ESCUELA DE INGENIERIA GEOLGICA SECCIONAL SOGAMOSO Procesamiento Digital de Imgenes PDI Practica Tema: CLASIFICACION IMAGEN MULTIPOLARIZADA RADAR.

Objetivo: Utilizar los mtodos de clasificacin sobre una imagen de radar multipolarizada. Materiales: una imagen de Radar banda L, en color, de 1994/04/14, tres bandas de polarizacin. Metadato de la imagen de Radar:

Data Set Attribute Attribute Value Entity ID PR14693 Data Take ID 87.61 Site Name Ruiz, Colombia Data Product Type Multi-look complex (MLC) Polarization HH/HV Calibration Y Left - Right Looking R Orbit Direction D Incidence angle 43.557 Track Angle 149.445 NW Corner 744'24.00"N, 7721'00.00"W NE Corner 803'50.40"N, 7648'07.20"W SW Corner 654'32.40"N, 7651'28.80"W SE Corner 713'51.60"N, 7618'39.60"W Center Coordinates 729'06.00"N, 7649'51.60"W Range Pixel Width 12.5 Azimuth Pixel Height 12.5 Center Range Resolution 25 Center Azimuth Resolution 25 Image Start GMT 1994/104:19:01:29.393 Image Stop GMT 1994/104:19:01:44.088 Image Duration 14.695 Acquisition Date 1994/04/14 Campaign SRL1 Radar Frequency L-Band X - Shuttle Position 4052.103 Y - Shuttle Position 5062.832 Z - Shuttle Position 1189.444 X - Shuttle Velocity -2.63 Y - Shuttle Velocity 3.606

Z - Shuttle Velocity -6.37 Shuttle Altitude 215.312 Radar Mode 1 - LHH/LHV L-Band Dual-Pol Double Swath Pulse Repetition Frequency 1395 Data Quantization 2 Number of Bytes per Pixel 5 Number Pixels per Line 5484 Number Lines 8556 Processing Band Width 950 Browse Available Y

Referenciacin Geogrfica de la Imagen La imagen de radar cubre la zona noroeste del pas, en los lmites del Urab Antioqueo y Chocoano. Se observa el Rio Atrato y la Cinaga de Tumarado.

Introduccin
Los mtodos de clasificacin de imagen se idearon originalmente para ser aplicados sobre imgenes multi espectrales, las cuales tpicamente son capturadas con sensores pticos, sensores pasivos. Las primeras imgenes de Radar se visualizaban en grises por ser Mono espectrales o mono banda, es decir se capturaba la informacin en una sola longitud de onda. Desde este punto de vista los mtodos de clasificacin de imagen no aplicaban al radar, porque los algoritmos usados para este propsito, tienen todos una base estadstica que requiere una variabilidad mnima de los ND de los pixeles en los distintos espacios espectrales, es decir en las diferentes longitudes de onda, para conformar lo que se denomina la firma espectral o distintiva emitancia o reflectancia de las diferentes coberturas en la superficie, la cual es la base de la clasificacin. Posteriores desarrollos de la tecnologa radar, han permitido la produccin de una nueva generacin de imgenes que pueden ser desplegadas en color gracias a que en la captura de los datos se utiliza la polarizacin de la microonda. Como se sabe la radiacin electromagntica, REM, puede ser polarizada vertical u horizontalmente. Entonces es posible jugar con la polarizacin para obtener imgenes con hasta cuatro polarizaciones diferentes por escena, en lo que se denomina Quadpolarization. Es posible producir entonces hasta cuatro diferentes imgenes por cada escena, conformando una imagen anloga a las

imgenes multiespectrales, obtenindose as mismo una variabilidad en los valores de los ND de las imgenes, y haciendo posible la aplicacin de mtodos estndar de clasificacin bien sea supervisada o sin supervisar, hasta ahora solo usados sobre imgenes pticas.

Desarrollo
Abra IDRISI vaya al navegador y sitese en la pestaa projects nuevo proyecto y dirjase a la carpeta de trabajo donde se encuentra la imagen a clasificar, y OK. Importe la imagen que est en formato TIF a formato IDRISI. Para este ejercicio aplicaremos la misma metodologa usada en la clasificacin de imgenes multiespectrales de sensores pticos. Por lo tanto es necesario seguir los mismos pasos: 1. Localizar y digitalizar ejemplos representativos de cada tipo de cobertura (pixeles) que pueda ser identificada en la imagen. Estos se denominan sitios de entrenamiento. 2. Analizar estadsticamente los pxeles dentro de los sitios de entrenamiento y crear firmas espectrales para cada uno de los tipos de cobertura. 3. Clasificar la imagen entera considerando cada pxel uno por uno, comparando sus firmas particulares con cada una de las firmas conocidas. Lo ideal sera contar con una relacin de puntos de control resultado de una visita previa al terreno, con los tipos de cobertura de la tierra identificados in situ. A falta de esto resulta valioso el background o conocimiento previo de la zona por parte de los estudiantes. Iniciaremos elaborando una lista de los tipos de cobertura posibles en el rea, asignando un identificador nico a cada tipo de cobertura se sugieren las siguientes categoras informacionales: ID 1. 2. 3. 4. COBERTURA Cuerpos de agua Vegetacin 1(azul clara) Vegetacin 2(rosado claro) Vegetacin 3(rosado oscuro) NOMBRE Cuerpag Veg1 Veg2 Veg3

5.

Vegetacin 4(verde oscuro)

Veg4

Procedimiento Clasificacin Supervisada Despliegue la imagen sobre la cual va disear los sitios de entrenamiento, se sugiere una composicin color. Usando las posibilidades de digitalizacin en pantalla propias de IDRISI, digitalice los polgonos sobre pixeles representativos de los sitios de entrenamiento de las diferentes coberturas. Captura de pixeles de entrenamiento
Cree archivos tipo vector para cada una de las coberturas con los correspondientes identificadores. En este caso crearemos polgonos. Recuerde que cada categora puede tener varios sitios de entrenamiento pero solo tendr uno y el mismo identificador. Cualquier numero de sitios de entrenamiento o polgonos con el mismo identificador pueden ser creados para cada tipo de cobertura. En total debe haber una muestra adecuada de pxeles para cada tipo de cobertura con propsitos de caracterizacin. Una regla general es que el nmero de pxeles en cada conjunto de entrenamiento no debe ser menor de diez veces el nmero de bandas. En este ejercicio que utilizara 3 bandas, se deben tener por lo menos 30 pxeles por cada conjunto de entrenamiento. Prosiga la digitalizacin de los sitios de entrenamiento para cada cobertura. Y salve. Creacin del archivo raster con todos los campos de entrenamiento. Usando RASTERVECTOR del men REFORMAT de la barra de herramientas, pase sistemticamente de vector a raster en orden estrictamente secuencial, cada uno de los sitios de entrenamiento empezando obviamente por el primero con cdigo 1, asigne el nombre ENTRENA a esta imagen y actualice cada vez la misma imagen de forma que se irn incorporando los pixeles de cada nueva categora. Cuando no aparece

una categora en esta transformacin raster vector se debe a que no cumple el requisito mnimo de pixeles. Pase ahora la segunda cobertura vector codigo2, a raster, usando siempre la misma imagen ENTRENA como imagen a actualizar y as sucesivamente hasta que termine las cinco coberturas. Tenga cuidado de hacer la transformacin a raster siguiendo un orden ascendente de los indicadores. Tenemos ahora una imagen con todos los sitios de entrenamiento.

Creacin de las firmas espectrales

Procederemos a continuacin con la creacin de las firmas espectrales que contendrn los valores de reflectancia caractersticos dentro de cada rea de entrenamiento. Corra la opcin MAKESIG del men Signature Development en la barra de herramientas de Image Processing. Elija raster como el tipo de archivo para el sitio de entrenamiento y entre ENTRENA como el archivo que define los sitios de entrenamiento. Indique que 3 bandas sern procesadas y aparecern automticamente 3 cajas para entrar nombres. Entre los nombres de las bandas que se analizaran. Despues de elegir continuar, entre el nombre para cada uno de los tipos de cobertura de la tierra en las cifras de entrada con los identificadores adecuados en orden ascendente. Estos nombres de clases de cobertura de la tierra sern tomados como nombres para los archivos espectrales; no pueden tener ms de 8 caracteres. Procure no utilizar abreviaciones que coincidan con comandos de DOS ya que esto ocasionara inconvenientes al sistema. Con el fin de visualizar el comportamiento de los pixeles de cada categora y analizar si se traslapan o sobreponen en las diferentes bandas, corra SIGCOMP del men Signature Development en la barra de herramientas de Image Processing. Elija ver los 5 archivos espectrales, entrando los nombres de todos ellos y pdale desplegar sus promedios (mean).

Corra de nuevo SIGCOMP pero esta vez elija ver solo dos firmas y entre sus nombres. Indique que usted desea ver su mximo, mnimo y valores promedios. Analice la grfica. Despliegue y analice otros pares de firmas espectrales. El anlisis nos debe dar criterios de separabilidad de las coberturas en las diferentes bandas. Esto quiere decir que podremos evaluar en cuales bandas las firmas estn bien separadas o se traslapan entre s, o sea que existen pixeles con la misma firma para dos coberturas diferentes. En este punto se ha creado en el sistema un archivo de grupo de firmas que contiene todos nuestros nombres de archivos espectrales. Verifique que aparezca este archivo en el explorador de Idrisi. El archivo se llama Entrena.sgf.

Clasificacin
Una vez creado el archivo de firmas espectrales puede pasarse a la fase siguiente, la clasificacin propiamente dicha, para lo cual existen varias posibilidades como se ver. Cada pxel en el area de estudio tiene un valor diferente en cada una de las 3 bandas de polarizacin, que configuran en conjunto una firma nica que puede ser comparada con cada uno de los archivos espectrales que se crearon. El pxel es entonces asignado a la cobertura que tiene la firma mas aproximada. Hay diferentes tcnicas estadsticas que pueden ser usadas para evaluar la semejanza entre las firmas espectrales. Se crearan entonces, imgenes clasificadas con los clasificadores duros disponibles en IDRISI para WINDOWS.

Clasificador de MNIMA DISTANCIA ESPECTRAL

El primer clasificador a usar es una distancia mnima (MINDIST) al clasificador promedio. Este clasificador calcula la distancia de los valores de reflectancia de los pxeles al promedio de cada archivo espectral y asigna el pxel a la categora con el promedio ms cercano. Hay dos maneras de calcular la distancia con este clasificador. La primera calcula la distancia

euclidiana de los valores de reflectancia de los pxeles y cada promedio espectral por categora. Todos los clasificadores que se exploran pueden ser encontrados en el men IMAGE PROCESSING/HARD CLASSIFIERS/ Corra MINDIST de la barra de herramientas IMAGE PROCESSING/HARD CLASSIFIERS (mnima distancia al clasificador promedio) e indique 7 para el numero de archivos de firmas espectrales a usar (Signature files). Entre cada uno de los siete archivos: Agropec, Bosques, Canales,etc. Elija la opcin de distancia CRUDA (RAW) y calcule distancias infinitas (infinite). Llame el archivo de salida MINDIST_RAW, y de OK. Examine la imagen de cobertura de la tierra resultante. Se tratara el clasificador de la mnima distancia al promedio de nuevo, pero esta vez usando la segunda clase de clculo para la distancia, las distancias normalizadas. En este caso, el clasificador evaluara las desviaciones standar de los valores de reflectancia respecto a la media, creando contornos de desviaciones standar. Para ilustrar este mtodo corra mindist de nuevo. Elija unidades de desviacin standart normalizada y llame el resultado MINSTD_N. y de OK. Compare con los resultados anteriores.

Clasificador de MXIMA VEROSIMILITUD

El prximo clasificador a usar es el de mxima verosimilitud (MAXLIKE). Aqu, la distribucin de los valores de reflectancia en un sitio de entrenamiento es descrita por una funcin densidad de probabilidad, desarrollada sobre la base de la estadstica Bayesiana. Este clasificador evala la probabilidad de que un pxel dado pertenezca a una categora y clasifica el pxel en la categora con el valor ms alto de probabilidad. Corra MAXLIKE, seleccione usar igual probabilidad previa para cada firma, indique 5 como el nmero de archivos de firmas espectrales a usar, y en cada caja seleccione cada uno de los archivos: Agropec, Bosques, Canales, etc. Llame el resultado MAXLIKE. Presione OK. Analice el resultado.

Clasificador del PARALELEPIPEDO

El ltimo clasificador a usar se denomina PARALELEPIPEDO (PIPED). Este clasificador crea cajas usando unidades de desviacin estndar o valores de reflectancia mnimo y mximo dentro de los sitios de entrenamiento. Corra PIPED e indique 5 como el nmero de archivos de firmas espectrales a usar, y en cada caja seleccione cada uno de los archivos: Cuerpag, Veg1, Veg2, etc. Elija la opcin Min/Max. Llame el resultado PIPED. Presione OK. Analice el resultado. Corra PIPED de nuevo pero esta vez seleccione la opcin Z-Score y de al resultado el nombre PIPED_Z y de OK. Note los pxeles con valor 0 en la imagen de salida. Estos son pxeles que no se ajustaron dentro del rango Min Max de ningn conjunto de entrenamiento y por tanto fueron asignados a una categora 0, es decir quedaron sin clasificar. Despliegue todas las imgenes clasificadas y comprelas, Como parte final tenga en cuenta lo siguiente: En este tipo de clasificacin se han obtenido unas Categoras o Clases Informacionales Si sus sitios de entrenamiento son muy buenos, y hay homogeneidad en los pixeles, el clasificador de mxima verosimilitud debe producir los mejores resultados. Sin embargo, cuando los sitios de entrenamiento no estn bien definidos, no se ejecutan bien. En estos casos, el clasificador de mnima distancia con la opcin de distancias estandarizadas da mejores resultados. El clasificador del paraleleppedo con la opcin desviacin standar se ejecuta mejor y es el ms rpido de los clasificadores. En este ejercicio hemos utilizado como referencia el uso de la tierra para efectuar la clasificacin. El procedimiento puede ser aplicado a otras temticas como la geologa, definiendo sitios de entrenamiento adecuados mediante la observacin directa en campo.

Clasificacin NO Supervisada

Con el fin de comparar los resultados obtenidos hasta aqu con la clasificacin automtica que hace el computador. Realizaremos una clasificacin no supervisada con las mismas bandas. En trminos generales en la Clasificacin no supervisada se extraen los modelos de respuesta espectral dominante dentro de una imagen. CLUSTER usa una tcnica para seleccionar el pico del histograma unidimensional (una banda) que se define como el valor ND que tiene la mayor frecuencia que sus vecinos. Establecidos los picos, todos los valores posibles de ND son asignados al pico ms cercano obteniendose unas Categoras o Clases Espectrales Corra CLUSTER del men ANALYSIS/IMAGE PROCESSING/HARD CLASSIFIERS, especifique 3 como el nmero de archivos a procesar y entre los nombres de las bandas que se analizaran. Use la opcin de definir el mximo nmero de clster en 5 y de al resultado el nombre BROAD5. Corra CLUSTER nuevamente con nivel de generalizacin FINE, use la opcin de definir el mximo nmero de clster en 5 y de al resultado el nombre FINE5. Compare estos resultados con los anteriores (C.supervisada) comentelo en su hoja de trabajo. Incluya los resultados obtenidos en el documento salvndolos en el clipboard y pegndolos, determine cul sera para usted el mejor resultado y finalmente, suba el documento debidamente identificado a la plataforma al foro correspondiente.