media vs MMCS . . . . . . . . . . . . . . . . . 80
5.3.1. Preclasificación . . . . . . . . . . . . . . . . . . . . . . . . . . 81
5.3.2. Reclasificación . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
5.4. Paraleleṕıpedo vs MMCS . . . . . . . . . . . . . . . . . . . . . . . . . 87
5.4.1. Preclasificación . . . . . . . . . . . . . . . . . . . . . . . . . . 87
5.4.2. Reclasificación . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
5.5. Máxima Similaridad vs MMCS . . . . . . . . . . . . . . . . . . . . . 91
5.5.1. Preclasificación . . . . . . . . . . . . . . . . . . . . . . . . . . 92
5.5.2. Reclasificación . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
5.6. Distancia Mahalanobis vs MMCS . . . . . . . . . . . . . . . . . . . . 97
Coordinación de Ciencias Computacionales Instituto Nacional de Astrof́ısica, Óptica y Electrónica
-
ÍNDICE GENERAL xi
5.6.1. Preclasificación . . . . . . . . . . . . . . . . . . . . . . . . . . 97
5.6.2. Reclasificación . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
5.7. Análisis de Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . 101
6. Conclusiones y Trabajos Futuros 105
Bibliograf́ıa 107
Índice Alfabético 113
Extracción de Mapas Temáticos a partir de la Clasificación en Imagenes Satelitales
-
xii ÍNDICE GENERAL
Coordinación de Ciencias Computacionales Instituto Nacional de Astrof́ısica, Óptica y Electrónica
-
Lista de Figuras
2.1. El proceso de la Percepción Remota . . . . . . . . . . . . . . . . . . . 9
2.2. Espectro Electromagnético . . . . . . . . . . . . . . . . . . . . . . . 12
2.3. Curvas de Reflectancia Espectral . . . . . . . . . . . . . . . . . . . . 14
2.4. Imagen Multiespectral y el Espectro Electromagnético . . . . . . . . . 17
3.1. Proceso del Análisis de Imágenes Satelitales . . . . . . . . . . . . . . 24
3.2. Componentes de la Imagen Satelital . . . . . . . . . . . . . . . . . . . 27
3.3. Proceso General de Clasificación . . . . . . . . . . . . . . . . . . . . . 33
3.4. Ejemplo de una Matriz de Confusión . . . . . . . . . . . . . . . . . . 40
4.1. Ṕıxel Espectral Multiple . . . . . . . . . . . . . . . . . . . . . . . . . 48
4.2. Proceso de Extracción y Selección de Caracteŕısticas Descriptivas de
las Clases de Interés . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
4.3. Proceso de Descubrimiento de Conocimiento (KDD) en Datos Espaciales 57
4.4. Relaciones de Adyacencia entre Regiones y su representación en Grafos 57
4.5. Proceso para la obtención de las Caracteŕısticas Contextuales de las
Regiones de Interés . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
4.6. Representación Gráfica de los Patrones Contextuales de las Regiones
de Interés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
4.7. Representación Gráfica de la Red Semántica con los tipos de Nodos y
sus enlaces. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
4.8. Red Semántica del Esquema de Clasificación Multi Modelos propuesto 66
4.9. Uso del Conocimiento Procedural y Esquema de Juicios . . . . . . . . 69
4.10. Proceso de Clasificación mediante el Esquema de Clasificación Multi
Modelos Propuesto . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
[xiii]
-
xiv LISTA DE FIGURAS
5.1. Esquema de Clasificación y su Código de Colores . . . . . . . . . . . 74
5.2. Imagen Multiespectral Sintética del tipo 1 (IMS-1) . . . . . . . . . . 75
5.3. Imagen Multiespectral Sintética del tipo 2 (IMS-2) . . . . . . . . . . 76
5.4. Relación de las Medias Espectrales de las Clases por Banda Espectral 78
5.5. Relación de las Desviaciones Estándar Espectrales de las Clases por
Banda Espectral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
5.6. Relación de las Covarianzas Espectrales entre las Clases por Banda
Espectral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
5.7. Imagen de Referencia y Imagen Temática resultado de la Clasificación
del DMM sobre la IMS-1 . . . . . . . . . . . . . . . . . . . . . . . . . 82
5.8. Imagen de Referencia y Imagen Temática resultado de la Clasificación
del DMM sobre la IMS-2 . . . . . . . . . . . . . . . . . . . . . . . . . 83
5.9. Resultados de Clasificación del MMCS a partir de las regiones del
DMM sobre la IMS-1 . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
5.10. Resultados de Clasificación del MMCS a partir de las regiones del
DMM sobre la IMS-2 . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
5.11. Imagen de Referencia y Imagen Temática resultado de la Clasificación
del PL sobre la IMS-2 . . . . . . . . . . . . . . . . . . . . . . . . . . 89
5.12. Resultados de Clasificación del MMCS a partir de las regiones del PL
sobre la IMS-2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
5.13. Histograma de frecuencia de valores espectrales en las 4 bandas de la
IMS-1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
5.14. Imagen de Referencia y Imagen Temática resultado de la Clasificación
del ML sobre la IMS-1 . . . . . . . . . . . . . . . . . . . . . . . . . . 94
5.15. Resultados de Clasificación del MMCS a partir de las regiones del ML
sobre la IMS-1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
5.16. Histograma de frecuencia de valores espectrales en las 4 bandas de la
IMS-2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
5.17. Imagen de Referencia y Imagen Temática resultado de la Clasificación
del DMH sobre la IMS-2 . . . . . . . . . . . . . . . . . . . . . . . . . 99
5.18. Resultados de Clasificación del MMCS a partir de las regiones del DMH
sobre la IMS-2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
5.19. Resumen de Resultados de Clasificación de los Algoritmos Paramétri-
cos y el MMCS sobre la IMS-1 . . . . . . . . . . . . . . . . . . . . . . 102
Coordinación de Ciencias Computacionales Instituto Nacional de Astrof́ısica, Óptica y Electrónica
-
LISTA DE FIGURAS xv
5.20. Resumen de Resultados de Clasificación de los Algoritmos Paramétri-
cos y el MMCS sobre la IMS-2 . . . . . . . . . . . . . . . . . . . . . . 103
Extracción de Mapas Temáticos a partir de la Clasificación en Imagenes Satelitales
-
xvi LISTA DE FIGURAS
Coordinación de Ciencias Computacionales Instituto Nacional de Astrof́ısica, Óptica y Electrónica
-
Lista de Tablas
2.1. Sistema de Percepción Remota . . . . . . . . . . . . . . . . . . . . . . 19
4.1. Cantidad de Regiones de Entrenamiento por Clase y sus Caracteŕısticas. 47
4.2. Atributos de las Regiones de Entrenamiento. . . . . . . . . . . . . . . 51
4.3. Resultados de Clasificación de los MCAD . . . . . . . . . . . . . . . . 56
4.4. Patrones Contextuales Descubiertos. . . . . . . . . . . . . . . . . . . 60
5.1. Vectores de Medias Espectrales utilizados en la preclasificación por los
algoritmos Paramétricos. . . . . . . . . . . . . . . . . . . . . . . . . . 77
5.2. Desviación Estándar Espectrales para cada clase utilizada en el PL. . 78
5.3. Matriz de Covarianza Espectral utilizada en los algoritmos ML y DMH. 79
5.4. Datos de las Imágenes Multiespectrales Sintéticas para DMM . . . . 81
5.5. Matriz de Confusión de la preclasificación de la IMS-1 por DMM . . . 83
5.6. Matriz de Confusión de la preclasificación de la IMS-2 por DMM . . . 84
5.7. Matriz de Confusión de la reclasificación de los resultados del DMM
por el MMCS en la IMS-1 . . . . . . . . . . . . . . . . . . . . . . . . 85
5.8. Matriz de Confusión de la reclasificación de los resultados del DMM
por el MMCS en la IMS-2 . . . . . . . . . . . . . . . . . . . . . . . . 87
5.9. Datos de las Imágenes Multiespectrales Sintéticas para PL . . . . . . 88
5.10. Matriz de Confusión de la preclasificación por PL . . . . . . . . . . . 89
5.11. Matriz de Confusión de la reclasificación de los resultados del PL por
el MMCS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
5.12. Datos de las Imagen Multiespectral Sintética (IMS-1) para ML . . . . 92
5.13. Matriz de Confusión de los resultados del ML . . . . . . . . . . . . . 95
5.14. Matriz de Confusión de la reclasificación de los resultados del ML por
el MMCS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
[xvii]
-
xviii LISTA DE TABLAS
5.15. Datos de la Imágen Multiespectral Sintéticas (IMS-2) para el DMH . 97
5.16. Matriz de Confusión de los resultados del DMH . . . . . . . . . . . . 100
5.17. Matriz de Confusión de la reclasificación de los resultados del DMH
por el MMCS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
Coordinación de Ciencias Computacionales Instituto Nacional de Astrof́ısica, Óptica y Electrónica
-
Caṕıtulo 1
Introducción
A principios de los años sesenta la visión de la tierra se limitaba a observaciones y
fotograf́ıas usando la luz visible. Las fotograf́ıas eran obtenidas desde aviones. Hoy la
ciencia de la percepción remota provee instrumentos que proporcionan una visión de
los objetos sobre la superficie de la tierra en rangos de longitud de onda más grandes
que los de la luz visible. Estos instrumentos se colocan en satélites y aviones que toman
imágenes de la superficie de la tierra, las cuales pueden ser digitalizadas y analizadas
desde computadoras personales proporcionando conocimiento en una amplia variedad
de temas, como son: el medio ambiente global, uso de suelos, recursos renovables y
no renovables, desastres naturales, geoloǵıa y muchos otros.
Actualmente la clasificación en imágenes multiespectrales puede ser desarrollada
usando una variedad de algoritmos incluyendo [1, 2, 3]:
1. Clasificación usando enfoques supervisados y no supervisados.
2. Clasificación usando lógica difusa.
3. Enfoques h́ıbridos que involucran el uso de multi-clasificadores e información
externa.
La clasificación de imágenes satelitales se refiere al reconocimiento de categoŕıas de
objetos del mundo real. En el contexto de la percepción remota de la superficie de la
tierra, estas categoŕıas pueden incluir zonas urbanas, tipos de vegetación (bosque, sel-
va, pastizal, manglar etc.), cuerpos de agua (ŕıos, mares y lagos), tierras de vegetación
utilizadas para cultivo y otros tipos de suelo dependiendo de la escala geográfica y
la naturaleza del estudio. El proceso de clasificación se compone principalmente de
dos etapas. En la primera etapa un proceso de reconocimiento, identifican y separan
grupos de ṕıxeles con caracteŕısticas semejantes que representan los objetos sobre la
[1]
-
2 1. Introducción
superficie de la tierra. La segunda etapa abarca el proceso de clasificación, en el cual
se realiza el etiquetado de las entidades (ṕıxeles) a ser clasificadas en categorias.
La interpretación de la información extráıda y procesada en la imagen satelital
sirve para generar los mapas temáticos, que muestran objetos espaciales en relación
a un tema. La extracción de mapas temáticos a partir de la clasificación de imágenes
satelitales multiespectrales es un área de investigación importante por la aplicación
que éstos tienen para la obtención de conocimiento del medio ambiente global, usos
de suelo, recursos renovables y no renovables, desastres naturales, geoloǵıa y muchos
otros. Debido a esto, se busca obtener mapas de alta calidad, lo cual no se ha lo-
grado del todo con los esquemas de clasificación utilizados hasta ahora. En esta tesis
proponemos añadir un nivel de verificación a los métodos de clasificación paramétri-
cos realizando una reclasificación de los objetos encontrados. La reclasificacion de los
objetos se realiza, mediante un enfoque basado en conocimiento descriptivo a partir
de las caracteŕısticas propias que define cada categoŕıa de objetos y conocimiento de
contexto a partir de las relaciones topológicas entre los objetos clasificados.
1.1. Problema a Resolver
La composición f́ısica de los diferentes materiales sobre la superficie de la tierra,
sean estos naturales o artificiales, tiene una manera caracteŕıstica e individual de in-
teractuar con la radiación incidente (normalmente luz solar) que describe la respuesta
espectral de ese material o su firma espectral.
La firma espectral de los diferentes materiales en la superficie de la tierra se ve
afectada por muchos factores, y por lo tanto vaŕıa durante diferentes épocas del año.
Un ejemplo claro es la vegetación que cambia dependiendo de la estación del año.
Otros factores que afectan la respuesta espectral son la orientación y altura del sol en el
cielo, la posición del sensor en el satélite, la salud de la vegetación, la cantidad de agua
que la tierra ha absorbido y las condiciones meteorológicas existentes en el área donde
se haya tomando la imagen satelital, entre otras. Por lo tanto, caracterizar diferentes
materiales mediante una única respuesta espectral es hoy en d́ıa una tarea imposible
en percepción remota y esto trae como consecuencia problemas en la clasificación de
imágenes satelitales.
Con la finalidad de minimizar los problemas de la clasificación de los objetos en
la superficie de la tierra usando sólo su respuesta espectral, se propone el uso de
Coordinación de Ciencias Computacionales Instituto Nacional de Astrof́ısica, Óptica y Electrónica
-
1.2 Objetivo 3
un esquema de clasificación basado en conocimiento descriptivo y de contexto de
las categoŕıas de objetos de interés (regiones). Un esquema de representación del
conocimiento basado en Redes Semánticas se utilizará para organizar el conocimiento
descriptivo-contextual de las regiones seleccionadas. La idea principal es modelar
el conocimiento o estrategias utilizadas por cualquier persona familiarizada con la
interpretación visual de imágenes satelitales para identificar, diferenciar y clasificar
regiones en la imagen.
1.2. Objetivo
El objetivo principal de esta propuesta de investigación es:
Generar mapas temáticos a partir de la clasificación de imágenes satelitales uti-
lizando caracteŕısticas tanto descriptivas como contextuales de las regiones de interés.
El enfoque propuesto permite alcanzar los siguientes objetivos espećıficos:
1. Encontrar caracteŕısticas descriptivas-contextuales para la clasificación de re-
giones de interés en imágenes satelitales.
2. Generar un esquema de representación del conocimiento basado en Redes
Semánticas para almacenar y representar el conocimiento tanto descriptivo co-
mo contextual de las regiones de interés.
3. Utilizar el esquema de representación del conocimiento como un paso de verifi-
cación de la clasificación de los algoritmos paramétricos más utilizados actual-
mente en percepción remota (post-clasificación).
1.3. Trabajos Relacionados
Para tratar de resolver algunos de los problemas que se presentan en la clasificación
de imágenes satelitales se han propuesto varios enfoques. Estos enfoques buscan com-
plementar la clasificación de la imagen satelital mediante conocimiento a priori de las
regiones a clasificar y las relaciones de éstas con otras regiones cercanas dentro de
la imagen. Algunos de los trabajos que se han consultado y que han servido de base
para la presente investigación son los siguientes.
Una investigación de Diezmar Kunz, Klaus-Jürgen Schilling y Thomas Vögtle [4],
analiza los efectos de la sinergia entre imágenes de satélite y la información contenida
Extracción de Mapas Temáticos a partir de la Clasificación en Imagenes Satelitales
-
4 1. Introducción
en una base de datos topográfica. La base de datos apoya el análisis de la imagen
satelital, ofreciendo una representación geométrica, aśı como una predicción semántica
de todos los objetos que posiblemente puedan ser encontrados en la imagen de satélite.
La información de la descripción simbólica y la información de la base de datos son
representadas en una red semántica y posteriormente esta red semántica ayuda a la
validación de la clasificación.
Por otro lado, Liedtke, Bükner, Grau, Growe y Tönjes [5] propusieron desarro-
llar el sistema AIDA (A System for the Knowledge Based Interpretation of Remote
Sensing Data) para la interpretación de imágenes usando una red semántica en la
representación de conocimiento expĺıcito de los objetos en la imagen y las relaciones
entre ellos. La información de un Sistema de Información Geográfico (GIS) se uti-
liza para la construcción de la red semántica. Este sistema es usado en tareas de
reconocimiento, reconstrucción en tercera dimensión de los objetos detectados y un
registro automático de imágenes tomadas por diferentes sensores. Más tarde Bükner,
Müller, Pahl y Stahlhut [6, 7] presentan los trabajos realizados para la interpretación
de imágenes satelitales bajo el esquema del sistema geoAIDA. Este sistema describe
un nuevo enfoque para la implementación de una red semántica que contiene la in-
formación extráıda de una base de datos topográfica de los objetos espaciales que se
encuentran en el área geográfica que cubre la imagen satelital y la información ex-
tráıda de la propia imagen, esta red semántica luego es utilizada para la clasificación
de la imagen después de una segmentación. Actualmente la investigación en el área
de la clasificación de imágenes satelitales se enfoca en la utilización de conocimiento
adquirido a partir de datos externos (mapas topográficos, Modelos Digitales de Ele-
vación, información recopilada in-situ, Sistemas de Información Geográfica, etc.) para
mejorar los procesos y resultados de clasificación.
De acuerdo con los trabajos publicados [4, 5, 6, 7] se han desarrollado propuestas
que trabajan adecuadamente con apoyo de Sistemas de Información Geográfica (GIS)
para la obtención de información a priori del área de estudio a partir de las relaciones
topológicas entre los objetos a clasificar, que se representan en una estructura de
conocimiento como una red semántica y finalmente, esta red efectúa la validación de
la clasificación a posteriori. Una de las desventajas de estos enfoques es que si no se
cuenta con información geográfica del área que se desea clasificar no se puede obtener
la información para la red semántica, aśı mismo, se tiene que generar una estructura
de conocimiento por cada imagen satelital que se desea clasificar.
Coordinación de Ciencias Computacionales Instituto Nacional de Astrof́ısica, Óptica y Electrónica
-
1.3 Trabajos Relacionados 5
Nuestro enfoque propone la obtención de las caracteŕısticas descriptivas de un
objeto que lo diferencie con respecto al resto de los objetos, aśı como, determinar
las caracteŕısticas de contexto a partir de relaciones topológicas que tiene ese objeto
con otros objetos del entorno. Estas caracteŕısticas descriptivas-contextuales forma
la base de conocimiento de cada uno de los objetos de interés que se utilizará para
la clasificación de imágenes satelitales. Nuestro enfoque a diferencia de los trabajos
presentados por otros autores, utilizara técnicas de Aprendizaje Automático para
encontrar un grupo de caracteŕısticas mı́nimas pero únicas, tanto descriptivas como
contextuales, que nos ayuden a reconocer un objeto perteneciente a cierta categoŕıa
dentro de un grupo de objetos de categoŕıas distintas.
La tesis se ha organizado de la siguiente manera; el Caṕıtulo 1 nos coloca en el
contexto de la Percepción Remota y algunos conceptos importantes de la adquisición
y estructura de las imágenes satelitales. El Caṕıtulo 2 revisa los principales pasos del
proceso de análisis de imágenes satelitales. En el Caṕıtulo 3 se describe el esquema de
clasificación basado en conocimiento descriptivo-contextual propuesto y el Caṕıtulo 4
presenta los experimentos y resultados de la clasificación basada en conocimiento en
comparación con clasificadores paramétricos. Finalmente en el caṕıtulo 5 se presentan
las conclusiones y trabajos futuros.
Extracción de Mapas Temáticos a partir de la Clasificación en Imagenes Satelitales
-
6 1. Introducción
Coordinación de Ciencias Computacionales Instituto Nacional de Astrof́ısica, Óptica y Electrónica
-
Caṕıtulo 2
La Ciencia de la Percepción
Remota
A principios de los años sesenta la visión de la tierra se limitaba a observaciones y
fotograf́ıas usando la luz visible. Las fotograf́ıas eran obtenidas desde aviones. Hoy la
ciencia de la percepción remota provee instrumentos que proporcionan una visión de
los objetos sobre la superficie de la tierra en rangos de longitud de onda más grandes
que los de la luz visible. Estos instrumentos son colocados en satélites y aviones
que toman imágenes de la superficie de la tierra, las cuales pueden ser digitalizadas
y analizadas desde computadoras personales proporcionando conocimiento en una
amplia variedad de temas, como son: el medio ambiente global, uso de suelo, recursos
renovables y no renovables, desastres naturales, geoloǵıa y muchos otros. Este caṕıtulo
presenta un preámbulo de las partes más importantes que intervienen en el estudio
de la Percepción Remota.
2.1. ¿Qué es la Percepción Remota?
La Percepción Remota (PR) o Remote Sensing, se define como la ciencia para
adquirir, procesar e interpretar imágenes y sus datos relacionados obtenidos desde
aviones y satélites que registran la interacción entre la materia y la radiación electro-
magnética [2]. De acuerdo con lo anterior:
Adquirir imágenes refiere a la tecnoloǵıa empleada, esto es, el tipo y cantidad de
sensores instalados en aviones, satélites u otra plataforma.
Procesar se refiere a los procedimientos que convierten los datos crudos obtenidos
desde los sensores en imágenes.
[7]
-
8 2. La Ciencia de la Percepción Remota
Interpretar convierte la imagen en información significativa y valiosa para un amplio
rango de usuarios.
El término percepción remota se refiere a los métodos que emplean la enerǵıa
electromagnética tal como la luz, calor y ondas de radio como el medio para detectar
y medir caracteŕısticas de los objetos. La interacción entre la materia y la enerǵıa
electromagnética es determinada por:
1. Las propiedades f́ısicas de la materia.
2. La longitud de onda de la enerǵıa electromagnética que está siendo adquirida
por los sensores.
Un principio esencial del uso de datos adquiridos mediante técnicas de percepción
remota que son procesados en imágenes, es que los objetos en la superficie de la tierra
y en la atmósfera reflejan, absorben, transmiten o emiten enerǵıa electromagnética
en diferentes longitudes de onda y que tales diferencias permiten identificar sus com-
ponentes [1].
Existen varios sistemas usados en PR para la recolección de los datos. Un sistema
de percepción remota pasivo es aquel que recoge enerǵıa que naturalmente se
irradia o se refleja a partir de un objeto, como la fotograf́ıa con luz natural. Un
sistema de percepción remota activo emite una fuente de enerǵıa directamente
sobre el objeto de estudio y mide la enerǵıa que regresa al sistema, un ejemplo de
este sistema es el radar o sonar.
2.1.1. Proceso de la Percepción Remota
La finalidad principal de la PR es la extracción de conocimiento a partir de los
datos recolectados para ser aplicados en nuestro beneficio, para lograrlo se tiene que
definir un proceso con etapas espećıficas [1] que ayuden a centrar el tipo de problema
que se desea resolver y el camino que se tiene que seguir para llegar a la aplicación
final del conocimiento descubierto. En la figura 2.1 se muestra un diagrama a bloques
de las principales etapas que intervienen en el proceso de la percepción remota.
Coordinación de Ciencias Computacionales Instituto Nacional de Astrof́ısica, Óptica y Electrónica
-
2.1 ¿Qué es la Percepción Remota? 9
Figura 2.1: Principales Etapas que Intervienen en el Proceso de la Percepción Remota.
Extracción de Mapas Temáticos a partir de la Clasificación en Imagenes Satelitales
-
10 2. La Ciencia de la Percepción Remota
2.2. Radiación Electromagnética
La Radiación Electromagnética (REM) juega un papel importante en la Percep-
ción Remota debido a que la interacción entre los objetos de la superficie de la tierra
y los sensores ubicados en satélites y aviones se realiza a través de flujos de enerǵıa
radiada de REM o Enerǵıa Electromagnética.
La Enerǵıa Electromagnética se refiere a toda la enerǵıa que viaja a la velocidad
de la luz en un patrón de onda harmónico. Un patrón harmónico consiste de on-
das que ocurren en intervalos iguales de tiempo. El concepto de onda explica como
la enerǵıa electromagnética se propaga (se mueve); sin embargo, esta enerǵıa sólo
puede ser detectada cuando interactúa con la materia. La principal fuente de enerǵıa
electromagnética es proporcionada por el Sol.
Las ondas electromagnéticas pueden ser descritas en términos de su velocidad,
longitud de onda y frecuencia. Todas las ondas electromagnéticas viajan a la misma
velocidad, comúnmente equivalente a la velocidad de la luz puesto que la luz es una
forma de enerǵıa electromagnética.
La longitud de onda (λ) en ondas electromagnéticas es la distancia desde cualquier
punto en una onda o ciclo al mismo punto en la siguiente onda o ciclo. El micrómetro
(µm) es una unidad conveniente para medir longitudes de onda tanto en el espectro
visible como en el infrarrojo. La velocidad de la luz por ser una forma de enerǵıa
electromagnética (c), la longitud de onda (λ) y la frecuencia (v) se relacionan por la
ecuación (2.2.1).
c = λ · v (2.2.1)
2.2.1. Procesos de Interacción
La enerǵıa electromagnética que se encuentra con la materia sólida, ĺıquida o
gaseosa, es llamada radiación incidente. La interacción de la enerǵıa electro-
magnética con la materia puede cambiar las siguientes propiedades de la radiación
incidente: intensidad, dirección, longitud de onda, polarización y fase. La ciencia de la
percepción remota detecta y registra estos cambios en imágenes y datos, para luego
interpretar las imágenes y datos resultantes con la finalidad de determinar las carac-
teŕısticas de la materia que interactúa con la enerǵıa electromagnética incidente. La
Coordinación de Ciencias Computacionales Instituto Nacional de Astrof́ısica, Óptica y Electrónica
-
2.2 Radiación Electromagnética 11
radiación incidente puede ser:
Trasmitida: Esto es pasada a través de la sustancia. La trasmisión de enerǵıa a
través de medios diferentes, como del aire al agua, causa un cambio en la ve-
locidad de la radiación electromagnética. La relación entre las dos velocidades
es llamada el ı́ndice de refracción (n) y se expresa según la ecuación (2.2.2).
n =CaCs
(2.2.2)
donde:
Ca es la velocidad en el vaćıoCs es la velocidad en la sustancia.
Absorbida: La materia absorbe la enerǵıa, principalmente esta enerǵıa es utilizada
para su calentamiento.
Emitida: La sustancia emite enerǵıa usualmente en grandes longitudes de onda como
una función de su estructura y temperatura.
Dispersada: La enerǵıa es desviada en todas direcciones. Superficies con dimen-
siones de relieve o rugosidad comparable a la longitud de onda de la enerǵıa
incidente produce dispersión.
Reflejada: La enerǵıa es regresada desde la superficie de un material con un ángulo
de reflexión igual o en oposición al ángulo de incidencia. La reflexión es causada
por superficies lisas con relación a la longitud de onda de la enerǵıa incidente.
Polarizada: la Polarización o dirección de vibración de las ondas reflejadas puede
diferir de las ondas de la enerǵıa incidente.
La Emisión, Reflexión y Dispersión son llamados fenómenos de superficie,
porque estas interacciones están determinadas principalmente por las caracteŕısticas
de la superficie, tal como el color y la rugosidad. Transmisión y Absorción son lla-
mados fenómenos de volumen, porque ellos están determinados por las caracteŕısticas
de la materia, tales como la densidad y la conductividad. La combinación particular
de interacciones de superficie y volumen con cualquier tipo de material depende tanto
Extracción de Mapas Temáticos a partir de la Clasificación en Imagenes Satelitales
-
12 2. La Ciencia de la Percepción Remota
de la longitud de onda de la radiación electromagnética como de las propiedades es-
pećıficas del material. La propiedad de Reflexión de los procesos de interacción de la
materia es utilizada por la ciencia de la Percepción Remota para tratar de identificar
los diversos materiales en la superficie de la tierra.
2.2.2. Espectro Electromagnético
La figura 2.2 muestra el espectro electromagnético, el cual es dividido en regiones
de longitud de onda. La escala horizontal es la medida en micrómetros (µm) de la
longitud de onda. Se debe notar que la región del espectro visible (0.4 a 0.7 µm)
ocupa sólo una pequeña porción del espectro. La enerǵıa reflejada desde la superficie
de la tierra durante el d́ıa puede ser registrada en función de la longitud de onda.
La máxima cantidad de enerǵıa se refleja en los 0.5µm de longitud de onda, la cual
corresponde a la longitud de onda verde del espectro visible y es llamado pico de
enerǵıa reflejada (reflected energy peak). La tierra también irradia enerǵıa tanto
en la noche como en el d́ıa, con un máximo de enerǵıa radiada sobre los 9.7µm de
longitud de onda comúnmente llamado pico de enerǵıa radiada (radiant energy
peak), esto ocurre en la región termal de la porción infrarroja (IR) del espectro.
Figura 2.2: Espectro Electromagnético.[2]
Coordinación de Ciencias Computacionales Instituto Nacional de Astrof́ısica, Óptica y Electrónica
-
2.2 Radiación Electromagnética 13
La atmósfera de la tierra absorbe enerǵıa en las regiones de rayos gama, rayos x
y la mayor parte de la región ultravioleta, por lo tanto estas regiones no se utilizan
para la percepción remota. La percepción remota terrestre registra enerǵıa en la región
de las microondas, región infrarroja y en la región visible del espectro, aśı como, en
longitudes de onda larga de la región ultravioleta. A los intervalos de longitud de onda
con alta transmisión se les llama ventanas atmosféricas (atmospheric Windows)
y se utilizan para adquirir imágenes de percepción remota.
Las principales regiones de percepción remota (visible, infrarrojo y microondas)
son dividas en bandas espectrales. Las bandas espectrales verde, roja y azul,
pertenecen a la región visible del espectro.
2.2.3. Curvas de Reflectancia Espectral
Las curvas de reflectancia espectral o espectro de reflectancia, registran el por-
centaje de enerǵıa incidente, t́ıpicamente la luz del sol que es reflejado por un material
en función de la longitud de onda de la enerǵıa.
En la figura 2.3 se muestra el espectro de reflectancia de la vegetación, suelo y
agua. El eje horizontal muestra la longitud de onda de la enerǵıa incidente de la
región visible a la región espectral IR. El eje vertical muestra el porcentaje de enerǵıa
reflejada en las diferentes longitudes de ondas:
1. A una cáıda de la curva se le llama caracteŕıstica de absorción porque
representa la absorción de la enerǵıa incidente.
2. A una subida en la curva se le llama pico de reflectancia.
Estas caracteŕısticas espectrales son claves para el reconocimiento de materiales. Los
equipos utilizados para registrar el espectro de reflectancia son los espectrómetros de
reflectancia (reflectance spectrometers).
2.2.4. Firma Espectral
La composición f́ısica de los diferentes materiales sobre la superficie de la tierra,
sean estos naturales o artificiales, tiene una manera caracteŕıstica e individual de in-
teractuar con la radiación incidente (normalmente luz solar) que describe la respuesta
espectral de ese material. El término firma espectral es algunas veces usado para
describir la curva de respuesta espectral de cada material existente en la superficie de
Extracción de Mapas Temáticos a partir de la Clasificación en Imagenes Satelitales
-
14 2. La Ciencia de la Percepción Remota
Figura 2.3: Curvas de Reflectancia Espectral para la Vegetación, el Suelo y el Agua con sus Carac-teŕısticas de Absorción y Picos de Reflectancia
Coordinación de Ciencias Computacionales Instituto Nacional de Astrof́ısica, Óptica y Electrónica
-
2.3 Imágenes Satelitales 15
la tierra. Por lo tanto, las diferentes bandas espectrales de una imagen multiespectral
sirven para identificar y clasificar diferentes materiales con diferente firma espectral
[3].
La firma espectral de los diferentes materiales en la superficie de la tierra, se
ve afectada por muchos factores y por lo tanto vaŕıa durante diferentes épocas del
año. Un ejemplo claro es la vegetación que cambia dependiendo de la estación del año.
Otros factores que afectan las curvas de respuesta espectral son la orientación y altura
del sol en el cielo, la posición del sensor en el satélite, la salud de la vegetación, la
cantidad de agua que la tierra ha absorbido y las condiciones meteorológicas existentes
en el área donde se este tomando la imagen satelital, entre otras.
2.2.5. Efecto Atmosférico
Uno de los principales problemas en la etapa de recolección de datos de la PR
son los efectos atmosféricos que no permiten que los datos sean adquiridos de forma
limpia. Aśı mismo, debido a los fenómenos atmosféricos ocurridos en las partes bajas
de la atmósfera, los datos espectrales de los objetos en la superficie de la tierra no son
constantes, esto hace impreciso el análisis de dichos datos. Los gases de la atmósfera
absorben enerǵıa electromagnética en intervalos de longitud de onda espećıficos a los
que se conocen como bandas de absorción . Las longitudes de onda menores a 0.3
µm. son completamente absorbidas por la capa de ozono de la atmósfera.
Las nubes consisten de part́ıculas de agua en suspensión que absorben y disper-
san la radiación electromagnética en longitudes de onda menores a 0.1 cm. Sólo la
radiación de microondas y longitudes de onda más largas (radar) son capaces de
penetrar las nubes sin ser reflejadas, dispersadas o absorbidas.
2.3. Imágenes Satelitales
Una imagen es cualquier representación pictórica, independientemente de la lon-
gitud de onda o dispositivo de imagen usado para producirla y se puede describir
en términos de propiedades fundamentales las cuales son: escala, brillo, contraste y
resolución. El tono y la textura son funciones de las propiedades fundamentales [8].
En percepción remota, una imagen es elaborada mediante una matriz rectangular
de valores del flujo de radiación electromagnética (medidas de EMR), que correspon-
Extracción de Mapas Temáticos a partir de la Clasificación en Imagenes Satelitales
-
16 2. La Ciencia de la Percepción Remota
den a ṕıxeles individuales, por lo que cada valor de ṕıxel representa la medida de
radiación electromagnética emanada desde una pequeña área de la superficie de la
tierra según la resolución de la imagen [9, 1, 2]. La radiación emanada contiene infor-
mación acerca de:
1. La naturaleza del material de la superficie de la tierra presente en al área del
ṕıxel.
2. La posición topográfica del área del ṕıxel, cuando existe referencia geográfica.
3. El estado de la atmósfera a través de la cual la EMR ha pasado.
Existen tres tipos principales de imágenes satelitales, que son obtenidas por medio
de diferentes sensores[10]:
Imagen Pancromática: Es una imagen formada por una sola banda espectral. Para
los sensores pancromáticos más modernos, esta única banda suele abarcar desde
la parte visible al infrarrojo cercano del espectro. Los datos pancromáticos se
representan por medio de imágenes en tonos de grises (blanco y negro).
Imagen MultiEspectral: Es un arreglo de imágenes satelitales adquiridas si-
multáneamente donde cada una de las imágenes registra un intervalo diferente
de longitud de onda del espectro electromagnético. Estas se captan mediante un
sensor digital que mide la reflectancia en muchas bandas. Por ejemplo, un con-
junto de detectores puede medir enerǵıa roja reflejada dentro de la parte visible
del espectro mientras que otro conjunto mide la enerǵıa del infrarrojo cercano.
Es posible incluso que dos series de sensores midan la enerǵıa en dos partes
diferentes de la misma longitud de onda. Estos distintos valores de reflectancia
se combinan para crear imágenes de color. Los satélites de PR multiespectrales
de hoy en d́ıa miden la reflectancia simultáneamente en un número de bandas
distintas que pueden ir de tres a catorce, un ejemplo de este tipo de imagen se
muestra en la figura 2.4.
Imagen Hiperespectral: Es una imagen formada por datos adquiridos a partir de
un sensor espectral que mide la reflectancia en muchas bandas de rangos cortos
de longitud de onda. La teoŕıa en que se apoya la detección hiperespectral es
que la medida de la reflectancia en numerosas franjas estrechas del espectro
permite detectar caracteŕısticas y diferencias muy sutiles entre los rasgos de la
superficie, especialmente en lo que se refiere a vegetación, suelo y rocas.
Coordinación de Ciencias Computacionales Instituto Nacional de Astrof́ısica, Óptica y Electrónica
-
2.3 Imágenes Satelitales 17
Figura 2.4: Imagen Multiespectral y su Relación con el Espectro Electromagnético.
2.3.1. Aplicaciones de las Imágenes Satelitales en Percepción
Remota
Dependiendo el problema que se desea resolver mediante técnicas de PR se ten-
drá que seleccionar el tipo de imagen satelital a utilizar. A continuación se esboza un
resumen de algunas de la aplicaciones de las diferentes imágenes satelitales:
Aplicaciones con Imágenes Pancromáticas:
1. Localizar, identificar y medir accidentes superficiales y objetos, principal-
mente por su apariencia f́ısica, es decir, forma, tamaño, color y orientación.
2. Identificar y cartografiar con precisión la situación de los elementos gene-
rados por la acción del hombre, como edificios, carreteras, veredas, casas,
equipamientos de servicios públicos, infraestructura urbana, aeropuertos y
veh́ıculos.
3. Actualizar las caracteŕısticas f́ısicas de los mapas existentes.
4. Trazar los ĺımites entre tierra y agua.
Extracción de Mapas Temáticos a partir de la Clasificación en Imagenes Satelitales
-
18 2. La Ciencia de la Percepción Remota
5. Identificar y cuantificar el crecimiento y desarrollo urbano.
6. Permitir generar modelos digitales de elevación de gran exactitud.
7. Catalogar el uso del suelo.
Aplicaciones con Imágenes Multiespectrales:
1. Distinguir las rocas superficiales y el suelo por su composición y consoli-
dación.
2. Delimitar los terrenos pantanosos.
3. Estimar la profundidad del agua en zonas litorales.
4. Catalogar la cubierta terrestre.
5. Catalogar los usos de suelo.
Aplicaciones con Imágenes de Radar de Apertura Sintética (SAR):
1. Captar imágenes en zonas frecuentemente cubiertas por nubes, nieblas o
inmersas en constante oscuridad.
2. Localizar icebergs y hielo marino; cartografiar otros estados de la superficie
oceánica, como corrientes, olas, y poluciones petroĺıferas.
3. Cartografiar aspectos del terreno muy sutiles, como fallas y pliegues.
4. Detectar y cartografiar cambios en la superficie terrestre debidos por ejem-
plo al crecimiento de la vegetación, a variaciones de la humedad del suelo,
actividades agŕıcolas o forestales (e.g. labranza, deforestación) o incluso
debidos a movimientos śısmicos (e.g. fallas, temblores, etc.).
Aplicaciones con Imágenes Aéreas:
1. Cartografiar rasgos superficiales inferiores a un metro cuadrado.
2. Cartografiar zonas inferiores a 1000 kilómetros cuadrados.
3. Cartografiar con precisión catástrofes naturales.
2.3.2. Sistemas de Percepción Remota
Los sistemas de PR a bordo de satélites recolectan datos de la superficie de la tierra
que serán convertidos en imágenes satelitales. La tabla 2.1 presenta las caracteŕısticas
de los principales sistemas de PR [11].
Coordinación de Ciencias Computacionales Instituto Nacional de Astrof́ısica, Óptica y Electrónica
-
2.3 Imágenes Satelitales 19
Tabla 2.1: Sistemas de Percepción Remota. Imagen B&N se refiere a Imágenes Pancromática. Imágenesa Color se refiere a Imágenes Multiespectrales
Imagen de Satélite Ancho de Barrido Resolución Espacial
20 m color (Spot 4 y Spot 5), 4 bandas10 m color (Spot 5 y 4), 4 bandas10 m B&N (Spot 4 y 2), 1 banda
SPOT 60 a 80 Km 5 m color (Spot 5), 3 bandas5 m B&N (Spot 5), 1 banda2.5 m color (Spot 5), 3 bandas5 m B&N (Spot 5), 1 banda
Landsat 5 TM 185 Km 30 mLandsat 7 ETM 30 m (adiciona una banda que posibili-
ta resolución a 10 m)
IKONOS 13 Km 1 m B&N, 1 banda4 m color, 4 bandas
QuickBird 0.61 m B&N, 1 banda16.5 Km en el Nadir a20.80 km
2.44 m color, 4 bandas
RADARSAT 60 a 100 km 10 a 100 m2.44 m color
Aster VNIR µm 60 Km 15 m, 3 bandasAster WNIR µm 60 Km 30 m, 6 bandasAster TIR µm 60 Km 90 m, 5 bandas
Envisat ASAR 56 a 400 Km 25 m hasta 1 KmEnvisat MERIS 1150 Km 300 m a 1200 Km, 15 bandas
Extracción de Mapas Temáticos a partir de la Clasificación en Imagenes Satelitales
-
20 2. La Ciencia de la Percepción Remota
2.4. Mapas Temáticos
La interpretación de la información extráıda y procesada de la imagen satelital
sirve para generar los mapas temáticos. Los mapas temáticos muestran las ca-
racteŕısticas estructurales de la distribución espacial de un fenómeno geográfico
particular [12]. La Asociación Internacional de Cartograf́ıa [13] dice:
Un mapa temático es aquél que está diseñado para mostrar carac-
teŕısticas o conceptos particulares. En el uso convencional de los mapas,
este término excluye los mapas topográficos.
Los mapas temáticos codifican objetos espaciales en relación a un tema [14]. Ex-
isten dos formas de representar los mapas temáticos: raster y vector. En la forma
de imagen raster los mapas temáticos tienen un ṕıxel asociado con un valor de atri-
buto. Por ejemplo el mapa puede tener codificada la altura de los objetos espaciales
como la intensidad de un ṕıxel. En la representación vectorial un objeto espacial se
representa por su geometŕıa, siendo más común la representación de los ĺımites o bor-
des de los objetos con los atributos temáticos. Por ejemplo una zona de vegetación
puede estar representada por los puntos geométricos de sus ĺımites o bordes y sus
correspondientes valores de elevación.
En México el uso de mapas temáticos que provean información acerca de: usos
y tipos de suelo, agricultura, monitoreo de desastres naturales, conservación de la
biodiversidad, administración y monitoreo de las masas de agua que incluyen ŕıos,
mares y lagos, monitoreo del clima y su impacto con la superficie de la tierra, combate
de la contaminación marina, control y administración de asentamientos humanos y
muchas otras más; no se ha fomentado debido a que no se tienen sistemas automáticos
para generar los mapas temáticos actualizados y confiables del territorio nacional. El
Instituto Nacional de Estad́ıstica Geograf́ıa e Informática (INEGI) [15], no cuenta con
la infraestructura necesaria para la actualización y generación de mapas temáticos de
calidad libre de errores a partir de imágenes satelitales. Los mapas existentes datan
de hace 10 años aproximadamente y para algunas regiones de la Republica Mexicana
no existen mapas. La Secretaria de Marina Armada de Mexico [16], a través de su
Dirección General Adjunta de Oceanograf́ıa, Hidrograf́ıa y Meteoroloǵıa en conjunto
con la Estación de Recepción Satelital México de la constelación SPOT. (ERMEXS),
Coordinación de Ciencias Computacionales Instituto Nacional de Astrof́ısica, Óptica y Electrónica
-
2.4 Mapas Temáticos 21
contemplan dentro de sus objetivos la producción de mapas temáticos a partir de
imágenes satelitales.
En el resto del mundo existen naciones que hoy en d́ıa toman muy en serio el uso
de mapas temáticos para la protección del ambiente y manejo de sus recursos; sin
embargo, de la manera en que se obtienen haciendo uso de los algoritmos actuales de
clasificación aplicados a la imagen satelital, no se generan mapas temáticos confiables
y libres de errores, teniendo que apoyarse con Sistemas de Información Geográfica
(GIS) [6, 7].
Extracción de Mapas Temáticos a partir de la Clasificación en Imagenes Satelitales
-
22 2. La Ciencia de la Percepción Remota
Coordinación de Ciencias Computacionales Instituto Nacional de Astrof́ısica, Óptica y Electrónica
-
Caṕıtulo 3
Análisis de Imágenes Satelitales
Los datos obtenidos mediante la Percepción Remota a partir de los sensores a
bordo de satélites y aviones en la mayoŕıa de los casos son adquiridos en formato
digital. Estos datos posteriormente son procesados por sistemas de cómputo para
generar las imágenes que serán usadas en los estudios de interpretación. En las últimas
décadas se han hecho avances significativos en el análisis de imágenes digitales con
buenos resultados en cuanto a la información obtenida. El proceso del análisis de la
imagen involucra varias etapas con tareas espećıficas que van desde la adquisición de
los datos y su conversion en imágenes, para luego ser procesadas y segmentadas con la
finalidad de obtener las regiones que serán etiquetadas por procesos de reconocimiento
e interpretación, para finalmente presentar los resultados dependiendo del dominio del
problema. Este caṕıtulo tiene como finalidad presentar una visión general de los pasos
del proceso de análisis de imágenes satelitales haciendo énfasis en las etapas donde se
puede mejorar el proceso para aumentar la calidad de la información obtenida.
3.1. Proceso de Análisis de Imágenes Satelitales
En general, el principal objetivo de un proceso de análisis de imágenes es la ob-
tención de información y posteriormente conocimiento de los objetos de la escena
donde fue adquirida la imagen. El análisis de imágenes satelitales sigue las etapas del
proceso con algunas diferencias en cuanto a la forma de Adquisición y Procesamien-
to. Como una imagen satelital puede ser un conjunto de imágenes, cuando se habla
de niveles Multiespectrales e Hiperespectrales, éstos deben ser tratadas por separado
pero la información contenida en cada una de las imágenes que las componen debe
ser tomada en conjunto.
[23]
-
24 3. Análisis de Imágenes Satelitales
Muchos autores [8, 1, 2], coinciden en que las principales etapas que un proceso
de análisis de imágenes debe contener son las que se muestran en la figura 3.1.
Figura 3.1: Proceso del Análisis de Imágenes Satelitales.
La Adquisición de la Imagen se refiere al proceso de representar los datos
obtenidos por un sensor en una imagen, pasando por los procesos de corrección para
tratar de representar los datos del sensor con la menor cantidad de errores posibles.
La etapa de Preprocesamiento, se divide en varias partes. Si se requiere, la
imagen pasa por un preprocesamiento que involucra técnicas para mejorar, restau-
Coordinación de Ciencias Computacionales Instituto Nacional de Astrof́ısica, Óptica y Electrónica
-
3.2 Adquisición de Imágenes 25
rar o filtrar la imagen. El siguiente paso es la Segmentación de la imagen que la
separa en grupos de ṕıxeles de caracteŕısticas similares llamadas regiones, para fi-
nalmente obtener de esas regiones un conjunto de caracteŕısticas que ayudarán a la
interpretación y reconocimiento de los distintos tipos de clases de regiones según el
ámbito del problema.
El Reconocimiento e Interpretación de las regiones obtenidas en la etapa
previa, se lleva a cabo usando técnicas de Reconocimiento de Patrones o Inteligencia
Artificial mediante algoritmos de clasificación. En este paso es importante el uso de
técnicas de evaluación para calificar el desempeño de los algoritmos de clasificación.
Las técnicas de evaluación pueden ser cuantitativas o cualitativas.
Finalmente es necesaria una etapa de Representación de Resultados. Esta
etapa muestra los resultados en un formato que pueda ser entendido por el experto
en el dominio, usuario final o un sistema de cómputo. Los métodos de representación
de resultados más comunes son los Mapas Temáticos, aunque también se pueden
hacer consultas a un sistema GIS actualizado por el proceso de análisis de imágenes
satelitales.
3.2. Adquisición de Imágenes
Los sistemas de percepción remota pasivos o activos a bordo de satélites o aviones
miden los fenómenos de radiación electromagnética que se generan entre la fuente de
radiación, la superficie de la tierra y el sensor. Las Fuentes de radiación pueden ser el
sol, los diferentes materiales sobre la superficie, la atmósfera o los mismos sensores.
Algunas partes del espectro electromagnético no se usan en percepción remota porque
la atmósfera (principalmente ozono, dióxido de carbono y vapor de agua), absorbe
casi en su totalidad la enerǵıa en diferentes frecuencias. La enerǵıa solar reflejada se
mide en partes del espectro visible o cercano infrarrojo (IR) cerca de 0.4 a 2.5 µm. La
señal térmica de fuentes como incendios es fuerte en el infrarrojo medio entre los 3 y
5 µm, mientras que la enerǵıa re-irradiada del sol y partes fŕıas altas de la atmósfera
se miden en la región térmica del infrarrojo entre los 8 y los 14 µm.
La enerǵıa de microondas es generalmente adquirida por sensores activos como el
Radar (Radio Detection and Ranging). Los Radares en Percepción Remota emiten
pulsos coherentes de radiación en longitudes de 1 a 30 cm para posteriormente ser
medida la onda reflejada por la superficie de la tierra o atmósfera. La enerǵıa en estas
Extracción de Mapas Temáticos a partir de la Clasificación en Imagenes Satelitales
-
26 3. Análisis de Imágenes Satelitales
frecuencias puede penetrar las nubes complementando la observación incompleta en
las altas frecuencias.
Finalmente, los datos recolectados por los sensores son procesados mediante algo-
ritmos de digitalización. La digitalización es el proceso de convertir datos o imágenes
analógicas en un arreglo de ṕıxeles
Los tipos de imágenes más familiares son aquellas adquiridas mediante los si-
guientes sensores en satélites:
Satélite Landsat: Thematic Mapper (TM).
Satélite SPOT: Haute Resolution Visible (HRV).
Satélite NOAA: Advanced Very High Resolution Radiometer (AVHRR).
Los tipos de escáner puestos en los sensores de los satélites usados para adquirir la
radiación electromagnética que es emitida o reflejada en la superficie de la tierra son
escáner electro-mecánicos y escáner basados en arreglos de CCD´s (”charge-couple
devices” o dispositivos de acoplamiento de carga). Cuando se escanea la superficie
de la tierra se efectúa en forma lineal, un simple punto sobre la ĺınea escaneada
corresponde a una pequeña área de la superficie de la tierra. Esta área de tierra
representa un ṕıxel en la imagen.
La magnitud de la radiación reflejada o emitida por una pequeña área de tierra
representada por un ṕıxel es interpretada mediante un número entero usualmente
diferente de cero y normalizado en un rango de valores de 0 a 255. Por lo tanto, las
imágenes adquiridas mediante técnicas de percepción remota consisten en un arreglo
rectangular de números que las computadoras pueden visualizar y manipular [3], como
se muestra en la figura 3.2.
Dependiendo del tipo de sensor que realiza la recolección de los datos; las imágenes
satelitales tendrán diferentes caracteŕısticas de resolución.
Resolución: (o potencia de resolución) es la medida de la habilidad que un
sistema óptico tiene para distinguir entre señales que están espacialmente cercanas o
son espectralmente similares.
Resolución Espectral: Se refiere a la cantidad y dimensiones del intervalo de lon-
gitud de onda en el espectro electromagnético 2.2 sensible para algún sensor.
El tamaño del intervalo o banda puede ser grande, un ejemplo son las imágenes
Coordinación de Ciencias Computacionales Instituto Nacional de Astrof́ısica, Óptica y Electrónica
-
3.2 Adquisición de Imágenes 27
Figura 3.2: Descripción de una Imagen Satelital Adquirida Mediante Técnicas de Percepción Remota.
pancromáticas en blanco y negro con resolución espectral de 0.48 - 0.71 µm (en
SPOT-5)[17], o relativamente pequeña como lo son las diferentes bandas mul-
tiespectrales del SPOT-5 como la banda 3 perteneciente al infrarrojo cercano
que va de 0.78 - 0.89 µm. Esto es importante porque ciertas regiones o bandas
espećıficas del espectro electromagnético son utilizadas para obtener informa-
ción de parámetros biof́ısicos. Otra definición común se da como la habilidad
que un sistema de sensado tiene para identificar o diferenciar la radiación elec-
tromagnética en diferentes frecuencias (bandas espectrales)[2, 3, 1].
Resolución Espacial: Es la medida de la separación angular o lineal más pequeña
entre dos objetos que puede resolver el sensor (distinguir entre dos objetos o
elementos distintos que parecen uno sólo a simple vista). La resolución espacial
en fotograf́ıas aéreas es normalmente medida por ingenieros como el número de
ĺıneas pares por miĺımetro que puede resolver en la imagen. En otros sistemas
de sensores, es simplemente la dimensión en metros de la proyección terrestre
instantánea del campo de vista (IFOV, ”Instantaneous Field of View”)[9]. Ge-
neralmente la resolución espacial más pequeña es el mayor poder de resolución
del sensor del sistema. Otra regla útil es que para detectar una caracteŕıstica
Extracción de Mapas Temáticos a partir de la Clasificación en Imagenes Satelitales
-
28 3. Análisis de Imágenes Satelitales
en la imagen la resolución espacial del sensor del sistema de captura debe ser
la mitad del tamaño de la medida de la caracteŕıstica en su dimensión más
pequeña.
Resolución Temporal: Se refiere a la frecuencia en tiempo de recolección de
imágenes de un área en particular por el sensor del sistema. Generalmente el
sensor obtiene datos repetidamente para capturar caracteŕısticas únicas discri-
minantes del objeto bajo investigación. Por ejemplo, los campos de agricultura
tienen ciclos o estaciones de cultivo únicos dependiendo de la región geográfica.
Resolución Radiométrica: Define la sensibilidad de un detector para diferenciar
en términos de fuerza o potencia de señal cómo se recolecta el flujo de radiación
reflejado o emitido desde la superficie de la tierra o desde el objeto de interés.
Cualquier mejora en la resolución generalmente incrementará la precisión en el sen-
sado remoto del fenómeno electromagnético. Sin embargo, esta mejora puede usual-
mente requerir capacidades adicionales de procesamiento de datos ya sea por un
usuario o por análisis asistido por computadoras, aśı mismo, la mejora en la resolu-
ción no necesariamente incrementará la precisión de identificación de objetos sobre la
superficie de la tierra.
3.3. Preprocesamiento
Debido a que las imágenes obtenidas por los sensores a bordo de satélites y
aviones contienen deformaciones y deficiencias como por ejemplo sensores mal ca-
librados, malas condiciones de iluminación causadas por condiciones meteorológicas
al momento del sensado remoto; es necesario un paso previo a cualquier etapa de
Reconocimiento e Interpretación, este paso previo se llama Preprocesamiento de
la imagen satelital y usa técnicas similares a las usadas en imágenes que no han sido
adquiridas mediante técnicas de Percepción Remota [18, 8].
El Preprocesamiento de una imagen satelital puede estar dividido en varias etapas.
Las etapas a utilizar sobre una imagen dependerán del problema que se desea resolver
o la información que se desea obtener a partir de los datos contenidos en la imagen.
Las etapas de preprocesamiento se describen a continuación [3, 1, 2].
Coordinación de Ciencias Computacionales Instituto Nacional de Astrof́ısica, Óptica y Electrónica
-
3.3 Preprocesamiento 29
Correcciones en la Imagen
Los procesos de corrección de la imagen resuelven problemas de distorsión,
degradación y ruido introducido durante la adquisición de los datos que forman la
imagen. Para que una imagen pueda capturar lo más real posible las caracteŕısticas
de enerǵıa radiada de la escena original se efectúan correcciones Radiométricas y Geo-
métricas. Para poder corregir los datos sensados remotamente se deben determinar
los errores internos y externos. Los Errores Internos son creados por la propia con-
figuración f́ısica del sensor. Este tipo de error generalmente es predecible y constante
y puede ser determinado durante la construcción del sensor o en vuelo mediante ca-
libraciones. Los Errores Externos son ocasionados por perturbaciones en la base
del sensor, aśı como por la variación de las caracteŕısticas de la escena y condiciones
atmosféricas las cuales son variables por naturaleza. Los errores radiométricos y geo-
métricos son los tipos más comunes de errores encontrados en las imágenes tomadas
mediante técnicas de Percepción Remota [19, 1, 2, 3]:
Correcciones Geométricas: Las distorsiones espaciales o geométricas de la ima-
gen tienen diferentes fuentes que incluyen la curvatura y rotación de la tierra,
el amplio campo de visión, la inestabilidad de la plataforma del sensor (prin-
cipalmente en sensores a bordo de aviones) y los efectos panorámicos de los
instrumentos de escaneo. Los datos de radar son afectados por la relación de
la pendiente del terreno y el angulo de visión del sensor. La teoŕıa detrás de
las correcciones geométricas es relativamente sencilla; sin embargo, su imple-
mentación puede no serlo. Los métodos de interpolación polinomial pueden ser
satisfactorios para imágenes de una sola banda y también han sido usados en
imágenes multiespectrales con buenos resultados. Para datos Hiperespectrales se
prefiere un simple remuestreo con un esquema de vecinos más cercanos debido
a que esta técnica no provoca distorsión en las caracteŕısticas espectrales las
cuales serán usadas para comparación espectral y una detallada identificación
de objetos en la escena. Se han desarrollado Modelos de Corrección Geométrica
para instrumentos de alta resolución espacial e instrumentos bordo de aviones.
[20, 21, 22, 23].
Correcciones Radiométricas: Las distorsiones radiométricas se generan por la
atmósfera entre la superficie de la tierra y el sensor. La dispersión de la atmósfera
causa ĺıneas obscuras en la imagen y es dependiente de la humedad, presión
Extracción de Mapas Temáticos a partir de la Clasificación en Imagenes Satelitales
-
30 3. Análisis de Imágenes Satelitales
atmosférica, temperatura y visibilidad. Para la calibración radiométrica de ins-
trumentos multiespectrales se utilizan métodos de calibración pre-vuelo y du-
rante el vuelo, aśı como postprocesamiento. Estos métodos permiten corregir las
diferencias entre sensores, los cuales causan rayas y otros efectos sistemáticos
en las imágenes resultantes. Este tipo de correcciones, en general, se encuentran
implementadas a bordo de los satélites.
Actualmente, dependiendo del proveedor de imágenes satelitales (SPOT, Quick-
Bird, Ikonos, Lansat o Radarsat) la imagen adquirida se pueden solicitar con diferentes
tipos de correcciones radiométricas y geométricas.
3.3.1. Segmentación
Generalmente, el primer paso del análisis de imágenes es la segmentación de la ima-
gen. La segmentación subdivide una imagen en sus partes constituyentes
u objetos [8]. A los objetos obtenidos de los procesos de segmentación se les lla-
ma Regiones. Dependiendo del problema a resolver, es el nivel de subdivision de la
imagen.
Sea I una imagen completa, podemos ver a la segmentación como un proceso quedivide a I en N subregiones I1, I2, . . . , IN . Cumpliéndose [24]:
1. La segmentación debe ser completa, es decir la unión de las subregiones debe
generar la imagen original.
2. Todos los ṕıxeles en una región deben estar conectados.
3. Las regiones deben ser disjuntas.
4. Las propiedades de los ṕıxeles de una región deben ser similares.
5. Las regiones de una imagen son distintas.
Basándonos en la propiedad 4, los ṕıxeles de una región presentan propiedades
similares (distribución de intensidad), podemos entonces a partir del histograma de
niveles de gris, identificar cúal es la zona del mismo que corresponde a una determi-
nada región. Esto es aplicable también a imágenes en color de forma que a partir de
su histograma se pueden identificar regiones de interés. De la misma manera podemos
delimitar una región mediante un borde cerrado.
Podemos definir tres tipos principales de segmentación que dependen del grado
de interacción del usuario en el proceso, estos se pueden clasificar en:
Coordinación de Ciencias Computacionales Instituto Nacional de Astrof́ısica, Óptica y Electrónica
-
3.3 Preprocesamiento 31
Manual: El usuario es quien realiza la segmentación ayudado por alguna de las
herramientas de cómputo existentes.
Automática: Un sistema de cómputo mediante algoritmos previamente establecidos
realiza todo el proceso de forma automática.
Semi-automática o interactiva: Un sistema de cómputo realiza el proceso, pero
el usuario interviene en determinados momentos sobre el mismo para definir
parámetros o corregir resultados. Este es el método más empleado.
Los algoritmos de segmentación más utilizados se basan en una de las dos
propiedades básicas de los valores de nivel de gris [8, 24, 25, 18]:
Similaridad: Los principales métodos de esta categoŕıa están basados en la um-
bralizacion, crecimiento de región y división con fusión de regiones
(split and merge). A estos métodos también se les llama basados en regiones
[26].
Discontinuidad: El método consiste en dividir una imagen basándose en los cambios
bruscos de nivel de gris. Las principales áreas de interés de esta categoŕıa son
la detección de puntos aislados, la detección de ĺıneas y la detección
de bordes de una imagen. A estos métodos también se les llama basados en
bordes [26].
Debido a la complejidad de los datos en imágenes satelitales, los métodos de seg-
mentación por ṕıxel antes mencionados no han dado buenos resultados. Por lo tanto,
se ha tenido que recurrir a técnicas de segmentación basadas en regiones que utilicen
tanto las caracteŕısticas espectrales como las espaciales de los grupos de ṕıxeles con
sus vecinos [26, 27, 28, 29].
3.3.2. Extracción de Caracteŕısticas
El siguiente paso en el preprocesamiento de la imagen satelital es la extracción
de caracteŕısticas de cada una de las regiones encontradas. Un patrón es un conjunto
de valores de grises medidos en un número de bandas espectrales. Las caracteŕısticas
definen a un patrón a partir de las bandas espectrales (4 en imágenes SPOT) o de
otras propiedades derivadas de los ṕıxeles (textura, contexto). En imágenes satelitales
se distinguen 2 tipos generales de caracteŕısticas:
Extracción de Mapas Temáticos a partir de la Clasificación en Imagenes Satelitales